【专业导语】机器人学习领域迎来技术突破，加州大学伯克利分校、英伟达、卡内基梅隆大学及博世公司联合提出的GaP（Graph-as-Policy）方案，旨在解决工业场景中“变分自动化”任务的高效执行难题。该研究通过构建计算图实现模块化任务分解，有望推动机器人从固定自动化向泛化学习过渡，为智能制造、物流分拣等领域带来估值修复机会。 【正文】当前机器人学习面临两大瓶颈：端到端VLA模型在商业场景中可靠性不足，而传统手工编程成本高昂。研究团队提出的GaP方案，核心思路是让AI自动生成“任务执行地图”，通过虚拟环境模拟排练优化后，再部署至真实场景。该方案将任务分解为节点和边构成的“计算图”，每个节点代表具体动作（如拍照、识别物体），边则控制信息流与决策逻辑（如成功/失败分支）。 从技术面看，GaP具备模块化、可复用和透明性三大优势：模块化便于故障定位与修复，可复用性降低跨任务开发成本，透明性增强系统可控性。资金面上，该技术若商业化落地，将吸引资本流入机器人及自动化设备板块，尤其利好仓储物流、食品加工等高频变分自动化场景。 【总结展望】GaP技术填补了固定自动化与泛化学习之间的空白，为工业机器人提供了兼顾效率与灵活性的新路径。短期关注相关概念股（如机器人300024）的技术验证进展，中长期有望驱动板块轮动，加速智能制造升级。