机器人可以只看一个视频就学会新任务吗？
可以借此获得任务的结构——操作顺序与值得检查的条件——并且无需改变任何权重。视频提供不了的是物理实现：当前场景所需的位姿、抓取与运动。TGL 的答案是：把每个子目标落到机器人上，并保留通过验证的部分。
物理上下文学习（Physical In-Context Learning）
物理上下文学习让机器人从演示或视频这样的上下文中适配新任务，而不更新底层模型权重。适配发生在模型被「条件化」的内容里，而不是它存储的内容里。
简述
物理上下文学习让机器人从上下文——演示、视频、书面流程——适配新任务，而不更新底层模型权重。TGL 通过持久保存可复用行为与结构化物理经验来补充这一方向，使学习能跨任务积累。
上下文能承载什么
少量演示可以传达子目标序列与值得检查的条件；视频可以传达操作顺序；书面流程可以传达约束与可供性。它们都不传达物理实现——当前场景所需的位姿、抓取与运动——而这必须在机器人上重新求取。
这一落差正是上下文适配对某些任务效果更好、对另一些更差的原因。如果难的是「知道该做什么」，上下文就够了；如果难的是「做到它」，上下文只是起点。
持久性问题
上下文的作用域是一次会话。它消失时，适配也随之消失——除非上下文窗口之外的某个东西记录了它。一个适配得很好但不保留任何东西的机器人，会在下一个物体上重复同样的适配。
这正是上下文学习遇到记忆问题的地方：什么应当活过这个回合，以什么形式。
TGL 的关系
TGL 把上下文当作起点，把结果存下来。AI 智能体从演示中读取结构，把每个子目标落实到当前场景，检查物理效果，并保留通过验证的部分——作为 Skill Library 中的 Skill Block，同时把这次尝试的条件与修复记入 Experience Memory。因此适配在产生它的上下文消失之后依然存在。
常见问题
物理上下文学习与终身机器人学习有什么不同？
终身学习问的是系统如何在不遗忘的前提下持续获取任务；物理上下文学习问的是如何在不更新权重的前提下获取任务。这是两个不同的轴。TGL 同时落在两者上：获取在上下文内完成，留存是显式的。