从 Diffusion SDE 到 π₀.₅ Flow Matching Action Head

问题

Diffusion 为什么不是普通地“加一点随机数”？为什么单步噪声要乘 $\sqrt{\Delta t}$ ？

确定性运动在小时间步里按 $\Delta t$ 积累；随机运动不同，它积累的是方差。如果每一步噪声写成 $\sqrt{\Delta t}z_k$ ，单步方差就是 $\Delta t$ ，走 $N$ 步后的总方差是 $N\Delta t = T$ ，连续极限不会消失也不会爆炸。

关键洞察

确定性变化积累 displacement；随机变化积累 variance。

问题

$\sqrt{\Delta t}z$ 为什么后来会写成 $dW_t$ ？

Brownian motion 的短时间增量满足：

W_{t+\Delta t}-W_t \sim \mathcal{N}(0,\Delta t)

而 $\sqrt{\Delta t}z$ 也服从同一个分布。因此离散随机增量可以写成 $\Delta W_t$ ，连续极限中写作 $dW_t$ 。这里的 $dW_t$ 不是普通可微函数的导数乘 $dt$ ，而是一个尺度为 $\sqrt{dt}$ 的随机增量。

问题

离散随机更新怎么变成 SDE？

从

X_{t+\Delta t} - X_t \approx c(t)X_t\Delta t + g(t)\sqrt{\Delta t}z

把 $\sqrt{\Delta t}z$ 换成 $\Delta W_t$ ，连续极限就是：

dX_t = c(t)X_tdt + g(t)dW_t

线性 SDE 的解可以写成 $X_t = a_tX_0 + b_t\epsilon$ ，因为无数次独立高斯扰动的线性组合仍然是一个高斯随机变量。

问题

既然 Diffusion 最终需要知道样本应该怎么移动，为什么不直接学速度场？

这就是 Flow Matching 的入口。它不先设计一个复杂反向 SDE，而是人为构造一条从数据到噪声的简单路径，然后直接监督速度网络。

例如：

x_\tau=(1-\tau)x_0+\tau\epsilon

则条件速度是：

u_\tau = \epsilon - x_0

关键洞察

Flow Matching 不是记住每一条 noise-data 直线，而是用大量 conditional paths 监督出 marginal velocity field。

问题

这件事在 π₀.₅ action expert 里是什么？

机器人里生成对象不是图像像素，而是 future action chunk：

A_t=[a_t,a_{t+1},\dots,a_{t+H-1}]

π₀.₅ action expert 学到的 velocity 不是机器人物理速度，而是 action chunk 在生成空间中从随机噪声流向合理动作的 probability-flow velocity。

问题

这会怎样影响机器人 demonstration 数据采集？

Flow Matching 的最优速度场可以写成条件期望：

v^*(x,o,\ell,\tau)=\mathbb{E}[u_\tau \mid x_\tau=x,o,\ell,\tau]

所以数据采集真正定义的是：

p_{\mathrm{data}}(A \mid o,\ell)

也就是给定 observation 和 subtask 后，哪些动作是合理的。

关键洞察

数据采集的目标不是盲目增加动作风格，而是扩大有意义的状态覆盖，并让给定条件下的动作结构尽量清晰。

下一个自然问题

这条链继续往下，最自然的前置概念是 Continuity Equation：为什么 conditional velocity 的条件期望真的能推出正确的 marginal distribution？