引言

在大模型火热的几年里，人们习惯用“数据规模”来衡量智能的上限。然而一旦把智能从屏幕搬到现实世界，叙事就变了：机器人并不缺数据，缺的是“经验”。经验意味着在真实环境里试错、总结、抽象和迁移，是连续决策、长期目标和安全约束交织下的能力沉淀。围绕这一点，SeeAct AI创始人穆尧提出了一个尖锐判断：具身智能的终局，一定会从“被训练”走向“自我进化”，且核心机制将是奖励驱动。

这并非一句口号。从无标准数据集、无公认基准的荒芜期，到RoboTwin成为国内具身智能的重要参照，再到押注“具身自我进化”的创业实践，这条路径折射出一个更大的趋势：从离线监督走向在线学习，从静态标注走向动态奖励，从单点模型走向系统性的“经验工程”。

从数据到经验：具身智能的范式转向

在互联网文本上预训练的通用模型，面对现实世界会遭遇三类差距：

• 回馈闭环差距：文本是一次性输入输出，现实需要连续互动，动作会改变环境，反馈延迟且噪声大。
• 不确定性差距：物理世界不可完美建模，摩擦、柔性、遮挡、器具差异让“同一任务”每次都不相同。
• 目标耦合差距：任务不仅是“做成”，还要兼顾效率、安全、能耗、合规等多重指标。

这决定了具身智能必须以“经验”为核心资产。经验不是简单的数据堆叠，而是包含了情境、因果、回报的结构化沉淀。它需要：

• 在真实或高保真模拟中不断尝试；
• 通过奖励或偏好信号筛选值得保留的行为；
• 将成功的策略抽象为可复用的技能，并在新环境中组合迁移。

离线大模型仍然重要，但更多充当“知识库”和“先验”，最终性能取决于系统如何把知识转化为可执行、可复用、可累积的经验。

自我进化的技术底座：奖励、世界模型与技能库

要让机器人从“被训练”走向“自我进化”，至少需要三块基石：

• 奖励驱动的学习循环
• 从手工奖励到偏好/对比学习，再到多目标加权，用“价值”而非“标签”驱动学习；
• 课程自动生成与难度自适应，让系统持续处在“可学但非平庸”的边界；

• 在线/近线更新，缩短经验吸收的闭环时延。

• 世界模型与不确定性管理

• 通过世界模型在模拟中“快进试错”，降低真实试验风险与成本；
• 明确模型置信度，遇到高不确定性时切换保守策略或人类介入；

• 将感知、预测与控制对齐，减少“看得懂但做不到”的割裂。

• 技能库与组合执行

• 把长任务拆为可验证的原子技能，构建层级策略；
• 以检索、条件生成或规划器进行技能组合，支持跨任务迁移；
• 动态维护技能的“版本”和“适用域”，防止遗忘与误用。

在这一框架下，“大模型+强化/偏好学习+仿真现实闭环”的混合范式，成为具身智能可落地的现实解法：大模型提供通用先验与语言接口，奖励机制负责价值对齐与目标分解，世界模型与技能库则让经验沉淀与复用成为可能。

标准与系统：从RoboTwin到产业化的“经验工程”

没有标准，就没有可复用的经验。RoboTwin之所以被广泛采用，不仅因为给出了一套可比较的任务与指标，更因为它把“如何收集、重放、评测经验”的流程工程化，成为社区可以共享的“经验基建”。在此基础上，工业界的系统不断刷新结果，本质上是把经验的采集、筛选和迁移做得更快、更稳、更广。

经验工程的要义在于“端到端的闭环”：

• 低摩擦数据引擎：遥操作、仿真合成、自动标注与偏好采集，形成可扩展的数据/经验管线；
• Sim2Real一致性：在动力学、视觉、材质上的对齐策略，让模拟经验可迁移；
• 安全与合规：在闭环中插入约束、监控和“急停”，把风险显式化；
• 评测文化：从单一成功率转向“演化速度”“适应跨度”“安全代价”等复合指标。

当这些环节被系统化，企业可以把具身智能当作“经验工厂”来迭代：不断生产新经验、筛选优质经验、沉淀通用技能，形成自我强化的护城河。

从实验室到公司：SeeAct的下注意味着什么

SeeAct这一下注，指向一个更明确的架构取向：把“看”（See）的通用表征与“做”（Act）的可复用技能用奖励管道焊接起来，让机器人在长时间尺度上自行积累能力。这种路线的商业意义在于：

• 降低标注与脚本成本：用偏好/奖励替代海量细粒度标签，避免规则爆炸；
• 提升长尾适应性：面对环境漂移与任务变化，通过在线进化维持性能；
• 可解释的安全边界：技能层级、置信度管理与人机共驾，为大规模部署提供底线。

当然，自我进化并非灵药。奖励设计、目标冲突、灾难性遗忘和算力成本都是真问题；如何在开放世界中持续学习而不破坏已学能力，需要更强的监控、评估与回滚机制。这些恰恰是下一阶段的竞争焦点：谁能把“学习能力”做成可靠的工程系统，谁就有机会把具身智能推过拐点。

影响与展望

奖励驱动的自我进化，如果在工业可控场景中跑通，将改变机器人研发的生产关系：研发从“模型交付”转向“系统迭代”，数据团队变成“经验运营”，评测部门升级为“演化审计”。更重要的是，用户与机器人之间会形成新的契约——不是一次性买断的能力，而是可持续成长的服务。

中短期看，混合范式会成为主流：以大模型作为通用先验，以偏好/强化学习实现价值对齐，以世界模型与技能库进行经验沉淀；在安全与合规上，坚持“人机共驾”的渐进式部署。长期看，一旦经验闭环足够高效，具身智能将从“被训练”自然过渡到“自我进化”，真正迈入能动的智能时代。

标签： 具身智能 强化学习 世界模型 机器人学习 自我进化