预训练不是终点

具身智能行业正历经一场关键转折。过往两年里, VLA、世界模型以及大规模机器人数据完成基础搭建, 机器人从「不会做」迈至「基本会做」。可这不过是起点而已, 真正的挑战就在怎样让机器人于真实环境里稳定运作、不断进化。

模型在实验室里表现优异, 一转入工厂、仓库、家庭等等杂纷情景就容易「翻覆」。境况变动、操作偏误、边缘状况全会使预练的「六十分」本事快速退化。企业所求并非重现数据集动作, 只是任务接续取胜。

从模仿到理解

域变换的核心逻辑是跳出「部署即定型」的传统思维, 传统系统失败后会丢弃宝贵信息, 而域变换让机器人在交互中学习真实物理条件, 不更新参数, 也能从每次动作里获取经验, 应用到下一次改进。

大模型首次让在线闭环学习成为现实: 这背后是一种全新的学习范式, 机器人不再只是模仿别人做过什么, 而是在当下部署条件下理解自己的动作为何成功或失败, 引入「规划—执行—反思」循环。

可演进的轻量架构

Zeva是整个体系的关键一环。它借着上下文中那示范与完成经验的举动适配, 拓展模型到新任务的泛化性能。这般上下文学习方法使得机器人能够快速理解新场景, 不必给庞大模型重新进行训练。

近期G1.5、Skild S1等工作证明了这一路线的可行性。核心思路是让模型具备「现场感」——在真实部署的物理约束下调整行为, 而非是依赖离线数据的理想状态。

部署即生产

Zetta专注于在线执行与技能演化。唯有真正提升成功率、能泛化到新场景的迭代, 才会驶入技能记忆库。这避免了机器人仅仅「背过」某类失败样本, 而演化成可复用经验资产。

这种机制确实形成为一种大模型Data飞轮类的结构。以往传统的轨迹数据难以复制相关因果经验, 而部署中的自进化过程会不断生成“状态—动作—结果—纠偏”式的闭环记录, 构成各类新形态数据资产。

基础设施支撑

把模型能能力转为当成生产力, 就得要Z-Infra这类从项目启动到收尾都要管全型系统撑着托举。它既涵盖着数打各环节运作的数据源管线、算得准效率高的资源环境管线以及跑得够快损耗少的能高效部署模型推理管线, 最终还得把大规模落地铺开与能力不停变强升级的工程类难题圆满解决掉。

曹婷团队在模型量化、查表计算和高效推理上的所有积累在此形成连续的内部逻辑。过去是把更强模型装进有限的硬件, 如今是让持续学习与推理闭环得以也能进入机器人的本体。

未来竞争格局

更后的阶段竞争将从那些更「谁拥有更多的离线样本」转向那些「谁实现了率先建立在部署后才是的学习闭环的」。投入产出比、工作流程集成、远隔地域干预, 还有那样从确实的反馈里头继续学习, 成为了新的发力点。

域变换使机器人的部署化身为数据的生产, 将那些数据生产转化为了能力的进化, 最终形成了随规模不停持续加深的护城河。你觉着这类部署类自进化模式, 会如何变动机器人行业的竞争格局?