分类：AI动态 标签：具身智能、大模型、机器人、开源项目
在人工智能领域，“自进化”一直是一个备受争议的词汇。当数字世界的 AI 纷纷讨论自我迭代时，物理世界的机器人是否也能拥有持续生长的能力？
最近，乐享科技推出其具身智能模型 Aether（以太），并宣称其能够在部署和执行过程中持续更新，成为全球首个能自进化的具身智能模型。通过一场充满挑战的户外烧烤直播，以及对模型内部底层架构的拆解，乐享科技展示了一条通往机器人“自进化”的新路径。
从模仿动作到理解世界因果
过去几年，具身智能的主流思路是将视觉、语言和动作连接起来（VLA），让机器人借助大规模数据学习人类示范。然而，这种“输入 -> 动作”的映射存在一个根本限制：它擅长回答下一步做什么，却未必真正理解为什么要这样做。
- 传统 VLA 的局限：不懂因果关系，只是在已有数据中寻找动作规律。
- 传统 World Model 的局限：虽然能够生成对未来的预测，但生成的未来往往无法被机器人的关节、力矩和控制系统完美执行。
真实世界充满了接触力、摩擦、滑动和临时变化。乐享科技的以太模型并没有把重点放在简单的动作预测上，而是将其构建为一个由世界状态、内部状态和能量状态耦合而成的动力系统（Energy-driven State Transition）。
在这套系统中，感知变成了任务的一部分。机器人不再被动接受画面，而是带着“为了继续行动我还需要看到什么”的感知意图去主动探索，从而让动作在不断变化的物理世界中真正成立。
闭环机制：自进化不是一句口号
对于“自进化”的质疑，核心在于：机器人执行任务时，变化的究竟是瞬时记忆，还是策略甚至模型权重？乐享科技给出的答案是：这些层级都会更新。
这套自进化闭环机制包含以下几个核心环节：
- 预测误差修正：机器人在行动前形成预测，执行后观察结果，实时对比偏差并重新规划，这个过程伴随每一次行动持续发生。
- 错题本机制与经验筛选：在线学习最大的风险在于把偶然扰动当成规律。以太模型会评估经验的可靠性与新颖性，决定什么应该学，什么应该忘。
- 分层记忆与参数更新：短期任务状态用完即清，而经过反复验证的稳定规律则会进入世界模型和因果模型，甚至进一步影响模型权重，实现真正的永久性能力沉淀。
此外，该模型展现了强大的泛化能力。目前，以太模型已在双臂、双足和轮式等约五家不同形态的机器人本体上积累经验。通过自主探索认知不同本体的性能差异与关节约束，模型完成了软硬件解耦，真正实现了“一脑多形”。
结语：具身智能的 Next Level
如果机器人只是被训练好的执行机器，它在现场之外的经验就很难沉淀。但如果机器人能够在行动中发现偏差、在反馈中筛选经验、在记忆中沉淀规律，并把这些规律带到新的任务和身体上，它就不只是“更会干活”，而是开始具备了真正的生长性。
衡量机器人的方式或许正在发生改变——未来不仅要看“它现在会做什么”，更要看“它做完之后学会了什么”。一旦跨越这道门槛，机器人将不再只是被制造和部署的工具，而成为能够在真实世界中持续获得经验的行动系统。这，或许就是具身智能真正的 Next Level。