分类：AI动态 标签：人工智能、具身智能、大模型、机器人
在当前的具身智能领域，如何让机器人真正理解并适应纷繁复杂的物理世界，一直是各大科技公司攻坚的核心难题。近期，乐享科技推出了一项颇具挑战的全新概念：其具身智能模型“以太”（Aether）大模型能够在部署和执行过程中持续更新，并将其概括为全球首个能“自进化”的具身智能模型。
这一说法在业界引发了不小的讨论。在机器人仍需攻克基础稳定执行的阶段，“自进化”究竟意味着什么？它是一次临时的任务调整，还是模型参数的真正跃迁？
一、 从模仿动作到理解世界因果
过去几年，具身智能的主流路线是将视觉、语言和动作连接（VLA）起来：机器人接收环境输入与任务指令，随后直接输出动作。这种路线虽然能让机器人借助大规模数据学习人类示范，但乐享科技团队认为其存在一个根本限制：它擅长回答“下一步应该做什么”，却未必真正理解“为什么要这样做”。
- 传统路线的局限：VLA 路线“不懂因果”，而传统的 World Model（世界模型）则面临“可生成、不可执行”的尴尬。
- 真实世界的挑战：接触力、摩擦、滑动、遮挡、物体形变以及目标临时变化，都会让同一个动作产生截然不同的后果。画面上“看起来合理”与身体上“真的做得到”之间，依然存在巨大鸿沟。
为此，乐享科技提出了由能量驱动的状态转移（energy-driven state transition）思路。系统内含一张贯穿始终的“地形图”（Landscape），用来衡量哪些状态值得靠近、哪些应该舍弃，以及接下来应该把注意力放在哪里。这让感知本身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”的意图去进行主动感知。
二、 真正的自进化：不仅是临场适应，更是一套闭环机制
乐享科技所说的“自进化”，核心在于其建立了一套严密的闭环机制：
- 预测与纠偏：机器人行动前形成预测，执行后观察结果，比较现实与预测的偏差。如果原计划失效，系统将实时更新内部状态并重新规划。
- 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。以太大模型通过分层记忆和评估机制，判断一次经验是否可靠、新颖且可泛化，决定其是留在短期记忆中，还是作为规律影响模型权重。
- 一脑多形与硬件解耦：目前，该大模型已在双臂、双足和轮式等约五种不同形态的机器人本体上积累经验。接入全新本体后，模型能够通过自主探索认知硬件差异，生成适配的动作与轨迹，实现真正的软硬件解耦。
三、 具身智能的 Next Level
如果机器人真的能够把现实世界里的经历变成可积累、可验证、可迁移的能力，它改变的就不只是某一个 Demo 或某条技术路线。
衡量机器人的方式，或许将不再只有“它现在会做什么”，还要加上一句：“它做完之后学会了什么？”
当具身智能不再只是执行命令的复杂自动化，而是开始具备在物理世界中持续获得经验的生长性，那将是整个人工智能与机器人行业真正意义上的 Next Level。