分类：AI动态 标签：具身智能、大模型、机器人、开源项目
在当今的 AI 浪潮中，数字世界的模型正在向持续学习和自进化迈进。而在物理世界中，机器人是否也能拥有类似的能力？最近，乐享科技推出了一项颇具挑战性的技术路线，其具身智能模型「以太（Aether）」宣称能够在部署和执行过程中持续更新，成为全球首个具备自进化能力的具身智能模型。
这一概念在行业内引发了不小的争议。在机器人仍需攻克基础稳定执行的阶段，「自进化」究竟是噱头，还是具身智能通往下一阶段的关键钥匙？
一、 从模仿动作走向理解因果世界
过去几年，具身智能的主流思路是将视觉、语言和动作串联起来：机器人观察环境、接收任务，随后输出动作。这种路线让人形机器人能够通过大规模数据学习人类示范，将复杂指令落地为具体行动。
然而，乐享科技团队指出，这种“输入-动作”的映射存在根本限制：它擅长回答「下一步做什么」，却未必理解「为什么要这样做」，更不懂这些动作会对真实世界产生什么后果。
- VLA（视-语-动）的局限：不懂因果关系，只停留在已有数据的动作规律模仿。
- 传统世界模型的问题：往往陷入“可生成、不可执行”的怪圈，预测出的未来无法被机器人的关节、力矩及控制系统真正实现。
真实世界充满了接触力、摩擦、滑动、遮挡和形变。面对不断变化的物理环境，以太模型引入了由世界状态、内部状态和能量状态耦合而成的动力系统——由能量驱动的状态转移（energy-driven state transition）。这不仅让机器人拥有了主动感知的意图，也为其「自进化」奠定了现实基础。
二、 真正的自进化：不仅是临场适应，而是一套闭环机制
乐享科技所定义的“自进化”，绝不仅是一次性的状态调整或任务补救，而是一套贯穿执行全过程的闭环机制。
- 预测与纠偏：机器人在行动前形成预测，执行后观察结果，并将真实结果与预期进行偏差比较。如果世界发生变化，系统将自主更新内部状态并重新规划。
- 错题本机制（经验筛选）：在线学习的最大风险在于将偶然扰动当成规律。以太模型通过分层记忆和筛选机制，判断经验是否可靠、新颖且可泛化，决定哪些经验应该被保留或清除。
- 参数层面的长期沉淀：经过严格验证的经验能够进一步影响模型权重，从而实现真正的策略和模型层面的演进。
在多本体迁移方面，以太模型通过接入双臂、双足和轮式等不同形态的机器人进行自主探索，认知本体的性能差异和关节限位，最终生成适配不同形态的动作轨迹，实现了软硬件解耦。
三、 开启具身智能的 Next Level
如果机器人只是被训练好的执行机器，它就能把规定动作做得精准，但任务之外的经验很难沉淀，更换场景和身体也往往需要重新开始。
乐享科技的探索表明，当机器人能够将现实世界里的经历变成可积累、可验证、可迁移的能力时，它就不再只是一个被动部署的硬件工具，而开始具备某种「生长性」。
当然，关于自进化，行业仍有诸多疑问需要解答：泛化能力能跨越多大差异？模型变化如何被精确量化？长期运行后如何确保旧能力不退化？
但毫无疑问，衡量机器人的标准正在悄然发生改变。未来的核心问题将不再仅仅是「它现在会做什么」，而是——「它做完之后，学会了什么？」