分类：AI动态 标签：具身智能、大模型、机器人、开源项目
在当前的具身智能浪潮中，大模型让机器人学会了看懂环境并听懂指令。然而，大多数机器人依然停留在“执行预定动作”的阶段，面对复杂的现实世界，它们往往缺乏因果理解与持续学习的能力。
最近，乐享科技推出了一项颇具挑战性的技术主张：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。这一概念引发了行业的广泛讨论：机器人的“自进化”究竟是噱头，还是具身智能通往下一阶段的必经之路？
一、 从模仿动作走向理解世界
过去几年，具身智能的主流路线是将视觉、语言和动作串联起来（VLA），让机器人接收任务后直接输出动作。这种路线虽然能借助大规模数据学习人类示范，但存在一个根本限制：它擅长回答“下一步做什么”，却未必理解“为什么要这样做”。
真实世界充满了接触力、摩擦、滑动、遮挡和物体形变。画面上“看起来合理”的动作，与身体上“真的做得到”之间，往往存在巨大鸿沟。
乐享科技的“以太”大模型并没有将重点放在单纯的动作预测上，而是将其视为一个由世界状态、内部状态和能量状态耦合而成的动力系统：
- 能量驱动的状态转移：系统内部贯穿了一张评价地形（landscape），用来衡量哪些状态值得靠近、哪些应该舍弃，以及接下来应该把计算和注意力放在哪里。
- 主动感知意图：感知不再是被动接收画面，而是带着问题寻找答案。为了继续行动，机器人会主动改变观察位置来消除不确定性。
这种从模仿动作到理解行动后果的转变，为“自进化”奠定了基础。
二、 自进化是一套严密的闭环机制
“自进化”不能只是一句口号，它必须回答三个核心问题：机器人能否发现偏差？能否判断哪些经验值得留下？能否将经验迁移到新场景？
乐享科技给出的解法是一套完整的闭环机制：
- 预测误差修正：机器人在行动前形成预测，执行后观察结果。如果现实与预测不符，系统会更新内部状态并重新规划，这个过程伴随着每一次行动持续发生。
- 错题本与分层记忆：在线学习最大的风险是把偶然扰动当成规律。以太模型通过分层记忆来规避风险：短期经验用完即清，而经过反复验证、具备泛化能力的规律则会被筛选并沉淀，甚至影响模型权重。
- 跨本体迁移与一脑多形：目前该模型已经在双臂、双足和轮式等约五家不同形态的机器人上积累经验。通过自主探索认知不同本体的关节限位与性能差异，模型实现了软硬件的解耦与适配。
三、 具身智能的 Next Level
如果机器人能够通过每一次实际行动校准对世界的理解，并在反馈中沉淀出可迁移的规律，那么它将不再只是被动执行指令的自动化机器，而是具备了某种“生长性”。
当然，“自进化”的概念仍需接受更多严苛测试的检验：泛化能力能跨越多大差异？学习可以持续多久？长期运行后旧能力是否会退化？
但毫无疑问，乐享科技的探索把行业的问题向前推了一大步。衡量机器人的标准，或许将不再只是“它现在会做什么”，还要加上一句：“它做完之后学会了什么？”当机器人真正能够在世界中持续获得经验，具身智能的真正变革或许才刚刚开始。