分类：科技 标签：具身智能、人工智能、大模型、机器人
在具身智能领域，“自进化”一直是一个充满争议的词汇。当乐享科技近期推出其具身智能模型“以太”（Aether）大模型，并宣称其能够在部署和执行过程中持续更新、实现全球首个自进化时，行业内外迎来了广泛关注。
进化究竟是模型参数的临时调整，还是可迁移的新能力？在机器人行业仍需攻克基础稳定执行阶段的当下，这个判断需要被审慎对待。然而，随着乐享科技在户外直播中展示搭载该模型的机器人处理复杂烧烤任务，并应对临时打断和需求变化，这种探索为我们打开了一扇观察具身智能未来的新窗口。
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），让机器人接收任务后直接输出动作。这种方式虽然让机器人学会了模仿人类示范，但在乐享科技看来，它存在一个根本限制：擅长回答下一步做什么，却未必理解为什么要这样做，以及它对真实世界会带来什么后果。
真实世界充满了接触力、摩擦、滑动、遮挡和物体形变。同一个动作在不同物理状态下会产生截然不同的后果。为此，以太大模型被设计为一个由世界状态、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：系统通过一个贯穿全局的评价地形（landscape），权衡哪些状态应该靠近、哪些应该舍弃，以及接下来该把注意力放在哪里。
- 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，当前视角是否需要改变？是否应该先移动身体再决定下一步？
这种思路让机器人开始理解动作与物理世界之间的因果关系，也为其“自进化”奠定了前提。
自进化背后的闭环机制
乐享科技所指的“自进化”，并不是一个简单的端到端黑盒，而是一套严谨的工程闭环机制：
- 预测误差持续修正：机器人在行动前形成预测，执行后观察结果。如果现实与预期存在偏差，系统便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在于把偶然扰动当作规律。以太大模型通过筛选机制，评估经验是否可靠、新颖、可泛化，并将其存入不同生命周期的分层记忆中。
- 参数层面的影响：经过反复验证的抽象规律会进一步影响模型权重并被长期保留，从而实现真正的策略与参数更新。
在多本体迁移方面，以太大模型已在双臂、双足和轮式等约五种不同机器人形态上积累经验。接入新本体后，它能通过自主探索认知硬件性能差异，生成适配的动作与轨迹，真正实现了“一脑多形”与软硬件解耦。
结语
如果具身智能只是从指令走向动作，它终究只是一种更复杂的自动化。但如果机器人能够在行动中发现偏差、在反馈中筛选经验，并把这些规律带到新的任务和身体中，它便开始具备了某种“生长性”。
衡量机器人的方式或许正在发生改变：除了它现在会做什么，更重要的在于它做完之后学会了什么。如果这一技术路线能够持续跑通，具身智能或将迎来真正的 next level。