智東西
作者 江宇
編輯 漠影

當(dāng)前具身智能的發(fā)展，正卡在一個越來越明確的瓶頸上：數(shù)據(jù)規(guī)模與真實世界經(jīng)驗的不足。

過去幾年，VLA等大模型讓機(jī)器人在“預(yù)訓(xùn)練階段”取得了顯著進(jìn)展，但一旦進(jìn)入真實部署環(huán)境，問題隨之暴露——面對復(fù)雜、多變的物理世界，模型能力很難持續(xù)提升，依然高度依賴人工標(biāo)注數(shù)據(jù)和重復(fù)訓(xùn)練。

這也意味著，具身智能尚未真正進(jìn)入“規(guī)?；鲩L”的階段。

僅依賴實驗室數(shù)據(jù)或仿真環(huán)境，很難支撐機(jī)器人能力的持續(xù)演進(jìn)；真正能夠帶來躍遷的，仍然是來自真實世界、持續(xù)積累的高質(zhì)量交互數(shù)據(jù)。但問題在于：這些數(shù)據(jù)從哪里來？

現(xiàn)階段，大量訓(xùn)練數(shù)據(jù)仍依賴人工示教或遙操作采集，規(guī)模有限、成本高昂，且難以覆蓋開放環(huán)境中的復(fù)雜長尾場景。

要讓數(shù)據(jù)規(guī)模真正“滾動起來”，唯一可行的路徑，是讓機(jī)器人走出實驗室，在真實場景中長期運行，并將交互經(jīng)驗持續(xù)回流。

也正是在這一背景下，上海創(chuàng)智學(xué)院和智元具身研究中心聯(lián)合發(fā)布了最新成果羅劍嵐團(tuán)隊提出LWD（Learning While Deploying）大規(guī)模強(qiáng)化學(xué)習(xí)訓(xùn)練系統(tǒng)。該工作由創(chuàng)智學(xué)院導(dǎo)師，智元首席科學(xué)家羅劍嵐團(tuán)隊完成。嘗試將“部署”本身轉(zhuǎn)化為學(xué)習(xí)過程的一部分。

這項工作并不聚焦單一算法突破，更給出了一種更具工程可行性的方案——通過在真實世界中持續(xù)運行機(jī)器人，并將其行為數(shù)據(jù)統(tǒng)一回流與更新，讓每一臺機(jī)器人既是任務(wù)執(zhí)行者，也是持續(xù)產(chǎn)生學(xué)習(xí)信號的數(shù)據(jù)源，從而推動通用策略在部署過程中不斷進(jìn)化。

一、讓數(shù)據(jù)飛輪在物理世界自主狂奔

傳統(tǒng)模仿學(xué)習(xí)范式下，非完美的運行軌跡往往被視為“廢數(shù)據(jù)”直接丟棄，機(jī)器人只能從成功的人類演示中刻板地模仿。

LWD的核心顛覆在于，它構(gòu)建了一個由真實世界強(qiáng)化學(xué)習(xí)驅(qū)動的閉環(huán)數(shù)據(jù)飛輪。

在這個飛輪中，機(jī)器人集群在真實任務(wù)中自主執(zhí)行并積累異構(gòu)的交互經(jīng)驗，無論是完美的成功軌跡、試錯后的自我恢復(fù)、還是人類為了覆蓋邊界情況而引導(dǎo)的失敗案例，都會被統(tǒng)一輸送至云端的共享重放緩沖區(qū)。

強(qiáng)化學(xué)習(xí)機(jī)制使得這些在傳統(tǒng)視角下的“失敗”或“意外”數(shù)據(jù)，全部轉(zhuǎn)化為了指導(dǎo)模型規(guī)避錯誤、優(yōu)化價值評估的寶貴經(jīng)驗。

隨著集群部署規(guī)模的擴(kuò)大和運行時間的累積，數(shù)據(jù)飛輪的轉(zhuǎn)速不斷提升，云端持續(xù)更新的強(qiáng)策略又會定期下發(fā)給機(jī)器人，形成真正的自主造血閉環(huán)。

二、強(qiáng)化學(xué)習(xí)算法深層進(jìn)化：在嘈雜數(shù)據(jù)中，精準(zhǔn)捕捉“進(jìn)步”信號

將強(qiáng)化學(xué)習(xí)應(yīng)用于真實世界部署的大規(guī)模機(jī)器人集群，面臨著極端的算法挑戰(zhàn)。

不同機(jī)器人在不同任務(wù)中產(chǎn)生的數(shù)據(jù)極其龐雜，包含著完全不同的指令、長短不一的操作過程，以及非常稀疏的獎勵反饋。

為了在這些充滿噪聲的“異質(zhì)數(shù)據(jù)”中穩(wěn)定提取有用的學(xué)習(xí)信號，LWD創(chuàng)新性地引入了分布隱式價值學(xué)習(xí)（DIVL）算法。

簡單來說，以往的算法像是在給機(jī)器人的表現(xiàn)打一個固定的“平均分”，但在復(fù)雜環(huán)境中這種打分極不準(zhǔn)確；而DIVL則讓機(jī)器人學(xué)會去理解表現(xiàn)的“概率分布”，它不再只看一個點，而是觀察整個可能性的區(qū)間。

這讓機(jī)器人在很少得到明確獎勵的情況下，也能精準(zhǔn)判斷哪些動作風(fēng)險更高、哪些動作更值得嘗試，從而有效解決了評價不準(zhǔn)、容易過度樂觀的老大難問題。

與此同時，針對VLA模型通過多步去噪產(chǎn)生動作的特點，傳統(tǒng)的更新方式計算量大且容易跑偏。

LWD結(jié)合了Q-learning with Adjoint Matching（QAM），為模型找到了一條數(shù)學(xué)上的“進(jìn)化捷徑”，讓復(fù)雜的策略更新不再需要推倒重來，而是通過局部調(diào)整就能實現(xiàn)快速迭代，保證了機(jī)器人在大規(guī)模部署時的學(xué)習(xí)效率。

三、煉就“通才策略”：挑戰(zhàn)5分鐘長程復(fù)雜操作的極限成功率

為了驗證這套訓(xùn)練框架的實戰(zhàn)表現(xiàn)，研究團(tuán)隊在智元G1雙臂機(jī)器人集群上進(jìn)行了大規(guī)模的真實世界部署測試。

測試涵蓋了八項極具挑戰(zhàn)性的多模態(tài)操作任務(wù)，包括四類考驗語義識別與泛化的商超貨架動態(tài)補(bǔ)貨任務(wù)，以及泡功夫茶、榨果汁、調(diào)酒、裝鞋入盒等四類長程連貫操作任務(wù)。

▲評測任務(wù)示意圖。（A）調(diào)制雞尾酒；（B）沖泡功夫茶；（C）制作果汁；（D）裝鞋入盒；（E）商超補(bǔ)貨。

在這些持續(xù)時間長達(dá)5到8分鐘、包含數(shù)十個接觸豐富且存在長程依賴的物理交互任務(wù)中，LWD展現(xiàn)出了壓倒性的優(yōu)勢。

▲各任務(wù)逐步成功率的實驗結(jié)果

實驗數(shù)據(jù)顯示，經(jīng)過在線真實經(jīng)驗積累后，LWD訓(xùn)練出的單一通用策略在所有任務(wù)上的平均成功率達(dá)到了驚人的0.95，遠(yuǎn)超純行為克?。?.76）以及先進(jìn)的離線強(qiáng)化學(xué)習(xí)基線如RECAP（0.86）和 Dagger-SOP（0.82）。

▲八項真實世界操作任務(wù)的主要結(jié)果，涵蓋四類商超補(bǔ)貨任務(wù)和四類長程任務(wù)。結(jié)果顯示，LWD（在線）取得了最高的整體平均成績，并在四項長程任務(wù)中全部獲得最高分，同時在商超補(bǔ)貨任務(wù)中也保持在最優(yōu)或接近最優(yōu)水平。

▲調(diào)制雞尾酒

尤其在最考驗中間錯誤恢復(fù)與長期信用分配的長程任務(wù)中，LWD在線更新后的成功率實現(xiàn)了極大幅度的躍升，證明了基于物理世界經(jīng)驗的持續(xù)學(xué)習(xí)是突破復(fù)雜操作天花板的有效路徑。

▲圖中展示了功夫茶任務(wù)中一次成功執(zhí)行（左）和一次失敗執(zhí)行（右）的價值曲線。結(jié)果表明，所學(xué)習(xí)到的價值能夠?qū)θ蝿?wù)完成進(jìn)度提供有意義的表征。

結(jié)語：把“部署”變成能力增長起點，讓機(jī)器人在真實世界持續(xù)進(jìn)化

在具身智能的產(chǎn)業(yè)化進(jìn)程中，LWD推動的不僅是算法框架的升級，更是機(jī)器人能力迭代方式的一次重要轉(zhuǎn)向。

長久以來，業(yè)界習(xí)慣將“部署”視為模型訓(xùn)練的終點，而LWD的提出證明了，自主改進(jìn)應(yīng)當(dāng)成為通用機(jī)器人策略的基本屬性。

學(xué)習(xí)不應(yīng)是“出廠即封存的靜態(tài)能力”，而必須成為部署之后在真實世界里一直延續(xù)的進(jìn)化過程。

只有賦予機(jī)器人從海量無序的真實物理交互中自主提取“養(yǎng)分”、持續(xù)自我進(jìn)化的能力，其才能真正打破被人工標(biāo)注數(shù)據(jù)框定的舒適區(qū)，在千行百業(yè)的復(fù)雜、開放場景中長久地釋放商業(yè)價值。