科技微博·极客公园··AI 生成
机器人如何自进化，乐享科技走了一条新路
本文深入分析了乐享科技提出的「自进化」具身智能模型Aether，认为其核心并非让机器人更完美地执行预设动作，而是建立一套「预测-执行-反馈-更新」的闭环机制，使机器人能在部署过程中持续从物理世界的失败中学习。作者指出，真正的自进化需回答三个问题：发现偏差、筛选经验、跨场景迁移。文章阐述了团队基于「能量驱动的状态转移」和「感知意图」的技术思路，并将其与传统VLA和world model路线区分开，强调从模仿动作走向理解因果。对于关注具身智能前沿技术路线、工程可行性与真实世界落地的读者，这是一篇有价值的技术深度解析。原文 ↗原文 ↗
核心观点
- ▍乐享科技Aether模型的核心不是让机器人完成预设动作，而是建立一套「预测-执行-反馈-更新」的闭环机制，使其能在部署过程中持续从物理世界的失败中学习和积累经验，从而实现「自进化」。
- ▍真正的「自进化」需满足三个条件：机器人能发现现实与预测间的偏差；能判断哪些经验值得保留、哪些应遗忘；能将经验迁移到新任务、场景和本体上。
- 01传统VLA路线「不懂因果」，只输出动作而不理解后果；传统world model可生成预测世界状态，但其预测不一定能被机器人物理执行。
- 02Aether采用「energy-driven state transition」，即以一个评价地形来共同衡量哪些状态值得靠近、哪些应舍弃、当前缺少什么信息，使感知本身成为「带着问题寻找答案」的主动过程。
- 03在一次户外烧烤直播demo中，机器人面对随机点单和临时打断、需求增加等变化，并未完美执行，但展示了失败后寻找信息、调整动作并继续推进的能力。
- 04系统采用分层记忆：临时状态在任务结束后清除；经过多次验证的稳定规律可更新模型权重并被长期保留，这是区分「临场适应」与「自进化」的关键。
- 05模型已在约五家不同机器人本体上积累经验，涵盖双臂、双足和轮式形态，通过自主探索认知新本体的性能差异，实现「一脑多形」和软硬件解耦。
反方 / 局限
- — 本文承认，关于「自进化」仍有许多问题未解答：泛化跨度的边界在哪？学习可持续多久？模型变化如何被量化？新能力能否在不同机器人上稳定复现？长期运行后旧能力是否退化？目前展示的能力只是把这个议题向前推了一步。
11 分钟 · 4 卡片 · 12 资料
读原文 →前置背景
平行视角
未来推演
延伸追问