2026-09-23 · 来源：{'name': '虎嗅·中继', 'url': 'https://www.huxiu.com/article/4893465.html'}
具身自我改进各环节现早期样本，稳定RSI闭环尚未形成，模型实力并非唯一决胜项
在2026世界机器人大会上，王兴兴披露了宇树正在探索的物理AI机器人自进化路线：由大模型介入研究检索与控制代码生成，再经仿真、真机测试与评价反馈形成持续迭代闭环。这意味着AI的角色正从研发对象和辅助工具，进一步延伸至下一代机器的研发过程本身。
这一变化的核心指向RSI（Recursive Self-Improvement，递归自我改进）：系统不仅继承上一轮改进的结果，还优化产生改进的方法本身。报道以“文化棘轮效应”作比——成果得以保留并在此基础上持续累积；若该机制能稳定提效，“下一代更强”就可能变成“更强的下一代出现得更快”。
不过，距离稳定的RSI仍有明显的工程链路。《The Last AI Built by Humans》提出L1—L5的RSI分级框架；按此尺度观察，当前具身智能的公开前沿主要集中在L2—L3，L4更多见于模拟环境。数字环境中的AI虽已具备接手研发任务、借历史经验调整搜索与实验策略等早期能力，但“改进能力本身持续提升”的公开证据仍不充分。
具身智能还多出一层真实部署约束：每一次真机试错都消耗设备、时间与人力，却会暴露真实状态、异常、接管与恢复等信息。2026年，关键环节已分别出现早期样本——真实失败经验回流、有效能力继承、World Model筛选真机实验、AI直接进入机器人研发流程均获工程验证，但尚未稳定闭合为跨任务、跨场景的完整改进系统。
由此得出的产业判断是：基础模型决定这一代能做到什么，持续改进系统决定下一代能力形成的速度。衡量一家机器人公司的持续改进能力，可以落到一个具体问题——今天在真实世界暴露的问题，需要多久才能转化为下一版经过验证的新能力。最先跑通具身智能RSI闭环的，未必是基础模型最强的公司。
萬安算交所 AIXX · 算力硬件实名会员制交易平台 · 进入货源大厅