突然反应过来，RSI 对于家用机器人来说，应该是基本功，而不是锦上添花。

这和 LLM 的发展路径还不太一样。LLM 是在模型能力发展到一定阶段之后，大家才开始集中探索，能不能让模型参与自己的改进。

但对于机器人来说，我觉得 RSI 的紧迫性可能更高。

因为现在机器人面临的问题是，模型进步的速度还不够快，而获取高质量的机器人交互数据，成本又非常高。

这周，我花了很多时间啃一家叫未来不远的机器人公司刚发布的技术论文。这家公司的名字还挺有诗意的，最近半年连续获得三轮数十亿元融资，由字节跳动领投。

简单来说，他们在尝试探索机器人领域的 RSI，让模型能够参与到自身能力的持续改进过程中。大概的思路是把模型更新和训练策略优化连接起来，形成一个完整的 Loop。

之前，其他机器人公司也在探索类似的方向，但整个过程中，研究人员的参与程度还是比较高，一定程度上也限制了模型的迭代速度。

比如，机器人在真实世界里执行了 1 万次任务，积累了大量交互数据。有些操作成功了，有些失败了，还有些实际执行的结果和之前的预测不一样。

这些数据当然可以拿来继续训练模型，让机器人从经验中学习。这其实就是持续后训练，也不是什么新鲜事了。

但问题是，这么多数据，到底应该优先学习哪些？不同类型的数据应该怎么搭配？采用什么样的训练方式，才能让模型进步得更快？

过去，这些事情往往需要研究人员来决定。他们需要分析模型的表现，调整训练数据的比例和参数，再通过实验判断哪种方案效果更好。

而未来不远尝试让系统自己参与这个过程。

他们的系统会尝试不同的数据选择和训练配置，再根据每一轮训练之后的实际效果，调整下一轮应该优先学习哪些经验，以及怎么安排训练。

这样的话，就形成了一个自进化的 Loop：机器人执行任务，积累新的交互数据。

系统筛选这些经验，重新训练模型，再根据训练效果调整下一轮的训练策略。更新后的模型继续执行任务，产生新的数据，整个过程不断重复。

简直太有想象力了。

作为一个技术宅男，我特别喜欢研究具身智能领域这些最新的技术探索。

有时候我就觉得，整个行业好像都在茫茫大海上探索方向，谁也不知道哪条路最终能走得通。

但大家面对的很多问题又是共通的，不同团队会从不同角度尝试解决。

#ai #未来不远机器人 #具身智能 #AIE #世界模型 #RSI