对话清华AIR曹婷：具身智能如何打通自进化与因果学习

2025年下半年，具身智能行业迎来明显转向。曾经热火朝天的机器人数采工厂逐步降温，Skild S1、Generalist GEN-1.5、RoboTTT 等工作密集亮相，将上下文学习（ICL）推向聚光灯下。清华大学智能产业研究院（AIR）教授曹婷团队也推出了能够实现上下文学习的世界模型。

曹婷早年师从系统领域学者，研究非对称多核处理器与托管语言的功耗平衡，相关论文曾被图灵奖得主大卫·帕特森收录进经典教材。此后，她在华为负责方舟编译器内存管理，在微软亚洲研究院（MSRA）异构计算组主攻端侧 AI 推理达七年。2025年加入清华 AIR 后，曹婷与副院长刘云新共同发起“域变换”（Z-Trans），全力押注具身自进化路线。

离线数采降温，具身智能需要上下文学习

此前行业普遍相信“靠海量离线数据大力出奇迹”，但实践表明，离线数据无法覆盖物理世界的全部变量，机器人在测试环境表现出色，进入复杂现实场景却频繁失误。

随着离线道路遇阻，业界开始探索如何让机器人部署后依靠即时示范与反馈在线学习。目前具身上下文学习主要分化为三条技术路径：

一是期望模型在海量人类视频中自然涌现泛化能力；二是采用显式训练，直接输入视频预测下一步动作；三是曹婷团队主推的上下文因果学习（ICCL）。

曹婷认为，直接把未加工的视频输入模型极为困难，因为背景中充满反光、移动行人及无关物体。团队在系统中引入“动作-效果提取模块”，剥离视觉噪声，仅将核心动作及其产生的物理反馈注入上下文，大幅提升了模型在复杂杂乱背景下的泛化性能。

针对应用场景的差异，曹婷指出：家庭场景对未知任务泛化要求极高，更契合上下文学习；而在追求 99% 以上稳定精度与低延迟的柔性工业产线上，结合少量样本进行后训练依然是最可靠且经济的选择。

提取因果关系：让无标注数据释放价值

域变换团队相继推出了 Zeva 与 Zeva-Ego 两项核心成果。其技术架构并不绑定特定基模，无论是世界模型还是视觉-语言-动作（VLA）模型均可适配。

该方案的核心在于因果提取器：

1. 分离无关变量：第一阶段训练专用网络识别并解耦环境背景变化；
2. 提取动作因果：第二阶段借助环境表征，专职提取动作与物理位移、形变等反馈信号；
3. 利用海量无标注数据：团队利用该技术处理了 1 万小时无标注第一人称视角（Ego）视频，将其转化为精准的动作监督信号用于中训练。

这里的“因果”并非玄奥的哲学概念，而是动作输入与环境反馈之间的直接映射。实验显示，在复杂环境中抓取物体，传统方案往往需要反复尝试多次，而因果提取模型通常一到两次即可成功。

物理自进化：从工作记忆走向长期闭环

谈及递归自进化，曹婷将机器人的记忆划分为不同层级：最底层是执行当前任务时的工作记忆（Working Memory）；进阶层是跨任务沉淀的长期记忆；最高层则是**物理自进化（Physical Self-improvement, PSI）**闭环。

在线学习中，机器人自主积累成功与失败的实机交互数据；这些数据回流重新训练基模，推动核心能力迭代；更强的基模进而以更低成本完成更难的新任务，驱动飞轮持续运转。

面对通用多模态大模型的竞争，曹婷认为由于实时物理控制对时延要求极高，百亿参数甚至更大的云端模型很难直接兼顾微秒级机械控制。合理的架构是“端侧大脑+专用中小脑”协同：通过几十 B 参数的端侧视觉语言模型（如 Zetta）担任大脑，负责拆解任务、逻辑规划与异常恢复；下层则由 Zeva 等轻量级物理模型负责实时操作控制。

产学研结合推进落地验证

依托清华 AIR 的产学研机制，域变换团队正加速在真实产业环境中验证闭环技术。工业端，团队聚焦螺丝装配及化工厂高危作业等场景；家庭端，团队在雄安搭建了全屋测试空间，检验机器人处理复杂泛化任务的能力。

从 6 月发布自主进化物理智能体 Z0，到 8 月推出执行框架 Zetta，再到 9 月推出支持上下文学习的 Zeva 与 Zeva-Ego，这支约 20 人的团队在几个月内密集补齐了具身自进化的技术拼图。在算力受限与环境动态变化等现实约束下，让物理世界的数据真正反哺模型成长，正成为具身智能迈向规模化落地的重要路径。