智元发布具身智能框架 Genie Master，机器人进店实现自主进化

因为货架上的小挂钩被价格标签挡住了一部分，初次进便利店打工的机器人挂货扑了个空。

在以往，这类场景必须依赖算法工程师调取日志、修改程序、补充数据并重新微调。但这台机器人做出了不同的反应：它回溯执行记录，判断头部相机受遮挡且分辨率不足，随后主动调整策略——先用左手手腕相机靠近获取特写视角，确认挂钩位置后，再由右手精准挂货。

更关键的是，机器人把这次解决长尾问题的经验沉淀为了可复用的行为规则。这套支持机器人在业务现场自主发现问题、调整策略、沉淀经验的机制，来自智元最新发布的具身 AI 智能体框架 Genie Master。

这也是业内首次跳出仿真环境与实验室受控场景，在真实业务流中跑通并验证具身递归自进化（Physical RSI）。在精灵 G2 机器人的实测中，整套系统已实现无人在环的持续自我迭代。

什么是 Genie Master？

Genie Master 本质上是一套连接高层推理 AI 智能体与底层运动控制的具身软件框架。

它不仅负责将高层规划分解为底层物理动作，还能感知物理世界的真实反馈。一旦机器人在实际作业中出现失败、动作不稳定或超时，问题会自动进入闭环诊断与改进流程。

长期以来，具身机器人商业落地的最大瓶颈在于长尾工况。真实商业场景千差万别，若每一次动作失误都依赖人工排查与重训，边际边际成本将随部署规模直线上升。Genie Master 将问题诊断、自主演练和效果评估交由 AI 智能体托管，从而大幅压缩从提出新需求到掌握新技能的周期。

目前，智元已将取货、补货、清洁、异常恢复及多机协作统一接入该框架。

EEP 协议：打通大脑与小脑

让机器人在工作中自主进化，核心前提是解决高层“大脑”（语义规划与推理）与底层“小脑”（基座动作策略）的高效协同。为此，Genie Master 引入了具身执行协议 EEP（Embodied Execution Protocol）。

EEP 为智能体与物理本体交互定义了四类标准化接口：

1. 能力接口：暴露机器人当前可调用的动作原语；
2. 引导接口：向动作端传递空间提示、操作对象与细粒度语义要求；
3. 反馈接口：毫秒级回传物理交互结果与实时感知状态；
4. 连续性接口：跨机追踪任务进度与分工，支持异常中断后的接续执行。

结合时序对齐机制，高层智能体能依据即时反馈调整引导指令，而底层动作策略（Action Policy）则专注于精准执行动作并返回观测值，为后续自演练提供了底层通道。

在此基础上，当机器人在便利店作业中检测到执行瓶颈，AI 智能体会自动利用夜间或客流低峰等空闲时段组织机器人在现场“自主加练”，由环境本身提供源源不断的真实训练数据。

双轨进化：Harness RSI 与 Policy RSI

为了将加练成果沉淀为长期能力，Genie Master 采用了双轨进化架构：

1. Harness RSI（经验层自进化）
在保持模型权重不变的前提下，通过优化提示词（Prompt）、记忆模块与执行规则来提升表现。系统在日常推理中自动记录成功与失败样本，通过每日异步反思，将执行日志转化为判定标准与恢复策略，类似建立动态更新的“错题本”。开篇的便利店挂货案例，正是该机制在发挥作用。

2. Policy RSI（模型层自进化）
针对高频、低延迟和强稳定性的动作需求，经验必须转化为神经网络的“肌肉记忆”。Policy RSI 会自动收集真机执行、接管示范与异常恢复的数据，经过清洗、加权与重标注后，通过模仿学习或强化学习直接更新底层动作策略模型的权重。

以打包外卖时处理包装袋缠绕为例，机器人执行回撤与重试的数据被反哺给策略网络训练，从而在后续遇到同类问题时形成直觉反应。

两条路线相互协同：Harness RSI 负责在顶层总结经验、规划演练方式，Policy RSI 则将有效数据固化至模型参数。二者咬合构成了持续运转的自进化飞轮。

摆脱“出厂即定型”

长期以来，服务机器人的核心缺陷在于出厂能力即上限，遇到新场景只能等待人工固件更新。Genie Master 展示的范式转变，在于让机器人在真实部署态中持续吸收环境反馈，实现能力的自主生长。

从商业逻辑来看，当具身系统具备了“越用越强”的能力积累机制，多场景复制时的边际适配成本便会加速下降，这是具身机器人走向规模化量产与应用落地的必要路径。

智元已计划于 11 月 2 日开启为期 24 小时的便利店实景直播，派出 6 台精灵 G2 机器人在无预设剧本的营业环境中连续作业，检验该自进化框架在真实商业场景中的综合表现。