作者｜毛心如
9 月初，OpenAI 发布 GPT-6 Astra。
第二天，独立评测机构 Robocurve 把它接上一台双臂机器人，任务很简单：抓起积木，放进碗里。
20 次尝试里成功了 19 次，token 消耗只有对比模型 Fable 5.1 的约六分之一。
紧接着，具身智能圈的讨论瞬间被引爆。通用大模型将接管机器人、具身智能会沦为基座模型的一个子领域，类似的论调一时四起。
而冷水来得也快。RoboDojo 团队随后在官方真机评测中给出结论：Astra 反复发出物理上不合理或不安全的动作，部分事故甚至造成硬件损坏，原定 18 项任务的评测被迫提前终止。
三周后，RoboDojo 榜单先后易主。登顶的分别是一家成立仅三个月的公司 Simate，以及「MMLab HKU & 超维动力KAI」。
两次登顶，靠的都是 Physical RSI。
RSI（Recursive Self-Improvement，递归自我改进），这个词的热度正在迅速从大模型领域蔓延到机器人行业。
Anthropic 在 6 月的报告里披露，自家代码库超过 80%的合入代码由 Claude 编写，并把 RSI 称为自进化的终极形态。
8 月，王兴兴在世界机器人大会上公开了物理 AI 自进化体系；9 月，前小米 XLA 大模型负责人陈龙赴硅谷创业，方向同样是自进化的具身大脑。
一时间大模型公司、机器人公司、顶级人才，仿佛都在谈 RSI。
但这究竟是一场概念包装的热词营销，还是具身智能范式转移的前哨战？
具身 RSI 祛魅：它是目标，不是技术
RSI 并不是一个新概念。
它的雏形可以追溯到 AlphaZero 的自我博弈，不靠人类棋谱，AI 左右互搏就能超过人类顶尖棋手。
2025 年 DeepMind 把逻辑讲透了：人类数据快被用完了，接下来 AI 要从自己的经验里学。
此后 Karpathy（OpenAI 创始成员之一）的 AutoResearch 演示了 AI 做研究反哺 AI 的最小闭环，DeepMind 的 Dream-RSI 论文、智谱的最小闭环验证陆续跟上。
这些工作跨越了游戏、大模型、基础设施优化，但共享同一个方向：让系统从自身经验中学习，而不是依赖人类投喂。
但越是热门的概念，越容易被滥用。
从本质上看，RSI 是一种目标，不是一种技术。强化学习、自监督微调、持续学习，是具体的技术路径，奖励是什么、标准答案是什么、梯度怎么更新，这些都可以被精确定义。
而 RSI 说的是让系统能够利用自己的经验持续变强这件事本身，至于用什么架构去实现，是开放的。
一个业内通行的检验方法是，把 Recursive、Self、Improvement 三个词逐一对照。
Improvement 最容易做到，有数据回流、有训练、有性能提升，就能实现改进。
其次是 Self，数据采集、任务筛选、参数调整等环节如果仍然高度依赖人，系统只是有人参与的自动优化。
最难的是 Recursive，因为不仅能力要变强，负责让自己变强的机制也要能被改进。
大模型领域之所以被认为已经触及了 RSI，是因为 AI 研发正在反过来加速 AI 研发。Claude 参与写 Claude 的代码，AutoResearch 优化 AutoResearch 的流程，这是一个真正的递归闭环。
而按照这个最严的标准推下去，具身的终极 RSI 应该是机器人系统自己改进机器人系统：觉得硬件不行就改进硬件，甚至自己组装一台新机器人。
这一步目前还没有人走到。
与此同时，学界也试图为 RSI 画一把尺子。
上海交大、清华、字节跳动、上海 AI 实验室等机构近期联合发布的综述《The Last AI Built by Humans》，首次将 RSI 系统性地分为五级：
- L1 执行自主，人类设计任务和策略，智能体执行并更新
- L2 策略自主，智能体自主设计更新策略
- L3 经验获取自主，智能体自主规划经验获取
- L4 环境适应自主，人类设定边界，智能体自主适配环境
- L5 递归继承自主，智能体改进改进系统本身
这套框架虽然是面向通用 AI 提出的，但用来观察具身 RSI 同样有参考意义。
把现有的具身智能 RSI 项目放进这把标尺里，大家都还停留在人机共驾的弱 RSI 区间，即 L2 到 L3 之间。
AI 能自己选策略、能主动拉数据做验证，但为什么这个策略更优、该重写哪段逻辑才算真正升级，还得人来拍板。
在 L2 到 L3 之间，不同团队选择了完全不同的路径。
有的在执行层做 RSI，让 Agent 把推理固化成代码，逐步沉淀出可复用的技能树；有的在策略层做 RSI，让机器人在真实执行中在线强化学习，只对实际执行的动作做梯度更新；还有的把 RSI 推到研发层，让 AI Agent 承担模型研发、数据处理、实验评测的更多环节。
它们共享同一个目标，但回答 RSI 到底怎么做的方式截然不同。
三条工程路线，三种不一样的「自我进化」
具身 RSI 目前仍处于混沌期，行业并没有形成统一的标准范式。
我们选取了三种不同的切入角度，从任务执行层 RSI、策略参数层 RSI 和算法研发层 RSI 来理解不同路线、不同层级怎么抵达同一个目标。
这里说的层级不同，不是工作深度或研发阶段的先后，而是各自把自我进化的作用对象放在了不同位置。
如果把机器人能力简单拆成理解任务、规划任务、生成技能、生成动作、执行动作这五层，那么目前这三个具身 RSI 案例分别卡在不同环上，改的对象并不一样。
星尘智能的 SmoothRL，是目前这条链路里最靠近机器人执行端的一种尝试。
它回答了一个具体的工程问题：机器人刚刚执行完的动作效果不达预期，能不能直接利用这一次真实世界执行得到的反馈，立刻更新 Policy（策略网络），而不是回到实验室离线重训？
SmoothRL 的核心，是把 Online RL（在线强化学习）嵌入异步推理的真实机器人执行流程当中。
在真实真机部署场景，机器人会输出 Action Chunk（动作块）给到机械本体执行，就在机器人执行这一组动作的同时，大模型已经在后台并行计算下一轮的动作序列。
这就会出现一个矛盾：上一轮输出的动作块中，部分动作还没来得及被硬件执行，就被后续新推理出来的结果覆盖掉了。
传统在线 RL 会把整段动作块全部计入损失计算，把大量没有真正落地的动作拿来训练，造成对错账，污染学习信号
SmoothRL 的关键创新，就是区分动作块内哪些动作真正被物理本体执行、哪些已经被后续推理覆盖，只把真实落地执行过的动作样本参与 Policy 更新。
它没有等机器人做完完整任务，再把数据回传实验室离线重训，而是打通执行、拿到真实物理反馈、更新策略、再次执行的快速闭环。
在星尘智能团队看来，RL 本身就可以构成递归循环，而且 Online RL 的特点恰恰是这个循环可以跑得更快：模型根据真实世界刚刚产生的反馈，直接进入下一轮策略更新。
这和传统离线训练最大的区别，是真实反馈到策略更新之间的链路被大幅缩短了。
如果长期坚持这条路线，真实世界中产生的数据最终还可以回流到基座模型，形成更长期的能力积累。
也就是说，一次任务上的 Policy 更新，并不一定只服务于这一次任务，它还可能成为下一轮基座模型迭代的数据和经验来源。
而经验复利也由此发生，每次在线更新后，模型实时知道自己有了更强的版本，下一轮学习站在新的起点上。
Physical Intelligence 的 π0.7 也遵循相似的迭代逻辑，会在 π0.6 和历史强化学习数据的基础之上持续迭代演进。
SmoothRL 真正改变的是机器人 Policy 如何从真实世界获得下一次更新。
穹彻智能的 RoboRSI，则主要落脚在任务方法与技能沉淀这一环。
它面对的问题是：机器人接到一项陌生任务做不好的时候，能不能自己摸索、迭代出一套更好的任务完成方法，沉淀成可复用技能，而不是每一次都要人类工程师手写控制代码。
RoboRSI 没有把所有工作都交给一个大一统大模型，而是拆解出 Manager、Planner、Engineer、Reviewer 多个分工明确的 Agent 角色，把任务接收、规划拆解、代码编写执行、复盘修改分别隔离到不同上下文当中，让不同 Agent 各自处理相对明确的工作，也避免单个 Agent 的上下文无限膨胀。
这种拆分的意义，不只是把更多流程自动化，也是在重新划分人和 Agent 各自需要处理的复杂度：Agent 负责大量具体的任务拆解、代码执行和失败复盘，人类则不必直接介入每一个执行细节，而是通过 Agent 整理后的结果，获得更容易理解和判断的决策材料。
这个项目最重要的 Knowhow 集中在 TSR，也就是 Top-down Skill Refinement（自顶向下技能细化）机制，它解决的则是 Agent 自我迭代过程中应该从哪里改、哪些东西应该保留的问题。
同时，项目还配套了一套技能信任机制管理整套技能树。
经过真机验证、运行稳定的 Skill，会被标记为可信能力，避免 Agent 在下一轮迭代中反复修改已经验证有效的模块。
穹彻团队在项目早期，曾经尝试过自底向上（Bottom-up）的构建思路：让 Agent 先一个个编写底层 Skill，再把零散 Skill 拼接成为完整任务。
但他们很快发现，Agent 很容易陷进局部问题里，通俗理解就是钻牛角尖。
一个模块出了问题，它就不断修改这个模块；修改以后又影响其他模块，再继续修改。最后虽然局部代码越来越复杂，却不一定离最终任务更近。
于是他们转向自顶向下的建设思路，先确定完整任务的整体拓扑结构，定义清楚各个模块之间输入输出接口与依赖关系，最后再向内填充具体 Skill 实现。
经过真机验证、运行稳定的 Skill，会通过 Trust 信任机制被标记保护，避免 Agent 下一轮迭代又去改动已经被验证有效的代码模块。
这里有一个重要的认知转变：自我改进的难点，并不是让 AI 无限制地反复修改，而是让 AI 知道什么应该改、什么不应该随意改动。
这也是 RoboRSI 和普通 Agent 最大的区别之一。
Agent 负责任务方案尝试，Reviewer 承担最高权重推理负责失败复盘，Skill 负责沉淀成熟能力，Context 管控全部历史经验。
整套机制最终目的，是把这一次碰巧执行成功，转化为未来遇到同类任务，可以直接调用的成熟能力。
Simate 选择把研究视角落在更上游的算法研发维度。
它的 AutoResearch，不再局限于机器人执行阶段的动作调整或者任务技能生成，而是把 Agent 直接嵌入机器人算法研发全流程，尝试用 AI 承担大量原本由算法研究员完成的重复性科研工作。
这里也做一个区分：RoboRSI 的 Agent 是机器人任务工程师，产出机器人干活的控制代码；而 AutoResearch 里的 Agent 更像算法研究员助手，产出的是模型、实验配置与算法方案。
在 AutoResearch 的闭环当中，人类研究员牢牢把控研究方向、目标与约束边界，Agent 承担大量实验执行工作。
最终形成完整循环：提出研究假设、规划分布式实验、修改模型或配置、调度执行实验、调用 RoboDojo 完成评测、分析实验结果、迭代生成下一轮假设。
为了让 Agent 可以真正修改、组合机器人模型组件，Simate 公开了 SiPAI 可插拔模型框架，试图让 VLA、WAM、World Model 等不同模型组件，能够被 Agent 理解、拆解、替换和组合。
进而让研究想法可以直接落地为可运行的模型实验，而不需要每次从零重建整套工程代码体系。
不过这套体系同样属于人机共驾的弱 RSI 范畴。AutoResearch 的进化对象是机器人的算法与模型方案，并不是直接让物理机器人本体在真实环境中自我迭代。
它高度依赖仿真评测基础设施，在仿真环境下可以高并发跑大量实验，一旦落到真机，环境 Reset、不可恢复物理故障依旧是难以绕开的阻碍。
所以，在今天的具身 RSI 讨论框架下，并没有所谓的技术收敛。
有人在研究怎么让机器人动作自己变好，有人在研究怎么让机器人完成任务的方法自己变好，还有人在研究怎么让研究机器人本身的流程自动化。
它们最后指向的其实是同一个问题：能不能让机器人的下一次能力，不再完全依赖人类工程师亲手做出来。
物理世界不发「重开」键三条路线走到最后，都会碰到同一个问题：一旦进入物理世界，很多在数字世界里理所当然的事情，都没那么容易了。
软件里的实验失败，可以回滚代码、重跑模型；仿真里的机器人做错了，Reset 一下就能重新开始。
真机没有这么方便。
机器人把垃圾桶撞倒了，环境就变了；把杯子打翻了，下一次实验面对的已经不是原来的场景。
穹彻智能团队甚至提到，在真实机器人环境里，Reset 有时比完成任务本身还难。
这也是具身 RSI 和软件 Agent 最大的区别之一：机器人每试错一次，都可能真的改变这个世界。
所以，真正难的并不是让 Agent 多尝试几轮，而是让它知道哪一次尝试值得保留，哪一次失败应该修正，以及修正之后到底有没有变好。
RoboRSI 里的 Reviewer，以及对已经验证 Skill 设置的 Trust 机制，本质上都在解决这个问题：不是让系统无限修改，而是让它知道什么该改、什么不要动。
RoboDojo 这类统一仿真-真机评测，也是在补上同一块拼图。
官方目前设置了 42 项仿真任务和 18 项真机任务，并对硬件、场景 Reset、评测协议等进行统一，让机器人能力能够在相对一致的条件下反复验证。
对 RSI 来说，这一点尤其关键。没有可靠的评价机制，就很难有可靠的 Improvement。
如果系统连我这次到底有没有变好都判断不了，所谓自我改进就很容易变成不断试错。
因此，具身 RSI 真正需要建立的，不只是一个会自己改代码的 Agent，而是一条完整的链路：执行、反馈、评价、记忆、更新、再执行。
而这条链路越往后走，人类的位置才会真正发生变化。
今天，人还需要决定目标、设计实验、判断结果；下一阶段，可能只需要设定目标和边界；再往后，系统甚至需要自己决定下一轮到底应该改什么。
这才碰到了 RSI 最核心的那个词——Recursive。
面对现在越来越多的 RSI 概念，判断一套系统到底走到了哪一步，其实可以看三个问题：
- 改进后的能力能不能留下来，换一个任务还能不能用
- 迭代能力本身有没有被改进，而不只是任务成功率提高
- 人类究竟还参与多少，是在手写代码、调参数，还是已经退到设定目标和安全边界
这三个问题，也许比是不是 RSI 这个标签本身更重要。
穹彻智能RoboRSI在仿真环境中的系统性定量验证
沿着这条路继续往前推，机器人未来需要回答的不再只是这个任务怎么做，而是为什么没做好，下一次应该改哪里，如果这个方法一直不奏效，是不是应该换一种学习方法。
从 SmoothRL 对 Policy 的在线更新，到 RoboRSI 对 Skill 和 Agent 工作流的重构，再到 Simate 尝试把 AI 带进机器人研发流程，三个案例其实正在从不同方向逼近同一个问题：
能不能让机器人的一次经历，成为下一次进步的起点？
现在显然还不能说已经实现。
真实世界的 Reset、评价、硬件差异、数据成本，以及人类在目标设定和关键判断中的作用，都还没有被彻底解决。
具身 RSI 仍处在很早期的阶段，更多真机验证也仍然是绕不开的一关。
但变化已经发生了。
过去，机器人研发的基本单位是一轮训练、一次部署、一个新技能。
现在，越来越多团队开始追问：一轮自我改进之后，机器人能不能站在新的起点上继续改进自己？
如果有一天，机器人不只是被人训练，而是开始参与决定自己下一轮应该学什么、怎么学，以及如何验证学得对不对，那么具身智能才真正开始触碰 RSI 这个词背后的含义。
而这件事也不止是技术层面的跃迁。
如果机器人能够把越来越多的训练、调试和部署工作变成自己的成长过程，人类工程师需要投入的时间和成本就有可能随之下降。
对于需要频繁换场景、换任务的机器人来说，这意味着过去一次次依赖人工重新开发、重新调试的模式，可能被一种持续自我迭代的方式替代。
自进化真正打开的，不只是机器人能力的上限，也可能是机器人规模化落地的另一种商业可能。
这或许才是机器人真正意义上的「成长」。
