编辑｜星奈
媒体｜AI大模型工场
机器人遇到新任务，难点不只是“怎么做”，还包括“该向谁学、如何验证”。
通用模型已经具备任务理解、视觉推理和自主探索能力，也能根据执行反馈调整策略。但在真实操作中，每一步都要观察、推理和决策，探索一项新任务可能耗时数小时。即使模型生成了控制代码，也不代表机器人一定能成功操作：抓握角度、对齐位置或接触方式出现偏差，都可能导致失败。
大晓机器人发布研究成果 ACE-CaP-0，探索让 AI 在技能开发过程中主动获取经验，自主开发、验证并优化机器人技能。它的核心不是单纯让模型写代码，而是让智能体根据任务难点，判断何时需要人类示范、何时应该开展仿真实验，再结合真机反馈持续改进策略。
Report：https://acerobotics2025.github.io/ACE-CaP/static/ACE-CaP-0.pdf
Project：https://acerobotics2025.github.io/ACE-CaP/
按需示范与按需仿真，让经验获取跟着任务难点走。
ACE-CaP-0创新性地结合了按需示范（Demonstrations on Request）与按需仿真（Simulation on Demand）。当机器人不知道怎样操作时，智能体可以主动请求人类示范；当已经有了初步方案，却不确定动作轨迹、接近角度或执行顺序时，则可以通过仿真实验比较候选策略。
示范提供的经验也不止是“看见结果”。团队比较了文字指导、人类操作视频和机器人示范等形式；机器人示范还能记录机械臂运动轨迹、末端位姿和夹爪状态，帮助智能体理解动作是怎样完成的。在双臂协同等任务中，这些信息可以转化为动作顺序、运动方向和抓取方式等控制逻辑。
仿真则让智能体围绕具体问题，选择任务阶段、初始状态和候选程序，比较不同修改方案的效果。真实交互提供物理依据，仿真实验扩展探索空间，两者相互补充，让机器人更有针对性地获取经验、改进技能。
真机反馈不只是验收结果，也是下一轮改进的依据。
ACE-CaP-0通过“编写程序—执行测试—分析反馈—修改代码”的循环优化操作方法。机器人真实执行后，智能体可以据此发现问题、修订策略；当程序经过验证，任务逻辑、几何计算、动作顺序和控制参数便沉淀为可复用的代码策略。
这让高成本的智能探索与高频的机器人执行得以分工：模型负责开发技能，机器人复用已经验证的做法，不必每次都重新观察、推理和生成动作。任务逻辑与底层控制也因此可以分别优化，提升执行效率。
八项真实任务评测，整体成功率达92.1%。
研究覆盖插充电器、面包装箱、开瓶盖、杯子套叠、插花、鸡肉装盘、包裹翻转和鞋子装盒八项机器人精细操作任务。代码策略固定后，团队进行了240次独立真机评测，成功221次，整体成功率为92.1%；七项任务成功率不低于90%，插充电器任务达到100%。
插充电器任务也呈现了从技能探索到技能执行的效率变化：通用模型尝试不同插入方式，结合碰撞检测与受力分析调整策略，连同模型思考约需1小时；ACE-CaP-0将有效方法提炼为可复用 Skill 后，机器人执行约需1分钟。这里的小时级对应策略探索，分钟级对应技能沉淀后的任务执行。
从主动获取经验，到沉淀可复用技能，ACE-CaP-0延伸了大晓的具身技术路线。
这一研究与大晓机器人在酒店服务场景中展示的“通用模型＋开悟世界模型”双脑协同架构及真机 RSI 技术路线一脉相承：通用模型负责理解任务、探索和生成技能；开悟世界模型支持物理环境理解与策略验证；真机反馈驱动技能持续优化。
ACE-CaP-0进一步聚焦经验获取与代码策略开发，让智能体不仅能从执行中发现问题、改进技能，还能主动判断需要什么经验、如何获取经验。机器人学习的不只是怎样完成任务，也开始学习怎样更有效地学习。
让一次交互成为下一次执行的起点，是这项研究希望推进的方向。ACE-CaP-0通过按需示范、按需仿真和真机反馈，探索把有效经验变成可复用、可进化的机器人技能，为通用模型具身能力进入真实场景提供新的实现路径。
数据支持天眼查，大模型独家合作账号
