在机器人技术从专用走向通用的十字路口，感知与学习能力的整合成为破局关键。生数科技近期提出的“新世界模型”，将触觉、记忆、Ego数据与自我进化机制融为一体，为机器人赋予了一种全新的成长范式——机器人不再被动等待人类编程，而是在与环境持续互动中主动学习、调整甚至发明新策略。这一方向被命名为RSI（Robot Self-Improvement），它正悄然重塑机器人与世界的关系。
事件概览：从专用执行到自主进化
传统机器人依赖离线训练和固定规则，一旦部署到非结构化环境中，往往会因为无法处理意外情况而失效。生数新世界模型的核心理念是：让机器人像生物一样通过“感知-记忆-反思-改进”的循环实现自我进化。该模型整合了多模态感知数据——尤其是过去常被忽视的触觉反馈，以及基于Ego视角的时空记忆，使机器人能够构建对自身的动态认知。在近期的一次内部展示中，搭载该模型的机械臂在未给定任何任务脚本的情况下，通过摸索和试错，自主学会了拧螺丝的精确力矩与角度，在整个过程中，它不断记录自己的动作序列并评估效果，最终形成高效稳定的技能策略。
核心信息：四大支柱支撑机器人成长
触觉：感知世界的“手感”
触觉在机器人交互中具有不可替代的地位。生数新世界模型在力觉传感器和柔性触觉皮肤的支持下，将触觉信号作为与世界接触的第一手证据。不同于视觉（依赖光照和视角），触觉提供的是直接接触的几何、材质和力学信息。模型通过触觉预测物体的形变、滑动趋势和接触稳定性，从而在抓取、装配等精细操作中实现即时调整。例如，当抓取一枚生鸡蛋时，触觉反馈可以触发压力阈值的动态修正，避免捏碎或滑落。
记忆：结构化经验的重用
记忆模块是自我进化的“仓库”。新世界模型采用层级记忆架构：短期记忆保存最近数百步的传感器数据和动作，用于在线强化学习；中期记忆将重复出现的场景抽象为“经验片段”，用于技能迁移；长期记忆则存储经过验证的高频成功策略，形成“大脑皮层”式的知识库。更重要的是，记忆并不孤立存储，而是与Ego数据（关于机器人自身状态的空间、时间、运动学数据）关联，使得机器人能够理解“我在哪里、我做了什么、结果如何”，从而实现自我反思。
Ego数据：体察自身的坐标系
Ego数据是连接感知与动作的内部表征，包括关节角度、加速度、末端执行器位姿、时间戳等信息。生数模型将Ego数据视为一种特殊的“内感”模态，与大模型中的位置编码类似，但它更直接地服务于动作生成。通过对比实际Ego数据与记忆中的预期值，模型可以检测到环境变化（如工具磨损、负载改变）并启动适应性调整。这种自监控能力是自我进化的前提——机器人必须知道自己“正常”时的状态，才能识别异常并主动修正。
自我进化（RSI）：从试错到精通
自我进化机制是整个模型的核心引擎。它基于强化学习与因果推断的混合框架：在每个任务回合结束后，机器人会自动生成一份“得失分析”，对比目标达成度、能量消耗、执行效率等指标，然后针对失败环节生成新的探索策略。为避免盲目试错，模型利用早期经验训练一个“技能价值网络”，预估不同动作序列的成功概率，从而将探索集中在最有潜力的方向。在实验室环境中，一个简单的拾取-放置任务，RSI机制让机器人在20个回合内将成功率从35%提升至92%，并且后续每完成100次任务，成功率还会自然微增。
影响与观察：机器人从“工具”迈向“主体”
生数新世界模型的提出，意味着机器人技术正在经历一次观念层面的转变：机器人不再只是人类指令的被动执行者，而是成为能够自主应对不确定性的“主体”。触觉与记忆的结合，让机器人能像人类学徒一样“眼到、手到、心中记”；而自我进化能力则赋予它们超越初代性能的持续成长潜力。对于制造业、仓储物流、家庭服务等场景，这意味着机器人部署后无需频繁人工调参，成本大幅降低。更深层的影响在于，当机器人的学习速度超过人类编程的速度时，机器人的能力边界将不再由开发者决定，而是由环境复杂度本身决定。
不过，这一方向也伴随着新的挑战：自我进化可能导致不可预见的技能演化，尤其是在多机协作环境下，不同机器人的记忆融合与冲突管理需要更精巧的协议。此外，触觉数据的可靠性在长期高负载场景中如何维持，Ego数据的隐私安全问题如何解决，都尚待产业界进一步探索。
结语
生数新世界模型为机器人装上了一个“成长引擎”，让它们在真实世界中通过触觉感知、记忆积累、内省反思和自我改进，逐步从“程式化执行体”进化为“自适应智能体”。尽管RSI概念仍处于早期，但它所预示的路径——机器人像生物一样通过经验学习——已为未来通用机器人的落地提供了可行的技术框架。随着触觉传感器成本的下降和大模型压缩技术的成熟，我们有理由相信，自我进化的机器人将从实验室走向千家万户。
信息来源：量子位，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。