11小时前 GPT-6 未必能当好机器人的大脑，却可能帮王兴兴加速RobotRSI

作者：Marilyn     出品：具身纪元

GPT-6 Astra 不但点燃了LLM圈，还点燃了机器人圈。

Robocurve 的第三方测试中，GPT-6 Astra 在“方块放入碗中”达到19/20，而 Claude Fable 5.1 是8/20，且预测到今年年底，最晚2029年，大语言模型可以实时控制机械臂。

方舟无限的只用GPT-6 Astra控制机械臂拧动洗衣机按钮的视频火遍互联网。

被大家忽视的是其它的信息，Robocurve的报告中显示在精细拼图插入中，GPT-6 Astra 和 Claude Fable 5.1 两者都是2/20。GPT-6 Astra虽然控制机械臂拧动洗衣机，但花了4分钟。它在计算，并不像人一样自然地拧动洗衣机。

模型升级明显增强了视觉理解、空间规划、纠错和工具调用；但涉及接触、摩擦、精确对齐和毫米级误差时，LLM 的提升没有直接转化成控制能力；

在大家还在讨论 Code as Policy是否是真理的时候，我的思路回到了我最近比较关注的一个方向，RobotRSI。

让Generalist 的 andy和pete该怎么想（笑

我反倒是认为，关注LLM对于policy generator的贡献，不如关注对RSI领域在具身领域的发展。

2026 年世界机器人大会上，宇树科技创始人王兴兴提到了一个新方向，“直接让物理 AI 机器人模型实现自进化。”先给大模型规则、经验、约束和工具，让它检索论文、编写控制代码，进入仿真训练，再部署到真机测试；AI 与人共同评价结果，反馈给编程智能体继续优化。

兴兴认为今天的机器人遇到新任务往往还要重新训练，效率和泛化能力都不够；只有让代码、数据、技能和真机反馈跨轮积累，研发才可能形成持续加速的正循环。

这条路线正在和大模型领域的一个热门方向汇合：让 AI 参与下一轮 AI 研发。

Anthropic 在《When AI builds itself》中讨论了这条路径：聊天机器人给出代码建议，编程智能体开始自己修改和运行代码，再往前一步，AI 将参与设计、训练和开发更强的后继系统。这正是 Recursive Self-Improvement，递归自我改进所关心的问题。

它同时判断，具身智能可能紧随递归智能发展，但也指出物理制造、实验周期和现实部署仍会成为新的速度瓶颈。

Anthropic 并不是孤例。OpenAI 已经公开设立 RSI 团队，把工作范围从模型训练、评测延伸到研究工作流的自动化。翁荔回到 OpenAI，领导一个加速内部研究的新团队。

据 Reuters 援引内部人士报道，Google 的联合创始人 Sergey Brin 正推动资源向递归自我改进倾斜。

头部实验室已经开始把“让 AI 参与制造下一代 AI”从研究命题变成团队、算力和工程建设。

人才和资本也在用实际行动投票，押注能够反复生产下一代模型的研发系统。

田渊栋和其它7位联合创始人创立的Recursive Superintelligence：直接押注“AI 研发 AI”，

2026 年 5 月，公司结束隐身并完成 6.5 亿美元融资，投后估值约 46.5 亿美元。

Trajectory

由 Google DeepMind、Apple 等机构前研究者创办的公司 8 月又完成红杉资本领投的 4000 万美元 A 轮，投后估值约 3 亿美元。2026 年 8 月 5 日，Jeff Dean、Sanjay Ghemawat、Quoc Le 和 Oriol Vinyals 四位 Google 资深研究者宣布创办 Discovery Loop，目标是把“提出实验—实现—运行—评估—进入下一轮”的循环自动化。Alphabet 作为创始投资者。

RSI 到底是什么，它又怎么影响机器人

让机器能够学习、成长，甚至参与制造下一代机器，是一个古老的愿望。

1965 年，统计学家 I. J. Good 更进一步设想：如果一台“超智能机器”能够设计出比自己更强的机器，新机器又继续参与下一代设计，就可能发生“智能爆炸”。2003 年，Jürgen Schmidhuber 提出的 Gödel Machine 则试图把自我改写形式化：只有当系统能够证明某项修改会提高既定效用时，才执行修改。

RSI 的英文全称是 Recursive Self-Improvement，通常译作“递归自我改进”。三个词分别回答三个问题。

Self（自我）

：系统参与改变自己的组成部分。被改变的可以是回答方式、记忆、工具、代码、训练数据、评价器，也可以是模型权重，不一定非得是“重写自己的全部源代码”。

Improvement（改进）

：新版本必须在某个可检查的目标上更好。一次看似聪明的新动作，如果无法被验证，就只能叫变化，不能叫改进。

Recursive（递归）

：上一轮的成果会进入下一轮，并帮助系统更有效地制造下一个版本。它不是答错后重试一次，而是“改进能力本身也被再次用于改进”。

所以，最简洁的定义是：

RSI 不是系统偶尔把一件事做得更好，而是系统参与改进“怎样让自己变得更好”，并把成果带进下一轮。

回到机器人领域，这条路径最直接的价值，不是让机器人突然拥有一种全新的动作，而是减少研发人员反复守着真机、手动复位和逐次调参的劳动。

王兴兴在演讲中说：“基础模型持续进步，会带动自进化循环一起变强；越来越多的真机部署又会不断产生新数据、评价结果和技能，使机器人研发不必每次从头开始。”

大模型的RSI给了我们理解RobotRSI的起点

理解RSI的两条轴线

如果我们仔细去看LLM的文献，会发现不同领域的论文都会叫自己为rsi，这里简单用两个轴线来理解rsi：

第一个轴线是：系统改进的对象与环节。

Deployment-time self-evolution（部署时自演化）

：模型权重可以不变，系统在回答问题或执行任务时修改推理、记忆、工具、代码和 harness。常说的 test-time RSI 就包含在这里。

Training-time self-iteration（训练时自迭代）

：系统把上一轮产生的数据、推理过程、偏好或奖励带回训练，更新下一版模型权重。

Self-evaluation（自我评估）

：系统改进 judge、reward model、process reward model 或 verifier，用来回答“新版本是不是真的更好”。

Auto Research（自动研究）

：系统不只执行既定训练，还参与提出假设、修改算法、运行实验、分析结果和安排下一轮研究。

第二个轴线是：人的参与程度。同一种改进方法，可以由人逐次审核，也可以在授权范围内自动运行。

Human-in-the-loop（人在环路）

：AI 提议，人逐次确认、修改或执行。

Human-on-the-loop（人在环上）

：数据、奖励、评价和执行大体自动完成，人主要监督结果、设置权限和控制发布。

Closed loop（闭环）

：系统在预先授权的范围内自行提出、验证并采用改进，不再逐次等待人工审核。

先用一些论文来理解这个矩阵

部署时：先不改权重，让系统在任务中学会重试和记忆

2026 年 7 月，翁荔在《Harness Engineering for Self-Improvement》中判断，近期的 RSI 不太可能从模型直接改写自己的权重开始，更可能首先发生在 harness 层：模型不变，但它周围的工具、记忆、测试和工作流会持续改进。

2023 年，美国东北大学、MIT 和普林斯顿大学等机构提出 Reflexion：智能体做完任务后，把测试或环境反馈写成一段反思，存进记忆，下次带着经验重试，不更新模型权重。例如编程题第一次没有通过测试，它会记下错误原因，再生成新版代码；论文在 HumanEval 上报告 91% 的成绩。它代表的是部署时的记忆自改进。

2026 年，清华大学与华为提出 HiSME：系统不只积累技能，还会观察哪些技能后来有用、哪些有害，总结成“怎样生成和修改技能”的元技能，再反过来整理技能库——像员工不只写操作手册，还会改进写手册的方法。MineDojo 任务成功率由 0.700 提高到 0.856。它属于部署时的技能元进化，底层模型权重不变。

训练时：让上一版模型参与制造下一版模型

2022 年，斯坦福大学与 Google Research 提出 STaR：模型先生成推理，答对的留下来训练；答错的看到正确答案后重新推导，筛出的过程再用于微调下一版模型。例如“什么能装小狗”，模型从“篮子能装东西”推到“选篮子”，这段解释就成为新训练数据。它代表训练时自迭代：经验最终写进模型权重。

2026 年，The BigBang Team 发布 BigBang-V1：出题者生成可由程序或工具验证的难题，批评者检查正确性和难度，元批评者再用真实科研任务判断这些题能否带来能力提升；约一万条合成样本随后用于更新模型权重。它把训练时自迭代和评价器校准接在一起，但目前证据主要来自团队技术报告。

自我评估：谁来证明“新版本更好”

2023 年，OpenAI 提出 Let’s Verify Step by Step：不只检查最终答案，而是逐步标出推理从哪里出错，再训练过程奖励模型。论文中的分数题前面都对，最后却把 5x＝6x−14 算成 x＝7；过程监督能准确指出这一处错误。它为 RSI 提供更细的评价信号，告诉系统下一轮具体该修哪里。

2024 年，加州大学伯克利分校、Meta FAIR 与纽约大学提出 Meta-Rewarding Language Models：同一个模型既当回答者，也当评审者和“评审的评审”，把更好的回答与更好的评价一起用于下一轮训练。四轮后，AlpacaEval 2 的长度控制胜率由约 22.9% 升至 39.4%。它推进的是评价能力本身的自我改进。

自动研究：从执行实验走向安排下一轮实验

2024 年，Sakana AI、牛津大学和英属哥伦比亚大学等机构提出 The AI Scientist：系统从研究代码模板出发，自己提出想法、检索新颖性、改代码、跑实验、画图、写论文并接受自动评审。论文展示的“自适应双尺度去噪”就是这条流水线生成的研究结果。它在 RSI 中代表自动研究：AI 开始参与决定下一轮实验怎么做。

从当前答案、模型权重、评价器到研究流程，大模型的自我改进已经发生在不同层次。自动化深入哪一步，则取决于人给系统什么工具、反馈和权限。

Robot RSI 的进展已经开始了

沿着与大模型相同的四个环节，近年的机器人工作正在解决这些具体问题。同时它在借用大模型的力量作为认知中枢。

2026 年，英伟达提出 ENPIRE：它把自动复位、成功验证、策略更新和真机试验封装成工具，让编程智能体能够连续“执行—检查—改代码—再执行”。例如扎带插入后，两个相机共同判断是否穿过锁头，结果直接进入下一轮；在固定八次重试的设置下，部分任务成功率达到 99%。它代表真机研究流程的自动化。

部署时改进：失败发生后，机器人能否当场恢复并留下技能

2026 年，英伟达的ASPIRE让编程智能体读取动作记录、图像和报错，修改机器人程序，验证成功后再把修复存成技能。例如机器人因导航目标落在桌子避障区而拿不到收音机，系统改为从多个方向尝试，找到可达位置后完成抓取。它解决的是失败经验如何变成可复用技能。

2026 年，华为诺亚方舟实验室、英属哥伦比亚大学与多伦多大学等机构提出 RoboHarness：系统用执行记忆选择并衔接不同策略，切换前先把机器人带到下一策略熟悉的状态。例如先让 VLA 打开柜门取出积木，再交给任务与运动规划器精确搭桥；论文完成了 135 次真机实验。它改进的是已有策略的调度与接力。

训练时改进：部署现场能否自己生产下一版策略所需的数据

2026 年，智元机器人、新加坡国立大学与上海交通大学提出 RoboClaw：VLM 负责调度，VLA 执行动作，机器人同时学习“完成任务”和“恢复现场”两套策略。例如把妆前乳放进抽屉后，再学习把它取出以重新开始；这不是倒放录像，而是单独学会反向任务。正反任务交替运行并回收成功数据，使人工投入时间减少 53.7%。它补上的是自动复位与持续数据采集。

评估与仿真：既要知道哪里失败，也要能低成本验证新策略

相比于大语言模型，Robot RSI 的评估会更复杂，其实包含两个问题：

第一，评价器能否判断任务是否成功、进展到哪一步以及从哪里开始失败

第二，系统能否提供可重复、可扩展的环境，让新旧策略在相近条件下接受验证

。前者决定反馈是否可信，后者决定改进循环能不能跑得足够快。后者是大语言模型没有遇到，但是机器人需要解决的。

2026 年 PRIMO R1：模型同时查看初始画面、过程视频和当前画面，先拆解任务步骤，再判断完成进度和失败位置。例如叠短裤时，它能看出下摆已经处理、上沿仍未完成，而不只判断最终画面像不像成功；论文在 RoboFail 上报告 67% 的失败检测准确率。

2026 年，普林斯顿大学提出 VERITAS：视觉语言模型先画出目标路径，策略提出多个候选动作，验证器选出最符合路径的一项；成功轨迹再用于微调。例如“把胡萝卜放到盘子上”，50 条自主轨迹训练后的成功率为 70%，同量人工示范为 65%（每组评测 20 次）。

自动研究：AI 能否不只操纵机器人，还改进制造机器人能力的方法

2023 年，英伟达、宾夕法尼亚大学、加州理工学院与得克萨斯大学奥斯汀分校提出 Eureka：大模型编写奖励函数，强化学习在仿真中训练策略，实验结果再反馈给大模型修改奖励。例如五指机械手转笔时，大模型决定“什么动作值得奖励”，真正的连续控制仍由强化学习学出；论文在 83% 的测试任务上超过人工奖励。它属于训练方法的自动搜索。

2024 年，宾夕法尼亚大学、英伟达与得克萨斯大学奥斯汀分校进一步提出 DrEureka：除了自动写奖励，它还让大模型设置摩擦、质量和外力等仿真参数的变化范围，再训练能适应多种物理条件的策略。论文中的四足机器人在仿真里学会站上瑜伽球并带球移动，随后迁移到真机。它把自动研究推进到如何让仿真能力在现实中成立。

Robot RSI 还缺一个“虚拟世界”

LLM 天然生活在数字世界：代码环境可以复制，测试可以并行，失败后可以回滚到完全相同的版本。

机器人却工作在物理世界。一次抓取就会改变物体的位置，光照、相机视角、关节状态和硬件磨损也会让下一轮实验的条件发生变化。

另一条路线是把更多验证搬进仿真。但传统仿真环境有real to sim的问题。世界模型给了新一种解法，给出了一个更scalable的虚拟世界的方式。

因此，对 Robot RSI 来说，虚拟世界不是可有可无的配图，而是闭环中的测试系统：更强的 LLM 提出诊断、代码和实验方案，harness 负责执行和记录，评价器与世界模型低成本筛选候选版本，真机再承担最终验证。LLM 的测试环境天然存在；机器人则必须先为自己造出一个可重置、可扩展、又不会掩盖失败的数字环境。只有这一步成立，机器人才能把零散的自动化实验变成持续加速的自我改进循环。

我们有很多大模型的low hanging fruits，但我们需要有自己做的事情

更准确的判断不是“GPT-6 已经变成了机器人的双手”，而是它可能成为 Robot RSI 更强的认知中枢：读取论文与执行日志，从图像中判断任务状态，生成控制和训练代码，调用工具、选择策略，再根据实验反馈决定下一轮试什么。底层的 VLA、运动规划器和力控制器仍负责把这些意图变成连续而稳定的动作。

2023—2024 年，机器人首先吃到了 VLM 的红利。以 RT-2 为代表的 VLA，把视觉—语言模型对物体、场景和指令的理解迁移到机器人动作；2024—2025 年，视频生成开始推动世界模型。

到了 2026 年，最先被前沿模型直接推动的，可能是机器人自动研发。ASPIRE 使用 Claude Opus 4.6 读取多模态执行记录、修复机器人程序并积累技能；RoboHarness 使用 GPT-5.5 修改策略编排代码；ENPIRE 让 coding agent 查文献、提出训练假设并在真机上比较结果；Zetta 则在冻结底层 VLA 的情况下，让智能体根据失败持续更新 critic、恢复技能和工具。改进对象从“一次动作”扩展到了“产生下一次改进的方法”。

这意味着，基础模型决定系统能提出多好的诊断、代码和实验方案，harness 决定这些方案能否被执行、验证并跨轮保存。没有工具、记忆、评价器和复位机制，更强的 LLM 只是一名更聪明的一次性规划者；把这些部件接成循环，它的能力才可能转化为 Robot RSI。

在读网友的评论的时候，有一条评论让我印象深刻：

大模型还有很多low hanging fruits可以继承。

站在 2026 年看，与其押注前沿大模型一步到位接管机器人的末端控制，不如期待它率先成为 Robot RSI 的引擎——把科研人员从试错、调参和写 harness 的泥潭里解放出来，让飞轮先以几倍速转起来。

但这并不意味着具身能省去自己的功课。通用大模型终究只是加速这一过程的“外部支架”。

具身真正的基础设施缺口，一套更适合机器人的 harness，以及一个能高效验证和迭代策略的虚拟环境，甚至有一天，机器人的基础模型不再需要借助大模型的力量去迭代它的下一代模型。