给具身智能“自进化系统”投了数亿元：图灵量子等押注云蝶

follow us

AING硬迹

通用模型加速进化，谁来帮助机器人真实上岗。

在RoboFoundry论文设定的EmbodiedBench评测中，同样使用GPT-5.5，四个评测环境的平均成功率从56.9%提高到72.7%。模型参数保持不变，变化发生在模型周围的系统中。

这组来自RoboFoundry联合研究的结果，把具身智能的技术讨论引向了一个经常被混在一起的问题：机器人做不好任务，原因一定在模型里吗？上下文缺失、记忆调用错误、技能衔接不当，或者没有检查动作是否完成，都可能让已有能力无法充分发挥。

云蝶科技是这项研究的参与方之一。近日，公司宣布完成数亿元B+轮系列融资，由StellarS Capital、亚洲联合基建（00711.HK）、长浙投资、图灵量子等知名机构和个人联合投资，资金将用于核心技术迭代与真实场景规模化落地。从8月发布RoboForge系统级具身大脑，到9月参与RoboFoundry研究，云蝶已把系统层作为持续投入的技术方向。

冻结模型之后，系统还能怎样改进

RoboFoundry由南洋理工大学、北京航空航天大学、新加坡国立大学、云蝶科技与上海交通大学的研究者共同提出，论文于9月26日公开预印本。研究团队将其定位为首个把具身智能体系统形式化为“自进化的系统即策略”（Self-Evolving System-as-Policy）的框架。近期，机器之心对这项工作进行了报道。

这一方法把优化对象扩展到模型周围的上下文、技能和执行接口。系统先执行任务，记录过程，再诊断失败来自哪里，提出相应修改。对当前任务有效的修改，还要经过跨任务检查，才有机会进入长期保留的通用系统。

论文中有一个很具体的例子：机器人试图搬运物品，却在尚未到达可操作位置时反复抓取。修改后的规则要求它在导航后重新观察，根据环境反馈确认距离；如果抓取失败的原因是距离不足，就先移动，再尝试。

这条经验不依赖特定物品的名字。它改变了系统何时观察、何时执行、失败后如何行动，因此有机会用于其他任务。研究的关键就在这里：将一次失败转化为可以复用、可以检查的执行规则。

系统也需要筛掉无效的修改。按照论文方法，候选规则还会用于处理其他任务的历史问题，系统生成新的修复方案，并与此前奏效的办法比较评分。通过检查的规则才会进入通用系统。这包含系统自身对修复方案的评价，不能理解为每条规则都已完成跨场景真机复测。

从基准成绩到真机经验迁移

在论文设定的EmbodiedBench评测中，GPT-5.5接入RoboFoundry后的平均成功率由56.9%升至72.7%，增加15.8个百分点。五个被测基座模型全部获得提升。其中，经过系统优化的GPT-5.5成绩高于未经该系统优化的GPT-6 Astra基线。

这一对照说明，在这些任务和评测条件下，模型之外的系统可以显著影响能力表现。更强的模型仍然受益于系统改进，二者存在共同提升的空间。这里的成绩属于研究评测，不能直接等同于客户现场的任务成功率。

真机实验进一步把问题推进到经验迁移。在套娃任务中，机器人先因对准问题失败，系统随后加入对准检查；下一次执行又丢失了任务进度，于是继续加入进度追踪，使后续尝试能够利用已经完成的步骤。改进具体落在技能组织与上下文管理上。

另一个实验中，系统只在蓝色毛巾上形成叠毛巾技能，随后无需额外任务级适配，就将其用于外观、形状和材质不同的毛巾，展示了特定任务范围内的零样本迁移能力。

这些操作实验仍使用VLA模型作为执行后端，每项任务进行10次试验，系统在试验之间更新；对照组与RoboFoundry使用相同的执行模型微调版本。共享语义接口表达任务逻辑，执行层将其适配到具体机器人。因此，零样本迁移指的是指定任务的额外适配边界，不意味着执行模型从未训练。

云蝶为何提前投入系统架构

通用模型的进步，正在让这一问题变得更迫切。据《科创板日报》10月12日报道，宇树科技创始人王兴兴在工博会期间表示，团队将GPT-6用于不同机器人任务测试，获得了积极效果；他判断具身智能临界点快的话可能在一两年内到来，同时强调规模化应用仍需提高泛化性与效率。

如果通用模型持续扩大理解与推理能力，围绕模型的系统就需要更快地把新能力用起来。机器人企业可以一边改进模型和本体，一边在任务编排、记忆、技能与执行验证上形成自身积累。这也为“通用模型作为基础、系统架构组织能力、多智能体协同完成复杂任务”的路线提供了发展空间。

云蝶对此已有连续的公开探索。今年6月，公司介绍了环境智能体与机器人智能体协同建模、多智能体强化学习等研究方向；8月WRC期间，RoboForge系统级具身大脑正式发布，连接基础模型与机器人执行，组织感知、推理、规划、技能调用及异常恢复。

云蝶提出的具身环境智能EEI，把空间、设施状态和业务约束纳入系统；多智能体协同研究关注机器人、环境与不同任务参与者之间的分工。RoboFoundry进一步把支撑任务执行的系统变成优化对象，为这条研究路径增加了新的方法。

RoboForge是已经公开发布的产品，RoboFoundry是联合研究框架。两者的具体集成情况尚未披露，研究方法若推进到产品中，还需要接受连续运行、安全约束和不同场地的验证。本轮融资将支持公司继续开展技术迭代与场景落地。

RoboFoundry已经给出的证据是：即使基座模型参数不变，对记忆、技能与执行过程的改进，仍然可以带来可测量的能力增益。云蝶对系统层的投入，因而有了一个更明确的研究方向：让机器人每次执行暴露的问题，有机会成为下一次更好完成任务的方法。

硬迹正在打造AI硬件社区，对加入社群感兴趣的读者，欢迎add：AINGmaker0411加入【AING硬迹产业交流群】。

AING硬迹

AING，取自“AI+ING”的缩写，中文谐音“硬迹”，寓意着“人工智能正当其时”，致力于追寻硬科技发展的足迹，不断探索人工智能与智能硬件的深度融合。

未来，AING硬迹将不断发布AI大模型技术、AI产业生态、AI硬件产品等行业资讯、发展趋势与市场动态，我们相信大多数硬件都值得用AI重做一遍，AING硬迹期望与AI大模型厂商、与AI硬件厂商共同成长，迎接AI时代的来临。

人工智能正当时

一起追寻AI+硬件的足迹