作者 | 華衛

具身智能過去兩年始終無法回避的核心矛盾：模型越來越強，但機器人仍然很“笨拙”。真實部署不是一個固定測試集，機器人進入商店、家庭和工作空間后，會不斷遇到預訓練數據沒有覆蓋的新物體、新擺放、新指令偏好和長尾失敗。原因并不復雜，長期以來，機器人的絕大多數能力來自離線訓練，而真實世界卻從未真正進入訓練閉環。

最近，羅劍嵐團隊拿出了解決方案：把“部署”本身變成訓練的一部分。上海創智學院與智元機器人聯合發布了這套方法名為 LWD（Learning While Deploying），不試圖解決某一個單點技術問題，直接改寫整個訓練范式：讓落地后的機器人在實際工作中回流數據并反哺訓練、更新能力，而不是等著它在數據集里一次性“學夠”。

發布后不久，上海創智學院副教授、智元機器人首席科學家羅劍嵐向我們詳細披露了 LWD 這項工作未對外公示的技術設計細節及這套體系接下來的演進方向。

1 機器人“邊干邊學”后成功率達到 95%

在傳統路徑中，具身模型通常經歷大規模預訓練、模仿學習、再到有限的強化學習優化，最后進入部署驗證階段。這個流程的問題在于，部署即為結束，真實世界的數據包括環境變化帶來的分布偏移、長尾任務中的探索過程，以及失敗暴露出的能力邊界并沒有被系統性地吸收進下一輪訓練。最有價值的那部分經驗，反而被浪費掉了。

而 LWD 的核心能力，可以打通這一斷裂。它將機器人學習過程重構為一個持續運轉的數據飛輪：離線強化學習預訓練得到初始策略，推送到機器人集群中執行；機器人在真實環境中產生的自主軌跡和人工接管數據實時回流；Learner 在云端進行在線強化學習更新；再將優化后的策略同步回機器人集群，如此循環往復。

在這個框架下，每一臺部署中的機器人，既是執行者，也是數據采集節點，真實世界從“測試集”變成了“主訓練場”。部署不再是訓練的終點，而是機器人智能持續提升的起點。

據介紹，團隊在 16 臺雙臂機器人組成的真實集群上，針對商超補貨、泡茶、榨汁、物品收納等 8 個復雜任務進行了系統測試。這些任務往往需要持續數分鐘的多步驟規劃和精細物理操作。評測結果顯示，搭載新框架的機器人平均成功率達到了 95%，顯著優于傳統方案。在最棘手的長程任務中，新框架帶來了最高 17%的成功率提升，而且單次任務平均操作周期縮短了約 23.75 秒。這意味著機器人變得更聰明，學會了自我糾錯和路徑優化。

在被問及 LWD 的數據飛輪要真正轉起來的瓶頸時，羅劍嵐直接指向了一個更底層的現實約束，即大規模真實部署背后的經濟問題。“機器人是一個系統工程，數據、基建、算法、機器人數量以及人工干預都重要，但如果只看當前階段，最核心的問題還是 cost。只有當足夠多的機器人在真實場景中持續干活，積累上萬小時甚至上萬臺規模的交互數據，這個飛輪才有機會真正閉環運轉。即使現有算法還不完美，其中大量 incremental improvement 依然可以工作。”

這也意味著，部署本身正在成為新的訓練資源。“換句話說，誰能部署更多機器人、讓更多真實數據持續回流，誰就更有機會把數據飛輪真正轉起來。”羅劍嵐還表示，在 scale up 過程中，還會繼續遇到數據質量、基礎設施和算法層面的新問題。但這些問題是隨著部署規模擴大逐步暴露、逐步解決，而不是在一開始就能完全預先解決。

2 部署數據全部回流，人工干預不等同成功示范

羅劍嵐提出的這條路徑，聽起來像是一項順理成章的演進。但真正的難點在于，這種從離線到在線的統一訓練，需要同時解決分布偏移、獎勵稀疏和數據來源的高度異構三個問題。

據羅劍嵐介紹，圍繞這些難點，LWD 在技術設計上做出了一系列關鍵選擇，包括讓所有部署數據無篩選回流、通過強化學習框架統一處理不同來源數據、將人工干預數據通過結果自動打標納入同一獎勵體系，以及采用稀疏獎勵來避免 reward hacking 問題。

首先，LWD 是強化學習框架，部署后的數據會全部回流使用，沒有人工篩選步驟。系統是在線、分布式地把數據拿回來訓練。但對于人工干預數據，處理方式也不是簡單地一律當成成功示范，而是自動打標的。如果人工干預后任務最終成功，就標記為 1；如果干預后仍然失敗，就標記為 0。

更重要的一點是，干預率本身是在下降的。羅劍嵐稱，隨著機器人自主能力提升、數據不斷回流，系統會越來越少依賴人工接管。所以在實際形態上，更像是一種混合自治：初期人機協作較多，后期逐步過渡到更高自主性。“這一點其實和自動駕駛的發展路徑是類似的。”

其次，LWD 獎勵函數使用的是稀疏獎勵。核心原因是 dense reward 容易帶來 reward hacking。稠密獎勵確實可能讓模型學得更快，因為它提供了 shaping 信號；但手寫 reward function 往往很難和真實物理系統、智能體真正應該完成的行為一一對應。

羅劍嵐舉的一個典型例子是仿真里用 RL 學走路：如果獎勵只寫成“重心速度越快越好”，模型可能會找到一種不符合常識的“前進方式”，比如把頭放在地上、腿朝上，用奇怪姿態讓重心快速移動。為了修正這些問題，又要不斷增加腳朝地、頭朝上、姿態合理等額外項，最后 reward function 會變得非常復雜，而且仍然不一定和真實目標完全一致。

“機器人操作也是類似的。manipulation 任務里，很難一次性把所有細節獎勵都寫對；只要沒寫對，就可能被模型 hack。因此稀疏獎勵的好處是，它至少能保證最終行為符合預期：成功就是 1，不成功就是 0。”他也坦言，盡管如此，稀疏獎勵的問題也很明顯：長程任務中信號很少，backup 不穩定，很難把正確信號傳回前面的步驟。LWD 用 distributional value learning 來緩解這個問題，把原本的標量價值信號建模成分布，通過備份這個分布來保留更多統計信息。

對于“邊部署邊學習”可能帶來的安全性與穩定性問題，羅劍嵐也明確表示，在真實部署中，一定會有額外的安全層。模型不會每時每刻都在變化，更新是有節奏、有控制的。另外，基礎模型本身成功率就比較高，在線學習更多是在這個基礎上做提升，而不是完全不穩定的探索。

3 率先跑通閉環：最適合的是“middle ground”

當“部署也變成訓練”這件事成立之后，它改變的就不只是單一算法或系統設計，而是整個具身智能的技術路徑與產業邏輯。

在羅劍嵐看來，這一過程可以參考自動駕駛的發展。自動駕駛沒有辦法在真實道路上隨意在線試錯，所以會發展出世界模型、高保真仿真器和離線評測體系；從產業鏈看，它也經歷了從少量試采車、離線數據采集，逐漸轉向部署數據回流、處理回流數據、再訓練、再推送模型的迭代過程。

“機器人如果能形成 LWD 這樣的部署閉環，數據鏈路也會從‘先采集、再訓練、再部署’的離線管線，轉向‘部署中持續回流數據，云端持續訓練，再把新模型推回機器人’的過程。區別在于，機器人場景如果允許在線學習和試錯，這套在線閉環的效率可能會更快。”

具體落地上，他認為，最適合率先跑通這一閉環的不會是完全開放的家庭場景，也不是高度結構化的工業環境，而是介于兩者之間的“middle ground”，例如商超、藥店和便利店。“這類半結構化場景的 layout 和物品類別有一定規律，不是完全不可控；但同時又存在豐富變化，對泛化性和性能都有要求。”

4 “大規模實驗中，未來會涌現 scaling 現象”

LWD 的核心是，預訓練要和部署結合，形成預訓練和后訓練共同驅動的部署閉環。談及 VLA 和世界模型兩條預訓練路線的未來走向，羅劍嵐表示，“如果 VLA 指的是 vision-language-action model，即同時包含視覺、語言和動作，那么它不太可能被世界模型簡單取代。機器人要做動作，一定需要 vision，也一定需要 action。”

他指出，真正有爭議的更多是 language 是否必要。如果機器人要在開放世界中完成復雜操作、長程任務拆解和類似人的推理，那么 language 是需要的，因為語言模型是目前實現這類推理能力最好的工具之一。

“但現在的 VLA 形式不一定會固定下來。比如是不是一定要把 action 當成若干 token 接到 VLM 后面、對齊到某個 latent space，這些都不一定。”

羅劍嵐還透露，LWD 是在預訓練模型基礎上做后訓練，對數據的利用效率很高，即使用的數據量不算特別大，也能看到性能提升。隨著后訓練時間增加，模型性能會在多個任務上同時提升。“更大規模實驗中，未來可能會看到類似 test-time scaling 的現象。”

不過，羅劍嵐也強調道，機器人不完全等同于語言模型，語言模型的 scaling 往往可以通過 pretraining loss 和下游 benchmark 建立比較清晰的關系。機器人還需要先把問題定義清楚，包括在哪些部署場景、優化哪些指標，才能進一步討論 scaling 或涌現。

聲明：本文為 AI 前線原創，不代表平臺觀點，未經許可禁止轉載。