你让机器人把碗放到盘子上,再把杯子放进那个刚被挪动过的碗里——对人来说就是顺手一收拾,对机器人却像考三门连环卷:第一步改了世界,第二步得在新世界里重新‘认路’。碗位置变了、机械臂姿态歪了、摄像头视角晃了……哪怕单项技能个个95分,组合起来照样抓空、放歪、卡死。过去很多AI模型,一换场景就露馅,训练时花里胡哨,落地后连茶杯盖都拧不开。

这次北京交大、北大、NYU、USC和灵行智能联合推出的Recursia,没靠堆数据、调参数、重训练,而是给机器人装了套‘脑子+反思本’:内层循环实时干活——看、想、写代码、控制手臂;外层循环默默记账——哪步错了、为啥错、怎么改、改完有没有用?改得对的,就存进共享‘经验栈’,下次自动调用。真机测试里,那个最考验组合能力的任务(先移碗、再放杯),基线模型只撑住20%,Recursia直接拉到100%。不是靠运气,是它真能在失败里揪出问题、试出解法、把‘教训’变成下一轮的‘常识’。
这已经不是单纯提升准确率的事了。它背后跑的是具身递归自我改进(Embodied RSI)——机器人不再等人类喂答案,而是自己提问、设计小实验、验证假设、更新认知。就像人在厨房打翻盐罐后,下回会下意识垫张纸;Recursia也能在夹不稳杯子后,自动调整力控参数并记住这个策略。OpenAI今年说他们有了‘自动化研究实习生’,华为用RSI通关25款游戏还比人类少操作56%……而Recursia证明:这套能力,现在能踩在真实机械臂上,稳稳落地。
更关键的是,它没把“失败”当bug来修,而是当老师来拜。传统机器人出错,工程师得连夜翻日志、调传感器、重标数据——Recursia却自己生成诊断报告:比如“第3次放杯失败,因碗沿反光导致深度估计偏移2.3cm,后续改用多帧融合+边缘校验”。这报告不是玄学推测,是它边干边跑的17个微实验里,唯一能复现成功的方案。
团队实测时故意拔掉一根力传感器线,基线模型当场僵住;Recursia愣了1.8秒,立刻切到视觉-触觉协同模式,靠摄像头追踪杯底形变+指尖微振动反馈,照样完成任务。这不是预设的故障预案,是它现场编的临时补丁——代码写在内存里,执行完就删,但逻辑被存进了经验栈。
有人担心这会不会太“聪明”?其实恰恰相反。它的每一步反思都卡在物理约束里:力控上限、关节扭矩、摄像头帧率……不会天马行空瞎试。就像人学骑车,摔了会看地面坡度、扶把角度、重心位置,但绝不会幻想“给轮胎装弹簧”。Recursia的“自我改进”,始终贴着真实世界的钢板和橡胶在走。
目前它已在高校实验室开放API,清华自动化系的学生用它三天就搭出自动分拣药盒的流程;深圳一家养老辅具公司正把它接入护理机器人原型机,教机器识别老人手抖时的茶杯倾斜角变化规律。没有大张旗鼓的发布会,只有真实场景里一声声“再试一次”的安静迭代。
说到底,AI落地最硬的坎,从来不是算力多强、参数多密,而是敢不敢让机器在不完美的世界里犯错、记错、改错。Recursia没造出完美机器人,但它让机器人第一次有了“越干越懂自己该干啥”的踏实感——就像刚学会系鞋带的孩子,手指笨拙,但眼神亮着光。
天顺优配提示:文章来自网络,不代表本站观点。