机器人学技能，是否一定要人类手把手一台一台教？智元给出了不一样的答案。近日，智元联合清华大学、无问芯穹发布群体经验学习范式，让机器人不再逐台等人类示范，而是从同伴的真实作业轨迹里学习。在真实任务中，这一范式均超过人类远程操作员的平均水平，最高反超16.7个百分点。机器人之间的“传帮带”，正在从设想变为可验证的方法。

具身智能走到今天，最大的瓶颈之一并不在模型结构，而在数据。机器人要学会抓取、装配、分拣这些看似简单的动作，传统做法高度依赖人类示范：操作员通过遥操作设备一遍遍演示，机器人再模仿学习。这种方式虽然直观，却有一个天然的短板——示范成本高、速度慢，而且每一台机器人的经验都难以直接复用到另一台身上。当机器人数量从几台走向几百台、几千台时，逐台示范的模式很快就会撞上天花板。

群体经验学习范式试图换一种思路：让已经会做的机器人成为“老师”，把它们在真实作业中留下的轨迹变成可共享的学习资料。同伴的轨迹不是实验室里编排好的标准答案，而是在真实任务中一步步走出来的操作记录，里面既有成功的路径，也包含面对意外情况时的调整。其他机器人从这些轨迹中学习，相当于站在同伴的肩膀上起步，不必从零开始重复人类已经教过的内容。学习的主体从“一个人教一台机器”变成了“一个群体互相成就”。

从公布的数据看，这条路的效果已经初步得到验证。在真实任务测试中，采用群体经验学习范式的机器人均超过人类远程操作员的平均水平，最高反超16.7个百分点。这个对比值得留意：它比较的不是机器人与人类专家在极限操作上的差距，而是与日常远程操作平均水平的高下。超过平均水平意味着，在那些重复性强、流程相对固定的真实任务里，机器人群体已经能够稳定地达到可用水准，而不是停留在个别演示视频里的“高光时刻”。

这一范式的合作方组合也很有代表性。智元作为人形与具身机器人企业，负责把方法落到真实机体和真实任务上；清华大学提供学术研究的纵深；无问芯穹则来自算力与大模型基础设施一侧。具身智能本来就是一个交叉领域，机体、算法、算力缺一不可，三方合作的形态，恰好对应了从实验室方法到规模化部署之间需要打通的环节。群体学习要真正跑起来，离不开大量轨迹数据的采集、存储与训练，而这正是算力基础设施要支撑的部分。

更深一层看，群体经验学习指向的是具身智能规模化训练的关键问题：经验如何积累、如何流动、如何复利。人类社会之所以进步，很大程度上是因为经验可以通过语言、文字和师徒制代代传递，而不是每个人都从头摸索。机器人群体如果也能建立类似的经验共享机制，那么每新增一台机器人、每完成一批任务，整个群体的能力底座都会变厚，而不是简单地线性叠加人力成本。这正是“范式”这个词的分量所在——它不只是一个单点技巧，而是一种组织学习过程的方式。

当然，群体学习也带来新的问题需要回答。首先是经验的质量：同伴轨迹中难免包含次优操作甚至错误，如果不加筛选地全盘吸收，错误也可能在群体中扩散。因此，如何评估轨迹的可信度、如何过滤低质量样本，将成为这套范式能否长期有效的关键。其次是泛化能力：在某一批任务上学到的经验，能否迁移到新的场景、新的机体上，仍需更多验证。最后是安全边界：机器人在真实作业中自主学习，必须有明确的监督与干预机制，避免在无人值守的情况下放大风险。

放在更大的行业背景里，群体经验学习与近期具身智能领域的其他进展相互呼应。仿真平台在把真实场景数字化，数据集标准在规范数据的质量，而群体学习则在解决数据从哪里来、如何越用越多的问题。三者合在一起，描绘出的是一条具身智能从“单机演示”走向“群体作业”的演进路线。接下来值得观察的，是这一范式会在哪些具体行业任务中率先规模化落地，以及它在真实产线、真实服务场景里的长期表现是否经得起考验。

文末来源：新浪财经