智元发布终身具身智能框架 LIFE

机器人做完一个任务之后，能不能记住自己是怎么做的？智元发布的终身具身智能框架LIFE，试图回答的正是这个问题。据投资界报道，LIFE让机器人在任务之间也能持续感知环境、积累经验。在FindingDory的597个查询上，复用已有工具与技能后，任务成功率从37.5%提升至65.8%。这组数字说明，具身智能正在从单次执行转向持续学习。

今天的大多数机器人，执行任务时更像每次都要从头开始的学徒。完成一次搬运、一次分拣之后，它并不会自动记住这次任务积累的经验；下一次面对相似任务，仍然要从零开始感知、判断与执行。在任务高度重复、环境变化有限的结构化工厂里，做完就忘尚可接受；但家庭、商场、仓库这类更开放的场景里，任务多样、环境复杂，做完就忘的代价会被放大。

LIFE想改变的正是这一点。终身具身智能的核心思路，是让机器人在任务之间保持连续性：上一个任务中感知到的环境信息、调用过的工具、验证过的技能，都可以沉淀下来，成为下一个任务的起点。就像人类的工作经验：新手事事要请教，老手凭直觉就能处理大部分情况。机器人如果也能积累经验，执行新任务时的起点就会越来越高，成功率自然随之提升。

FindingDory的测试结果为这一思路提供了量化的佐证。在597个查询上，复用已有工具与技能后，任务成功率从37.5%提升至65.8%，提升幅度接近30个百分点。经验复用直接决定任务能不能完成：成功率从不足四成提升到超过六成，机器人从偶尔能完成任务，变成了多数情况下能够完成任务，对实际部署来说，这是质的变化。尤其在需要机器人独立作业的场景中，成功率提升直接关系到人工干预的频率与运营成本。

LIFE的核心是复用。复用已有工具与技能，框架需要解决两个问题：一是如何把过去的经验结构化地保存下来，让机器人在需要时能够快速检索；二是如何判断哪些经验适用于当前任务，哪些需要调整或舍弃。这两个问题都不简单，因为机器人的经验往往与具体的环境、物体与任务绑定，换一个场景就可能失效。LIFE在FindingDory测试里提升明显，说明它在经验的保存与复用机制上找到了一条可行的路。

具身智能竞争的新焦点，正在转向终身学习。过去竞争更多集中在本体硬件与单次任务能力上，谁的机器人动作更灵活、谁的模型理解更准确，谁就更有优势；如今机器人开始进入真实场景部署，持续学习的能力越来越重要。只能做完就忘的机器人，每种新任务都要重新训练、适配；能终身学习的机器人，部署之后可以不断自我完善。要适配的任务种类越多，终身学习的价值越大；规模化部署时，这种差距还会进一步拉大。

LIFE这类框架出现，机器人厂商的产品思路也要跟着变。过去厂商更关注如何让机器人在出厂时就具备尽可能多的技能；未来厂商还需要关注机器人如何在用户手里越用越好用。从出厂即定型到部署后持续进化，这种转变与软件行业的持续迭代颇为相似。当机器人能够在使用过程中不断积累经验，厂商与用户之间的关系也会从一次性的买卖，变成持续的服务与升级。

终身学习也带来了新问题。经验的积累需要数据的存储与管理，经验的复用需要避免错误经验的扩散，机器人在学习过程中还需要保证行为的安全性与可预测性。一个框架的发布解决不了这些问题，只能在实际部署中逐步验证。LIFE在FindingDory上的测试结果是一个积极的信号，但它能否在更开放、更复杂的真实场景中保持同样的提升幅度，仍有待观察。

智元发布LIFE，背后是具身智能行业从展示能力转向解决实际问题。能完成一次演示的机器人，与能在真实场景中持续稳定工作的机器人，之间隔着一条不短的距离。终身学习框架想要跨越的，正是这条距离。

来源：投资界

本文为作者原创，未经授权禁止转载。转载请保留原文链接并注明出处。