以 GPT-6 Astra 为代表的前沿通用智能模型，已经在部分操作任务上展现出不错的零样本能力。但落地部署不能只看零样本表现，模型策略是否可靠更为关键。哪怕是业内最强的通用模型，机器人也容易在接触交互、对齐以及长流程任务执行中反复出错。
研究发现，加入人类动作示范可以有效提升模型可靠性。可问题在于：倘若每次能力升级都需要人工示范，当机器人大规模部署时，能提供示范的专家人力将跟不上扩张需求。
大洋彼岸，Physical Intelligence 也在关注这一问题。联合创始人 Sergey Levine 在近期访谈中指出，机器人起初需要人类采集的高质量示范来建立基础能力；能力成熟之后，便可以在真实世界里自主试错，利用自己采集的数据继续迭代学习。
在相似的思考中，清华大学、智元与无问芯穹联合提出了群体经验学习（Collective Experience Learning，CEL）范式，并在 96 台机器人上完成了该学习范式的原型验证。
CEL 论文封面
在手机包装为代表的多阶段、长流程工业场景中，训练后的策略在两台未参与训练的同型号机器人上完成 120 次测试，成功率从 79.2% 提升至 98.3%。换成更直观的数字：同样 120 次测试，失败从 25 次降至 2 次，减少了 92%。
更值得关注的是规模带来的收益：在相同物理训练时间内，参与学习的机器人从 16 台增加至 96 台，测试成功率由 86.7% 提高至 98.3%。机器人数量的增加转化为了更可靠的任务执行能力。
CEL 论文概览图
-
技术报告：https://arxiv.org/abs/2610.25736
-
网站链接：https://cel-robot-learning.github.io/
群体经验学习：机器人同伴，也能成为经验来源
机器人进化的现有路径高度依赖人类接管。无论是模仿学习还是人在环强化学习，都需要人类示范任务完成方式，或在机器人出错时介入。这不仅要求操作员动作流畅，还要熟悉接管时机，平衡自主探索与人类示教的数据比例。然而，随着训练机器人的数量增加，经验丰富的人类专家却难以同步扩展。
CEL 则改变了后续学习中动作监督的来源。
假设一台机器人在放置手机时遇到了困难，而另一台机器人曾在相似情境下成功完成操作。那么，后者的经验可以帮助共享策略弥补前者的不足，从而让一台机器人的练习惠及整个群体。
在这种范式中，人类的角色随之发生变化：从不断提供动作、协助探索，转向结果判定。
CEL 与之前学习范式的区别
要把 CEL 的思想变成可运行的学习过程，还需要跨过两道关。
-
第一，如何从仅有 0/1 反馈的大量执行经验中，找到真正值得学习的经验？
-
第二，如何让规模化的机器人在线运转，在通信受限和局部故障的情况下持续稳定地积累经验？
只有稀疏反馈，机器人究竟怎么学？
一次任务的时长有 3 分多钟，4000 多步，但任务最终的反馈却只有一个比特：成功记为 1，失败记为 0。这样的反馈可以区分任务是否完成，却无法直接指出：策略在哪些环节存在不足，又有哪些成功经验值得重点学习。为此，团队提出了失败引导的经验检索微调算法 FERT。它区分了成功与失败样本的作用：成功轨迹提供可学习的动作，失败场景则指明学习的重点方向。
FERT 算法框架图
在 FERT 框架下，初始策略部署在各个机器人上异步执行任务。成功轨迹存入共享经验池，作为后续策略微调的学习素材。
失败轨迹的作用是定位模型需要重点学习的区域。算法会截取失败任务临近结束前的一段观测序列，对相机图像与机器人关节状态做联合编码，再凭借这段表征在成功经验池中检索相似的操作片段。
FERT 将成功轨迹与失败轨迹协同利用。和当前失败场景匹配的成功片段会被赋予更高采样优先级，引导训练重点聚焦于这些易出错环节。
更新完成的策略下发回机器人，持续生成新的成功与失败经验。群体经验的价值，一方面来自持续的数据积累，另一方面取决于能否把适配的经验精准送到模型最需要学习的地方。
96 台机器人同时训练，系统必须跟得上
让 96 台机器人持续积累经验，面对如下现实问题：有的执行快，有的复位慢；有的网络波动，有的需要充电，少数机器人还可能出现硬件故障。
如果局部故障就要重启整个训练，大规模的协同训练将无从谈起。
面对这一问题，团队设计了容错异步训练系统 FATS，将 100 台机器人、50 个边缘节点和 6 台云端服务器持续动态地组织起来，稳定支撑了大规模真实世界在线学习。FATS 将机器人视作和 GPU 同等的训练资源，实现了所有训练硬件的统一调度。
（1）SwarmLink：让数据高效流动
数据平面 SwarmLink 负责连通环境、推理与训练节点。每台机器人完成一轮任务后异步提交数据，训练侧可基于已抵达的经验数据实时更新策略，无需等待所有机器人任务完成。系统支持端云资源灵活编排，训练、推理等组件可按需部署在云端或端侧。支持基于多样化网络带宽与拓扑结构做自由配置，用以权衡权重同步带来的高带宽开销，以及推理、环境频繁交互引发的延迟压力。
SwarmLink 设计
（2）HotSwarm：高容错的热插拔系统
控制平面 HotSwarm 管理节点和工作进程的动态进出。机器人暂停、离线或重新加入时，系统保留节点的注册信息与资源配置，更新工作进程，并修复受影响的连接。
在一项 96 台机器人规模的系统实验中，集群累计采集 9834 轮执行经验；期间共有 22 台机器人发生 30 起故障，而故障导致的机器人时间损失仅占总运行机时的 1.3%。即便硬件出现故障，集群的经验积累与训练学习过程仍可持续稳定推进。
HotSwarm 设计
五类真实任务，群体经验能带来多少提升？
实验测试的5个任务演示，GIF经过加速处理
团队横跨家庭、工业场景，覆盖了插花、叠衣服、手机充电、凳子组装和手机包装五项任务，涉及柔性物体、精确操作、工具使用与长流程执行。
5 个测试任务成功率
在五项真实世界任务、两台未参与训练的机器人上，团队共完成 600 次测试，累计测试近 30 机器人小时，仅出现 15 次任务失败，总体成功率 97.5%，失败率仅为 2.5%。其中，单台机器人在叠衣服和手机充电任务中，分别实现连续 3 小时 34 分和 3 小时 19 分无任务失败。
传统离线微调（SFT）在上述任务中的平均成功率仅 36.3%；基于人类示范的多机 HG-DAgger 方案，成功率可提升至 81.0%；在此基础上，我们在 CEL 范式下采用的 FERT 算法进一步突破上限，最终模型在全任务上的表现均超过 6 名人类遥操员的平均水平。CEL 真正实现了摆脱人类示教，达成了更稳定、更鲁棒的任务执行效果。
机器人在线训练的 Scaling 趋势开始显现
如果群体本身能够提供学习经验，一个自然的问题是：增加机器人，能否继续改善策略？
真机 scaling 曲线
团队逐步扩大参与训练的机器人集群规模。在相同的物理时间内，FERT 算法在五项任务上均呈现出显著的规模化趋势：机器人数量越多，任务成功率越高。相比之下，依赖人类示教的 HG-DAgger 方案仅表现出有限的扩展能力，人类示教的采集效率成为其进一步扩大规模、突破成功率上限的瓶颈。
在难度最高的手机包装任务中，参与 FERT 训练的机器人从 16 台扩展至 96 台，测试成功率从 86.7% 提升至 98.3%。在相同的真实世界交互时长内，更大规模的机器人群体直接转化为了更高的任务执行成功率。
这为具身智能提供了一个值得继续探索的规模化方向：除了积累人类示范数据，还可以扩大具备自主探索能力的机器人群体，让真实世界的物理交互成为持续学习的核心来源。
部署之后，机器人可以共同成长
从一次成功演示走向重复、可靠的执行，机器人需要在真实交互中不断改善能力。CEL 探索的路径，是让已经具备基础能力的机器人自主贡献经验，通过共享策略将个体实践转化为群体可复用的能力。
在这一过程中，部署现场成为新的经验来源。机器人执行任务时产生的成功与失败，可以进入后续学习循环。
96 机实验将经验获取、经验利用与持续运行连接起来，在真实机器人上展示了扩大群体带来的学习收益。当每台机器人都能贡献经验，机器人的数量就有机会成为能力增长的一个新维度。让每一台机器人的实践，成为更多机器人下一次做得更好的起点。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com