2026年，上海交大长聘教轨助理教授、谷歌学术引用超5000次的穆尧，创办了SeeAct AI。这位研究者的判断很明确：具身智能的终局，一定是从“被训练”走向“自我进化”。
RoboTwin：从空白到具身圈的事实标准
四年前具身智能领域近乎空白——没成熟数据集，没标准Benchmark，甚至没公认的技术路线。穆尧当时在HKUMMLab跟着罗平、汤晓鸥两位教授做研究，瞄准了具身智能方向。后来他主导的RoboTwin，成了中国具身智能圈的事实标准：GitHub斩获超2900颗星，蚂蚁集团LingBot-VA、生数科技Motubrain都抢着在这个基准上刷新成绩。RoboTwin 3.0还和摩尔线程合作，支持国产显卡和物理引擎，不是只卡国产，不同显卡、引擎都能接入。
穆尧的坚持不是凭空来的。2018年清华读硕时，他就顶着行业拆分感知、规划、控制的主流做法，坚持自动驾驶要做端到端Policy和奖励驱动。后来特斯拉FSD把整个行业收敛到这条路上，他的“技术直觉”也算被验证了。
经验规模化：比数据模型更核心的门槛
穆尧把具身智能的规模化分成三层：数据规模、模型规模、经验规模。前两层卷得凶，没人真正做好第三层——经验规模化。
说白了，人是靠物理世界的交互攒经验：婴儿学走路、工人变熟练工，核心都是自己试错、调整。机器人也一样，拧瓶盖的人类演示数据，永远覆盖不了“抓偏了”“打滑了”这些真实交互的细节。经验规模化，就是让机器人能自主试错、积累有用的新经验，还能根据反馈调整策略。
他提的“递归自我进化”更狠：能力到一个水平后，能自主试出更高质量的经验，再用这些经验升级能力，循环下去——就像学生从60分靠新题练到80分，再拿高分题突破，完全是自主迭代。
仿真：自我进化的低成本杠杆
经验不能靠真机瞎试，成本太高。穆尧的思路是：少量真机数据，加大量虚拟空间生成的数据。真机数据是机器人真实交互的rollout数据，虚拟数据不用真机，用神经网络驱动的通用World Engine生成，逼近真实物理环境。
比如拧瓶盖，机器人在虚拟里试错，攒的经验也能给真机用。现在行业里的GEN-1.5，在陌生场景有58%的成功率，离99.99%还有很远，但经验规模化的路径已经清晰。
现在具身智能的自我进化方向已经被锚定，但落地的缺口还大。问题是：具身智能的自我进化，会先在工业流水线跑通，还是先进入普通家庭？
素材来源：雷峰网 · AI情报、具身智能、AI政策与监管、人才与组织
查看报道原文
发表第一条评论吧