知识卡片：探索RSI，生数新世界模型让机器人开始自我进化

一句话结论

生数科技 Motus2 把行动、预测和评估放进同一世界模型，通过 Best-of-N 规划与基于模型的强化学习（MBRL）形成“生成动作→预测后果→评估结果→更新策略”的闭环，初步探索 RSI；文章称真机任务中规划+MBRL 将基础策略平均成功率从65%提升至75%，触觉与记忆模块也分别带来增益。

事件概述或研究问题

机器人学习拧灯泡时，如果拧歪，谁告诉它问题在哪、下次如何改？文章认为人类无法替机器人示范所有情况，机器人需要自评价动作结果并从反馈继续学习。生数科技发布 Motus2，文章称其在前代 Motus 基础上拓展视觉、语言、动作与触觉等模态，同时具备行动、预测、评估三种能力。

文章称前代 Motus 于今年2月发布，当时世界动作模型概念尚不成熟；Motus 在50项通用任务测试中较 Pi-0.5 绝对成功率高出35%以上。由于文章日期为2026-09-12，“今年2月”可理解为2026年2月，具体以原文为准。Motus2 的研究问题是：世界模型能否利用自身预测和价值反馈持续改进策略，并向 L4“自主世界智能体”靠近。

方法/产品要点

• 行动：WAM 生成动作，回答“接下来做什么”。
• 预测：AC-WM 预测后果，回答“做完会发生什么”。
• 评估：VM 评估结果，回答“结果好不好”。
• 闭环：生成动作→预测后果→评估结果→更新策略；文章将其称为对递归自我改进（RSI）的初步探索。这里的“自进化”指利用模型自身预测和价值反馈持续改进策略，不意味着开放环境无限自主学习。
• Action-first：从机器人领域中间训练阶段采用动作优先信息流，先根据当前观测生成动作，再预测结果，最后评估，以避免模型“偷看”未来视觉帧。
• 推理阶段：Best-of-N 规划，先想多个候选动作，分别脑补执行后画面，由价值模型打分，挑最高分执行；执行一小段后重新观察真实世界，再进入下一轮。
• 训练阶段：把候选动作打分转化为策略更新信号，分数高得到更强正向引导，分数低逐渐被放弃；称为基于模型的强化学习（MBRL）。该阶段只更新动作相关参数，预测和评估部分保持不动。
• 触觉：新增轻量级触觉专家模块，在短动作片段执行前读取最新触觉反馈以细化动作；复用主模型中间结果，不重跑完整视频骨干。
• 记忆：默认缓存近期真实观测；测试了保留完整历史与压缩历史信息两种方案。
• 灵巧手平台：已部署在单手22自由度的 Sharpa Wave、单手20自由度的 WUJI Hand 2 等平台，展示拧灯泡、翻书、多指操作等任务。
• Ego 数据体系：把人类第一视角操作经验作为主要数据来源，再迁移到机器人。训练三步：单目 Ego 视频预训练；引入双目视频和人类动作数据；机器人领域适配训练（机器人轨迹和人机对齐数据）。规模约13万小时人类第一视角数据，配上百小时级机器人及人机对齐数据。
• 相关对照：文章提到英伟达 EgoScale 采用类似思路；Physical Intelligence 的 RECAP 让机器人先跟人学再自己练习，出错时可人类接管纠正。

主要结果或产业意义

• 手机放置和多指操作两项真机任务：基础策略平均成功率65%；单独加入规划67.5%；单独加入 MBRL 72.5%；两者结合75%，比基础策略高10个百分点。
• 抽取纸杯、撕纸两项真机任务：加入触觉后，平均成功率从60%提升至72.5%，提升12.5个百分点。
• 寻找隐藏方块、根据历史提示操作按钮两项测试：保留完整历史信息的方案平均成功率57.5%，明显高于压缩历史信息方案。文章称这不能说明“记忆压缩行不通”，保存完整观测更像阶段性妥协。
• 同样目标任务微调流程下：只经过人类 Ego 数据预训练的模型，五项真机任务平均成功率51%；加入机器人领域中间训练后，成功率跳到84%，提升33个百分点。
• 数据规模对比：双目数据从2000小时加到20000小时，模型在人类动作预测任务上的验证误差持续下降，文章称未看到明显天花板。
• 世界模型分级：文章引李飞飞团队三分类（输出像素的渲染器、输出几何与物理状态的模拟器、输出动作的规划器）；生数科技把通用世界模型演进路线分为 L1 生成世界、L2 与世界交互、L3 在世界中行动、L4 自主世界智能体、L5 世界组织者。文章称 Motus2 已具备 L3 核心能力，并触碰 L4 中自主决策、自主反馈、持续自我改进的部分。

为什么重要

• 与已有相关卡片（NIST AI RMF 剧本、Epoch AI 出版物页面、OpenRouter 博客归档）无直接事实重叠；若放在同一 AI 产业脉络中，本条增量是具身智能/世界模型的闭环自进化，而非治理框架、研究趋势汇总或 LLM 网关产品。
• 机器人策略学习从“看到 A 做 B”的统计关联，转向“预测后果—评价结果—更新策略”的反馈闭环。
• 失败数据在闭环中有了不同于成功示范的用途：成功轨迹提供正向解法，失败轨迹用于学习动作后果与结果评价。这可能改变具身领域对数据价值的定义。
• RSI 此前更多在软件模型/通用 AI 讨论中出现；Motus2 把预测、评估和策略更新放进世界模型，是 RSI 在机器人场景的初步探索。文章同时强调，这与开放世界无限自主学习仍有距离。
• 产业层面，Motus2 展示了触觉、记忆、Ego 数据和高自由度灵巧手在同一个世界模型中的组合，可能影响灵巧操作、数据采集与训练范式。

局限与不确定性

• 文章明确：这里的“自进化”是利用模型自身预测和价值反馈持续改进策略，不意味着机器人已经能在开放环境里无限自主学习。
• 触觉数据在不同机器人本体之间的迁移还很困难；更长任务的预测可靠性、长期记忆效率、开放世界持续学习仍需探索。
• 记忆方案中，保留完整历史与压缩历史的取舍尚未解决；完整观测方案被文章描述为阶段性妥协。
• 文章未提供论文同行评审状态、第三方复现、完整基准细节和统计显著性，待核实。
• Motus2 的具体发布日期、模型规模、训练成本、开源/商用状态，材料未说明，待核实。
• 生数科技 L1-L5 分级与李飞飞团队三分类之间的关系，以及 Motus2 是否被外部认定完全达到 L3，待核实。

可用于图书/PPT/简报的角度

• 从“能行动”到“会反思”：世界模型如何把预测与评价接入策略闭环。
• RSI 在具身智能中的落地样例：Best-of-N 规划 + MBRL 策略更新。
• 失败数据也是资产：MBRL 如何改变机器人数据筛选逻辑。
• 灵巧手数据策略：Ego 数据预训练 + 机器人中间训练 + 人机对齐。
• 视觉之外的信息补丁：触觉专家模块与记忆机制。
• 世界模型路线图：L1-L5 与“自主世界智能体”的产业叙事。
• 竞争参照：Motus2、Physical Intelligence RECAP、英伟达 EgoScale、李飞飞团队世界模型分类。

原始材料

• 中文标题：探索RSI，生数新世界模型让机器人开始自我进化
• 英文标题：待核实（材料未提供）
• 英文关键词：RSI, WAM, AC-WM, VM, Best-of-N, MBRL, Ego data, Action-first, Motus2, Motus, Pi-0.5, EgoScale, Sharpa Wave, WUJI Hand 2, Dreamer, RECAP
• 作者：衡宇
• 来源：量子位
• 日期：2026-09-12 16:15:31
• URL：https://www.qbitai.com/2026/09/487752.html
• 项目主页与真机演示：https://motus-robotics.github.io/motus2/
• 论文链接：https://arxiv.org/abs/2608.30237
• 备注：材料未提供英文标题；论文同行评审状态、第三方复现与更多实验细节待核实。