9月21日，无锡「ICCL自进化·物理智能Open Day」。

世界级科学家和企业家张亚勤院士提出Physical Self- Improvement，并对物理智能的下一阶段作出判断：物理智能的scaling要靠在部署中完成自进化。

清华AIR联手域变换发布的上一代Zeva已经证明过这条路线的可行性：模型不更新，能力也能持续增长。但还有一个更关键的问题没有解决 --

这正是 Zeva-Ego 要回答的问题。

01 预训练决定 60 分，自进化决定 100 分

具身智能行业今天最不缺的，是 Demo。

真正稀缺的，是能长期、稳定、少人接管干活的机器人。

原因并不复杂：离线数据无法穷举真实物理世界。摩擦会变，物体会偏，光照会变，抓取会滑动，执行会失败。换一个环境、换一条产线、换一批物料，往往就要重新采数据、重新微调、重新部署。

所以，具身智能有两道关：

第一道关，是“会做”。这靠预训练，靠数据、参数和算力，把通用能力做出来。

第二道关，是“做好”。这靠自进化，让机器人在真实部署中，从每一次动作、结果和失败里继续学习，越做越好。

预训练决定 60 分，自进化决定 100 分。

清华AIR和域变换早些时候发布的 Zeva，解决的是第二道关。

它把机器人每一次“动作→状态变化”变成可检索的因果记忆。模型参数保持冻结，能力却能在重复尝试中持续提升。在 RoboCasa365 上，同一个冻结模型的累计成功率从 26% 提升到 73%；在真实化学实验室里，机械臂也随着尝试次数增加，越用越稳。

在Zeva眼中，失败不是无效样本，而是学习信号。

但 Zeva 仍然有一个天花板：它的物理先验，来自原本的基础模型。它没有回答，怎么样用更低成本、更大规模的数据，把机器人的“起步能力”也一起抬高。

Zeva-Ego 的不同，就在这里。

图1｜Zeva-Ego设计和性能表现。图源：Zeva-Ego 论文

02 Zeva-Ego 的新突破：把两条曲线接在一起

Zeva-Ego 不是一个只做“部署后自进化”的模型。

它同时做了两件事：

第一，把人类第一视角视频，变成机器人的物理先验。

机器人真机数据昂贵、稀缺，但人类第一视角视频极其丰富。人们做饭、整理、装配、搬运、操作工具，这些视频里藏着大量真实的物理交互经验。

问题是，它们大多没有机器人动作标签，不能直接拿来训练机器人。

Zeva-Ego 的解法，是建设一条大规模 Ego 数据中训练管线。它覆盖六大数据源，合计接近 1.8 万小时语料，其中人类第一视角部分约 1 万小时。通过自动标注和动作表征技术，这些没有机器人标签的视频，被转换成可训练的动作监督。

这些数据在进入训练前，还要先过一条“数据集感知”的清洗管线：先检查视觉完整性，剔除解码失败、坏帧、时间戳断裂、镜头切换和相机标定异常；再把第一视角鱼眼画面统一到相同相机模型；然后过滤掉主要是穿戴者运动、而不是手部操作物体的片段；对有动作标注的数据，还要逐段校验位姿轨迹、四元数和跟踪连续性。只有通过这一整套检查的片段，才会进入中训练。

图2｜数据集感知的清洗管线：视觉完整性检查、视图标准化、操作聚焦时序过滤和物理轨迹校验，把多来源数据清洗成统一可训练语料。图源：Zeva-Ego 论文

更直白地说：它让机器人先读一部由全人类贡献的“第一视角操作教科书”。

图3｜任务匹配的人类第一视角示范：经过清洗和动作编码后用于机器人中训练。图源：Zeva-Ego 论文

第二，把 Zeva 的因果记忆，装进 VLA 的动作专家。

Zeva-Ego 采用 π0.5 作为视觉—语言—动作基础模型。VLM 负责理解场景、理解任务、预测下一步子任务；Action Expert 负责生成具体的连续动作。

Zeva 的因果自进化能力，没有去改动 VLM 主干，而是直接注入 Action Expert。

这意味着：机器人对世界的理解保持稳定，高层任务逻辑不被打乱；但低层“怎么抓、怎么放、怎么调整力度”会随着真实交互经验持续优化。

同样，模型参数保持冻结，不重训、不微调。变的，是上下文，是记忆，是下一次动作生成的依据。

前者让机器人起步更像人，后者让机器人越干越像老师傅。

先看模型是怎么训练的。Zeva-Ego 的训练分两段：第一段，在 π0.5 基础模型上做 Ego 中训练，把人类第一视角视频变成机器人的物理先验；第二段，再进入统一的任务后训练。为了确认增益确实来自 Ego 数据，论文固定了模型架构、优化设置和后训练配方，只改变中训练数据时长和来源。

图4｜Zeva-Ego 训练框架与过程：离线 Ego 中训练建立物理先验，在线 ICCL 将交互经验注入 VLA Action Expert，实现冻结参数下的持续进化。图源：Zeva-Ego 论文

03 Zeva-Ego到底有多能打？

Zeva-Ego 在受控实验里给出了几条很硬的结论。

第一，Ego 数据确实在形成一条新的 Scaling 曲线。从同一个基础模型出发，Ego 中训练数据从零扩展到 1 万小时，RoboTwin 成功率从 63.8% 提升到 75.3%，提升 11.5 个百分点，而且没有看到饱和。

图5｜Ego 数据 Scaling：从同一个 π0.5 基础 checkpoint 出发，先做 Ego 中训练，再做统一的 RoboTwin 后训练；Ego 数据从 0 到 1 万小时，成功率从 63.8% 提升到 75.3%。图源：Zeva-Ego 论文

第二，Ego 数据可以量化替代真机数据。在取得相近下游增益的区间里，4—5 小时人类第一视角数据，约等于 1 小时机器人真机数据。

第三，它对真机低数据场景帮助最大。在真实化学实验室 ChemLab-Evo 上，只给 10 条机器人示范时，PickTube 成功率提升 70 个百分点，PlaceBottle 提升 60 个百分点；在 20 条示范时，PourLiquid 提升 20 个百分点。

图6｜真机数据效率：固定 50 条任务匹配 Ego 片段，只改变机器人示范数量；机器人数据越少，Ego 增强越明显。图源：Zeva-Ego 论文

第四，Ego 数据的价值不只是“时长”，更是“多样性”。在同等训练预算下，任务语义覆盖从 5 个任务簇扩展到约 1,000 个任务簇，RoboTwin 成功率从 65.7% 提升到 70.2%。

图7｜任务多样性的影响：同等预算下，任务簇从 5 到 50 再到 973，RoboTwin 成功率从 65.7% 提升到 70.2%。图源：Zeva-Ego 论文

这条结论很关键：真正能迁移的物理常识，来自广泛、长尾、多样的人类操作经验，而不是对少数任务反复训练。

对行业来说，这意味着机器人数据的护城河正在变化。未来最值钱的数据，可能不是自有机器人回传的轨迹，而是能否把海量、低成本、多样化的人类视频，转化成机器人可消费的物理先验。

04 两版模型，清华AIR和“域变换”到底做到了什么？

Zeva 和 Zeva-Ego 把具身智能落地路上的两块拼图放上了桌面。

第一次发布 Zeva，做到的是：让机器人在部署后，从自己的真实交互中学习。模型不更新参数，也能把每一次动作、结果和失败，变成下一次决策的依据。它把“部署后自进化”从一个概念，变成了可验证的结果。

这一次发布 Zeva-Ego，做到的是：把自进化的起点抬高一个量级。它用约 1 万小时人类第一视角视频，建设大规模 Ego 中训练数据，让机器人先获得更通用、更低成本、更可规模化的物理先验；再把 Zeva 的因果记忆接入 VLA 的 Action Expert，让高层理解保持稳定，低层动作在真实部署中持续优化。

所以，两次发布连起来，答案很清晰：Zeva 证明了机器人可以越用越强；Zeva-Ego 证明了这种越用越强，可以建立在大规模人类数据带来的物理先验之上。

它们共同指向同一件事：机器人不止要会做，更要越做越好、越做越可靠。

05 为什么这件事值得关注？

因为它改变的不只是模型指标，而是机器人的商业模型。

过去，客户买的是一台机器人、一套模型、一个项目制交付。每换一个场景，就要重新采集、重新训练、重新调试。技术很先进，但 ROI 很难算。

当模型可以在大规模人类数据上获得通用物理先验，又能在部署后持续自进化，商业模式就会从“卖机器”转向“卖持续增长的生产力”。

客户不再为技术名词买单，只为真正能跑通 ROI 的结果买单：任务是否稳定完成、人工接管是否减少、部署成本是否下降、产出是否持续提高。

这背后是一条数据飞轮：

部署越多 → 真实交互越多 → 因果经验越丰富 → 新场景适配成本越低 → 部署更多。

而 Zeva-Ego 所代表的，正是 Model-Agent-Infra 完整体系中的模型层：模型负责变强，Agent 负责把能力用起来，Infra 负责让自进化跑得更快、更省、更可扩展。

06 结语：部署元年，由“越用越好”定义

具身智能可能不会像 ChatGPT 那样，突然出现一个单点时刻。

它更像 Waymo 走过的路径：可靠性、部署能力、成本结构逐步跨过临界点，机器人悄然进入越来越多的真实岗位。

下一阶段的竞争，不会再只是“谁的模型更大”，而是两条曲线同时展开：

一条是训练前的物理先验曲线，一条是部署后的经验进化曲线。

Zeva-Ego 背后所展示的是清华AIR和域变换的思考：机器人落地缺的不是又一个更大的模型，而是把这两条曲线接在一起。用人类第一视角视频规模化地抬高物理先验，再用因果记忆把每一次真实交互变成下一次的能力。

预训练让机器人从不会到会做。

自进化让机器人从会做到做好，越做越好。

而 Zeva-Ego，正在把这两件事连成一条路。

项目信息

- 项目名称：Zeva-Ego

- 发布机构：清华 AIR、域变换 Z-Trans

- 论文题目：Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation

---

「免责声明」：以上页面展示信息由第三方发布，目的在于传播更多信息，与本网站立场无关。我们不保证该信息(包括但不限于文字、数据及图表)全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担，以上网页呈现的图片均为自发上传，如发生图片侵权行为与我们无关，如有请直接微信联系g1002718958。