清华大学联合无问芯穹、智元提出群体经验学习范式 具身智能规模化落地获新路径
要点
清华大学、无问芯穹与智元近日联合提出群体经验学习（Collective Experience Learning，CEL）新范式，并在96台真实机器人组成的集群中完成规模化验证，为具身智能规模化落地提供了新的技术路径。 当前具身智能能力提升高度依赖人工示教与纠错，经验丰富的操作人…
清华大学、无问芯穹与智元近日联合提出群体经验学习（Collective Experience Learning，CEL）新范式，并在96台真实机器人组成的集群中完成规模化验证，为具身智能规模化落地提供了新的技术路径。
当前具身智能能力提升高度依赖人工示教与纠错，经验丰富的操作人员难以匹配机器人批量部署的速度，成为产业发展的核心卡点。CEL 范式将学习对象从人类转向机器人群体自身：单台机器人在实践中摸索出的成功经验可以沉淀为共享资源，供群体内其他机器人学习复用，无需等待人工示教。随着部署规模扩大，经验储备同步增厚，进而形成”机器人越多、能力越强”的正向规模效应。
真实场景测试覆盖家庭服务与工业生产两类场景，设置了插花、叠衣服、手机充电、凳子组装、手机包装五项任务。结果显示，两台未参与训练的机器人完成600次测试，总体成功率达97.5%，五项任务成功率均超过6名人类操作员的平均水平。其中，多步骤的手机包装任务经群体学习后成功率从79.2%提升至98.3%，连续120次测试仅失败2次。研究还显示规模化增益规律：参与训练的机器人从16台增至96台，任务成功率从86.7%提升至98.3%。
在系统与算法层面，团队基于强化学习开源框架 RLinf 构建了容错异步训练系统 FATS，支持机器人异步上传经验、模型持续迭代，可抵御网络波动、设备掉线等真实环境风险；算法层面提出失败引导的经验检索微调算法 FERT，同时复用成功经验与失败案例，帮助机器人在相似场景中快速定位改进方向。96台规模测试中，集群累计采集9834轮执行经验，期间22台机器人共发生30次故障，故障造成的机时损失仅占总运行时长的1.3%。
此次联合攻关中，清华大学提供学术研究支撑，无问芯穹负责 AI 基础设施搭建，智元贡献整机产品与真实应用场景，打通了从前沿算法到产业落地的转化链路。
