AITOPAI热报

Physical-RSI

general · First seen 2026-10-14 · Last seen 2026-10-27 · 5 mentions

Overview

Physical-RSI（物理递归自我改进，Physical Recursive Self-Improvement）指机器人在真实物理环境中通过自主收集数据、自我训练来持续提升自身能力的技术路线，目前被视为具身智能从实验室走向规模化落地的关键方向之一。与纯数字领域的自我改进不同，它要求机器人在便利店、仓储等长尾场景中边工作边进化，因此数据质量、安全兜底和进化效率成为核心难点。

Physical-RSI 的近期进展

  • Physical RSI落地便利店，机器人无人在环打工实测长尾场景：据量子位报道，Physical RSI已进入便利店场景实测，机器人在无人在环（即没有人类远程接管）的条件下应对真实营业中的长尾任务，这类开放环境被认为是对自我改进闭环最严苛的检验。
  • 智元发布具身 Agent 框架 Genie Master：机器人能边工作边进化：智元推出的具身 Agent 框架 Genie Master 主张让机器人在执行任务的同时完成自我进化，把作业过程本身变成数据生产和模型迭代的来源，与 Physical-RSI 的闭环思路高度一致。
  • Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy：这篇 arXiv 论文（编号 2610.26848）从观测性缩放定律的角度分析了 Physical RSI 能力的来源，探讨以大语言模型作为策略时能力随规模的涌现规律，为该方向提供了理论解释框架。
  • Who Improves the Robot? Toward Physical Recursive Self-Improvement：另一篇 arXiv 论文（编号 2610.18842）系统提出了 Physical Recursive Self-Improvement 的问题定义，讨论“谁来改进机器人”这一归属问题，是该术语较早的体系化阐述之一。

    • 当前焦点与观察点

    目前围绕 Physical-RSI 的讨论集中在三点。其一是闭环的真实性：便利店这类无人在环实测显示，长尾场景中的失败样本能否被有效回收并转化为训练信号，直接决定自我改进是否成立。其二是能力来源：学术界试图用缩放定律解释 Physical RSI 能力的涌现条件，判断它是随模型规模自然出现，还是需要专门的数据与训练设计。其三是安全性：机器人自主改写自身策略时，如何在不依赖人工监督的情况下保证行为可控，是落地方案必须回答的问题。后续值得关注的信号包括更多真实商业场景的无人在环运行时长数据，以及框架层面的进化效果是否能在跨场景迁移中得到复现。

    Coverage

    4 on file