企业官网建设流程全解析

26年9月来自港大MMlab的网页介绍“PhysicalRSI 1.0: Recursive Self-Harness for Scaling Embodied Skills”： https://mmlab.hk/research/PhysicalRSI。

1．方法的核心

可以用一个循环理解：

执行任务 → 记录失败 → 提出程序修改 → 在环境中测试 → 保留有效版本 → 继续迭代。

这里需要区分两类能力：

完成任务的能力：感知、规划、调用动作技能、控制机器人。
改进系统的能力：分析失败原因，修改工具、记忆、技能及其调用方式。

如果底层模型权重保持不变，改进主要发生在 harness，即连接模型、工具、记忆和执行流程的驾驭运行框架。那么，系统是在通过积累和修改可执行程序学习，而不一定通过重新训练神经网络学习。

它的实际吸引力在于：把一次推理得到的经验保存为以后能够直接执行的规则。例如，“抓取失败后重定位再尝试”，可以从临时建议变成带触发条件和结果检查的恢复程序。

它的核心是两层循环：双系统负责“当前任务如何完成”，Embodied Self-Harness 负责“下一版系统如何做得更好”。两者连接起来，使大模型的反思能够变成后续实际运行的控制代码。

如图所示其双-系统共-演化框架：

2．创新点

具身学习落实到四个具体层面：

这使其研究对象比“优化一个提示词”更丰富：它试图在可执行程序空间中积累具身能力。 一个失败可以引发新的状态变量、子任务、控制分支或技能组合。

贡献的重心在可修改的智能体结构，以及经验如何进入下一版结构。 双系统提供分工，self-harness 提供持久更新的载体。

叠衣服示例中，系统保留“记录下降轨迹并反向撤回”的程序，但每回合重新测量轨迹和关节姿态。

这比保存一段固定动作序列更有意义：继承的是一种操作方法，执行时再绑定当前场景的数据。其潜在泛化来源可以明确解释为：
保留可复用的程序结构，重新估计本次执行的状态。

网页还展示了跨任务复用坐标转换模块，以及将识别、求解、抓取、移动、放置组合起来。这些都是具体的软件层能力复用。

不过，仍需区分三件事：
程序能够适应输入变化；
已有模块能够被复用；
系统能自主发现新任务所需的抽象与组合。

前两项有展示；第三项需要完整生成记录和迁移实验才能确认。

大模型生成机器人策略代码，已有 Code as Policies；依据执行反馈修改运行框架，已有 Self-Harness；冻结基础策略并演化具身检查与恢复机制，也有 Zetta。

所以 PhysicalRSI 更有说服力的创新主张应当是：

将表征、状态、规划和控制都纳入可继承的具身程序改进过程，并在多类机器人任务中验证这种组织方式。

这可以是一项有价值的系统贡献。但仅凭“双系统＋反思＋环境选择”的框架，还不能确认存在新的核心优化算法，也不能确认相对已有工作的独特增量有多大。

尤其是“原生双-系统协同进化”这个表述，需要进一步证明：联合修改两者的协作机制，确实优于只改执行技能或只改高层规划。否则，观察到的主要收益仍可能来自自动改进控制程序。

叠衣服图中的记录为：

网页附带的数据说明明确指出：
展示的是选出的节点，不是全部搜索历史；
完整开发历史中存在退化，也存在更高的开发集成绩；
正式评估端点没有提供对应场景组与策略版本身份；
不能将其视为同一评估群体上的正式学习曲线；
这组记录不主张证明泛化、模型调用减少或实际运行加速。

这应当同时得到两种评价：

积极的一面是作者披露了比较边界；限制的一面是图中向上的节点连接，不能证明每一轮改进都有效、性能持续单调增长，或后代越来越善于自我改进。

它支持“某些程序版本取得了更好的开发集结果”，距离“稳定的递归改进规律”还有明显证据差距。

如图所示其实现框架：

3．可能的问题与不足

1）视频和技能图谱更适合解释机制，不能替代因果验证。

网页注明视频是选取的执行回合，部分对比视频来自独立运行。叠衣服演化视频中的版本，也不与图表节点逐一对应；播放说明还包含部分阶段加速及静止片段省略。

因此，视频能够帮助判断：
某个版本确实展现了相应动作；
程序修改对应怎样的行为变化；
成功或失败发生在哪个阶段。

但它无法单独判断：
该修改是否显著提高总体成功率；
改进是否由系统自主提出；
两个对比是否控制了相同初始条件；
新程序是否在未见场景中更可靠。

同样，网页的技能图谱包含 212 个提取的视频片段、覆盖 40 个任务，其位置是示意布局。不能将它解读为“自动发现了 212 个独立可迁移技能”，也不能把图中的空间关系当作学得的技能表示。

2）其泛化问题已经有具体迹象，但不能过度归因。

网页任务表中，有些标准场景与随机场景差距很大。例如：
叠碗：标准场景成功率约 75%，随机场景为 0%；
向杯中倒液体：标准场景约 94%，标为估计值；随机场景为 9%。

这些结果说明：成功的程序结构尚未消除场景变化带来的脆弱性。

但仅凭分数，无法断言原因就是硬编码。问题也可能来自感知、定位、抓取技能、控制鲁棒性或不同场景的难度。

后续最值得研究的是：系统能否判断一个技能的适用条件；条件不满足时，能否重新估计状态、切换策略，或触发新的改进过程。否则，技能积累可能逐渐变成大量局部有效的程序。

3）目前最大的缺口：自主改进过程尚不够可审计

网页已经比纯演示项目更具体，但要确认其“自进化”贡献，还需要把完整因果链连接起来：

哪个失败触发了修改 → 模型看到了什么 → 自动产生了哪些候选 → 人是否介入 → 如何评估淘汰 → 最终版本在未见任务上怎样。

当前最关键的缺失证据，不是更多成功视频，而是：

固定基础模型、工具和预算，只改变是否允许自改进的对照；
完整候选与失败历史，而不只是选出的版本；
人工编写、人工筛选与自动修改的贡献划分；
隔离的最终测试集和跨任务迁移；
将搜索、仿真、失败验证都计入的总成本；
新一代是否更善于改进自身的专门实验。

可以说，它是一个有具体机制、有一定行为与评估证据的具身程序自改进原型。 它最有价值的启发，是将机器人学习扩展到表征、状态、规划和控制程序的持久修改；现有网页还不足以确认开放世界持续学习、双-系统协同进化的独立收益，以及改进能力本身的递归增强。

4 关于Dual-system / 双-系统的工作

网页中的 System 1 和 System 2 是一种功能分工，不宜直接等同于人类认知机制，也不必理解成两个独立训练的神经网络。

一个容易忽视的细节是：System 1 也包含决策逻辑。 它不只是被动执行一串固定动作，还可以根据观察和当前状态选择技能、检查条件、更新状态。网页给出的表达是：

(a_t, m_t+1) = H_k(o_t, g, m_t; S, T)

这里：

o_t：当前观察；
g：任务目标；
m_t：当前回合的状态；
(S, T)：技能与工具；
(a_t)：输出动作；
k：当前运行框架的版本。

因此，System 2 可以把一部分原本需要每次重新推理的判断，写入 System 1 的程序。例如“物体仍被夹持时继续搬运，否则重新抓取”，可以成为运行时的条件分支。

网页展示的技能类型也不只有 VLA，还包括代码策略、π₀.₅，以及带稀疏记忆的 π₀.₅。

双系统的直接价值，是将较慢的任务推理与较快的动作执行分开。网页标注了约 0.1–1 Hz 的规划与约 20–50 Hz 的动作控制，但明确说明这些只是示意估计，而且控制频率不同于模型推理频率，不能拿来证明实际部署的实时性。

5 这个双-系统比普通“规划器＋执行器”多了什么？

普通分层系统中，规划器决定“调用哪个已有技能”。PhysicalRSI 还允许 System 2 修改“技能本身以及技能如何被组织”。

以插钥匙为例，网页将控制结构拆成：

接近 → 对齐 → 插入

三个阶段可以采用不同的目标与终止条件。我的理解是，这种结构使系统能够分别处理“接近路径不合适”“姿态没对齐”“插入动作失败”等问题，避免把整个任务看成一个无法定位错误的动作黑箱。

进一步，修改对象可以位于不同层次。网页列出四类例子：

这说明它搜索的空间不只是动作参数，而是从感知表征到控制流程的一整段程序结构。

不过，“协同进化”的含义需要谨慎界定：网页允许基础模型 F 保持不变，所以不能据此说 System 2 的模型权重也在学习。更准确的理解是：System 1 的执行程序，以及 System 2 使用信息和调度执行的方式，可以随运行框架一起改变。

6 关于Embodied Self-Harness 框架的运行

这里的 harness 可以理解为智能体的“运行与控制的驾驭框架”。“具身自-驾驭”，强调的是智能体修改自己的工作方式。

网页把第 k 代智能体定义为：

A_k = Agent(F, H_k)

并写成：

H_{k+1} = Improve_A_k(H_k, tau_k)

其中 tau_k 包含具身交互中的观察、动作、成功与失败。网页的主循环可以整理为：

1. 用当前框架 Hₖ 组成智能体 Aₖ
2. System 2 理解任务并产生计划
3. System 1 执行，得到交互轨迹 τₖ
4. Aₖ 根据 Hₖ 和 τₖ 生成多个候选框架
5. 将父代与候选子代放入评估
6. 选择一个存活版本
7. 继承它的框架，进入下一轮

其核心是：

提出变体–〉评估–〉选择–〉继承

网页称之为 Darwinian Self-Harness。它是由模型引导的程序变异与环境选择，而不是完全随机的程序搜索。

这里有三个关键点。

第一，反思产生的是候选修改，不是已经被证明的改进。

“我认为这样更好”只负责提出假设。改动是否保留，要靠后续环境表现决定。这个区分非常重要，因为语言模型可以给出很有说服力、却在物理执行中无效的解释。

第二，父代也参与选择。

这使算法能够拒绝较差的子代。但它只能在有限的评估样本上比较优劣；保留父代并不自动保证真实泛化性能单调提升。噪声、偶然成功与评估过拟合仍可能导致错误选择。

第三，网页中的简化公式不是完整实现规范。

网页另写了：

H_{k+1} = F(H_k, E_k⁺, E_k^-)

其中 E_k⁺与 E_k^-是成功和失败证据。结合主算法，应把它理解为对“依据证据修订程序”的简写；实际保留下来的下一代还经过候选评估与选择。

网页尚未详细说明候选数量、变异约束、选择统计标准、停止条件等，所以目前能够确认的是算法框架，不能据此还原完整实现。

7 主要价值点：继承技能，刷新状态

网页中的叠衣服例子很好地解释了“它到底记住什么”。

程序大意是：

在本回合记录机械臂接近时的关节姿态；
放下衣物的过程中记录下降轨迹；
松开夹爪；
沿记录的下降轨迹反向撤回；
返回本回合记录的接近姿态。

跨回合保留的是：

“记录当前轨迹，并利用它撤回”的技能程序。

每个回合重新产生的是：

本次实际测得的姿态与轨迹。

这是程序性知识与回合状态的分离。它避免把某一次执行的绝对坐标直接当成永久经验。

这种抽象只提供了泛化的可能性，并不保证泛化。反向路径是否合适，还取决于环境有没有变化、衣物是否缠绕、释放是否成功等。真正可靠的技能仍需要执行中的观察和条件检查。

网页还展示了另一种继承：插充电器任务复用抓取任务的像素到世界坐标转换模块。这证明了模块复用的具体形式，但尚不能独立证明系统会自动发现任意任务之间可迁移的技能。

8 其算法的价值和难点

可以从五个方面评价。

1）．它将推理结果转化为持久的执行能力。

如果每回合都让大模型重新推导相同的步骤，成本高，也容易产生不一致。将有效规则写成代码，能够减少重复推理，并使中间状态和执行条件更加明确。

这可以理解为一种把经验转化为程序的过程。不过，只有当程序保留了适当的输入、反馈和适用条件时，经验才可能复用；否则只是将一次成功固化成脆弱脚本。

2）．它用环境筛选程序，缓解了语言反思不可靠的问题。

环境评估比“模型自行打分”更接近任务的真实要求。但难题转移到了评估设计：
怎样判断一个修改优于父代？
要重复多少次才能排除偶然成功？
局部成功是否牺牲了其他任务？
筛选所用任务与最终测试是否分离？

因此，这套方法的可靠性很大程度上由 select_on_eval 决定，而网页对这一环节的描述仍然较抽象。

3）．程序结构提供可解释性，也带来搜索复杂度。

程序修改能够定位到具体模块：表征、记忆、规划或控制。但一次失败可能由多个环节共同导致。

例如插入失败，可能来自视觉定位误差、抓取后物体滑动、标定偏差、对齐阈值不合理，或控制器不适合接触过程。只看最终失败视频，未必能够准确归因。

如果一次修改多个模块，即使性能变好，也难以判断真正原因。小步修改、单独验证与必要的回归测试，会直接影响搜索效率。

4）．双-系统协作需要解决“什么时候接管”的问题。

高层规划正确，并不意味着执行过程中不会发生意外。需要明确：
System 1 遇到什么情况应继续局部恢复？
什么情况应请求 System 2 重新规划？
什么情况应停止当前技能？
System 2 正在推理时，System 1 如何处理新的变化？

网页描述了观察反馈与反思循环，但没有充分给出这些调度规则。因而，它目前展示的“双系统”更像清楚的架构原则，实时协作机制仍需要实现和实验细节支持。

5）．“程序越来越好”与“越来越善于改进程序”仍需分别验证。

公式中的Improve_A_k 暗示当前智能体参与产生自己的下一代，具有递归结构。

但要支持更强的递归自我改进主张，应证明新一代不仅任务执行更好，也更善于提出有效修改、筛掉无效候选，或用更少预算解决新任务。

最关键的对照是：固定同一个改进器持续优化任务程序，与允许改进器的工作方式一起变化，比较二者在未见任务上的改进效率。

9 总结

首先，让机器人把执行经验转化成可验证、可复用的程序，具有明确的工程价值；“递归自我改进”这一更强主张，则需要独立测试、严格对照和改进效率的证据。

其次， 其关键贡献是：它把双系统分工、可执行技能、状态管理和环境选择组织成一个可以继承的闭环。 更强的“协同进化”“开放世界泛化”和“递归改进能力提升”，则还需要更完整的实现披露与针对性实验来支撑。