北京
机器人每学会一个新任务，都要把数据传回云端、重新训练模型、再验证下发——这套流程跑一次，成本高得吓人。清华AIR博士李健雄带着7人核心团队创立的本溯智能，想换一条路：让机器人在端侧自己进化，不依赖云端训练。
这个团队过去几年一直在清华AIR围绕机器人学习和具身基础模型做研究，完成了UniAct、X-VLA、ODEWorld等前置模块。如今正式创业，首轮融资已经完成。他们押注的技术路线叫In-Context Learning（上下文学习），核心逻辑是让机器人利用本地场景中产生的Context（上下文信息）来调整行为，而不是每次新技能都靠传统的强化学习或监督微调。
规模化部署成本才是主线
李健雄在访谈中反复强调一个观点：具身智能真正的主线，是能不能把智能规模化复制，在越来越多的场景和任务中，以越来越低的成本部署设备。行业里争论VLA还是World Model，在他看来意义有限。核心问题在于：当任务、场景和本体不断增加时，新增一个任务的边际成本能否越来越低。
传统路线的成本瓶颈很明显。每次梯度更新后，模型性能不稳定，需要复杂验证才能下发新版本；数据回流还带来隐私问题。本溯智能主张把适配成本从云端训练和人工运维，转成机器人本地利用Context完成。机器人在端侧持续调整行为，形成"小闭环"；大量经验再通过筛选机制构建"数据大闭环"，进一步提升通用模型能力。
评测标准要换：Few-shot比Zero-shot更关键
团队对评测方法也有自己的判断。Zero-shot（零样本）能力被很多团队当作目标，但李健雄认为，Zero-shot无法应对无穷的长尾场景。后训练方式虽然能落地，但部署成本会随任务增加而上升。
真正值得衡量的能力是Few-shot（少样本）：完成一个新任务所需的人类演示次数和机器人尝试次数，能否不断下降。如果这个数字能持续走低，本质上就意味着部署成本在下降。人适应新场景同样需要几次尝试，机器人也应该如此。
Scaling Law存在，但要Scale对维度
关于Scaling Law在具身智能中的适用性，团队的态度是：存在，但关键是要Scale对维度。一味追求Zero-shot并非合理方向，真正的Scaling应找到斜率最陡、最有效的维度，而不是单纯堆数据和算力。
李健雄还提到一个现实问题：机器人真正进入家庭或其他真实场景后，不可能一直依赖用户去教它。更重要的是，机器人能不能利用自己在端侧场景和任务中产生的Context，不断自我提高。跨场景、跨任务和跨本体这三个维度的泛化，最终都有可能通过In-Context Learning统一起来。
这个方向能否跑通，还要看后续产品落地情况。但至少，他们选择了一条和主流后训练路线不同的路径——让机器人在现场自己学，而不是每次都在云端重训一遍。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
