原力无限 CTO 王一舟亮相腾讯云西部架构师峰会：从世界模型到 RSI，探索具身智能持续进化

具身智能的技术迭代，正在以越来越快的速度发生。

从 VLA 到世界 — 动作模型（WAM），从模仿学习到强化学习，从海量数据预训练到真实世界中的持续进化，短短几年间，具身智能已经走过了多轮技术范式的探索。

但一个更值得思考的问题是：当模型架构不断演进，机器人能否在持续积累经验的过程中，实现智能能力的自我提升？

10 月 24 日，2026 腾讯云西部架构师峰会在成都举行。大会汇聚来自全国各地的架构师、开发者及科技企业代表，围绕人工智能前沿技术与工程实践展开交流。

原力无限（INFIFORCE）首席技术官王一舟受邀出席大会主论坛，并发表《基于具身机器人的 AI 模型应用》主题演讲；完整演讲 ppt：https://wangyizhou33.github.io/tech-blog/posts/tencent_1024/。从模型范式、世界模型、训练方法、数据体系，到递归自我改进（RSI）与 AI Infra，王一舟以 12 个技术维度，系统梳理了具身智能模型的演进方向。

1 从动作预测到世界建模，机器人需要更深层的物理理解

过去两年，VLA 推动了机器人操作能力的快速发展。

通过将视觉、语言和动作统一建模，机器人开始能够根据自然语言指令完成抓取、搬运和简单操作任务。

但现实世界远比训练数据复杂。

一个机器人可以通过模仿学会拿起杯子，却未必理解不同材质、重量和摩擦条件下，抓取动作为什么需要调整。

这也解释了 WAM 受到关注的原因。

在王一舟的技术框架中，WAM 将世界状态变化纳入动作建模，使机器人在决定如何行动时，同时考虑动作可能带来的物理后果。

世界模型本身也在沿着不同方向发展：有的侧重生成未来画面，有的服务于任务规划，还有的尝试模拟物理状态演化。

这些技术探索最终指向一个重要问题：机器人能否建立对物理世界的理解，并将这种理解转化为可靠的行动能力？

原力无限正在沿着这一方向构建具身大脑 AtomBrain。

以因果世界模型为核心技术路线，AtomBrain 融合高层任务规划与底层世界 — 动作建模，探索机器人对物理环境的理解、复杂任务执行与持续学习能力。

2 数据范式正在改变：从采集动作到训练智能

具身智能的另一场变化，发生在数据端。

过去，机器人训练高度依赖遥操作数据。人类操作者通过控制设备完成任务，机器人记录动作轨迹，再通过模仿学习复现这些操作。

这种方式推动了早期技术发展，但成本高、规模受限，也难以覆盖开放环境中的复杂变化。

王一舟在演讲中讨论了一个值得关注的趋势：第一人称（Ego-Centric）数据、主动干预数据与合成数据，正在成为机器人训练的重要补充。

尤其是第一人称数据，让模型能够从人类真实操作经验中学习物体、动作与环境之间的关系。

但数据来源的变化只是第一步。

更深层的变化在于，数采场正在从单纯的数据生产设施，逐步演变为能够支持机器人真实交互、策略验证与模型迭代的 "脑训练场"。

这也是原力无限 DataGrid 全栈 AI Infra 的重要技术方向。

通过第一人称数据采集、多模态数据处理、模型训练与真机验证，DataGrid 将真实世界经验转化为可持续利用的训练资源。

此前发布的 AtomEgo，在 2659 小时数据规模上验证了第一人称数据的应用价值。通过渐进式具身对齐，模型真机任务成功率从 32.86% 提升至 51.43%。

这一结果说明，具身智能的数据 Scaling 并非简单追求数量增长。如何让数据与机器人动作空间有效对齐，同样决定着模型最终能够获得多少能力增益。

3 RSI：让机器人从被动训练走向自我改进

在此次演讲涉及的 12 个技术方向中，递归自我改进（Recursive Self-Improvement，RSI）尤其值得关注。

过去，机器人的能力升级通常依赖研发团队重新收集数据、调整模型、完成训练，再部署新版本。

RSI 试图进一步改变这一过程。

王一舟在演讲中将其拆解为六个相互关联的方向：数据引擎优化、记忆与技能积累、基于经验的策略改进、自主课程学习、训练过程优化，以及递归式 AI 研究改进。

从数据获取、能力学习到训练流程乃至研究方法本身，RSI 探索的是一套能够不断积累经验、改善策略、优化学习过程的智能系统。

对于具身智能而言，这一方向具有特殊意义。

例如，当机器人在某个操作任务中反复失败，系统可以分析失败轨迹、调整训练任务，并通过强化学习寻找更有效的动作策略。经过验证的能力还可以进一步回流模型，为后续任务提供参考。

机器人的每一次失败，都可能成为下一次能力提升的起点。

当然，RSI 仍是具身智能领域正在探索的前沿方向。如何避免持续学习中的能力遗忘、保证真实世界探索的安全性，以及控制长期训练成本，都需要进一步研究。

原力无限正在围绕持续学习、因果世界模型与真实世界数据闭环展开技术探索，并依托重庆具身大脑训练中心等布局，推进从数据采集、模型训练到真机验证的系统建设。

其长期目标，是让机器人能够在真实环境中不断积累经验，并将这些经验转化为可迁移、可复用的智能能力。

4 模型会不断迭代，真正的护城河是什么？

演讲最后，王一舟将视角转向了具身智能企业的长期竞争力。

在基础模型快速发展的背景下，模型架构和单项 Benchmark 成绩的领先优势，可能被新的技术突破迅速改写。

但真实世界的数据获取能力、训练与评测体系、工程化部署经验，以及持续迭代的基础设施，很难在短时间内复制。

这也是为什么，王一舟将模型能力与 AI Infra 能力放在同一张竞争力图谱中讨论。

模型的领先可能是阶段性的，但数据、训练、评测、部署与反馈构成的工程体系，能够不断积累新的能力优势。

在王一舟的技术框架中，模型能力决定智能系统能够达到怎样的高度，AI Infra 则影响其持续迭代的效率。两者相互强化，构成具身智能企业长期竞争力的重要基础。

围绕这一判断，原力无限正在构建以 AtomBrain 具身大脑为核心、DataGrid 全栈 AI Infra 为支撑的技术体系，并通过多形态机器人在真实场景中的应用，不断推动模型能力验证与迭代。

从世界模型到持续学习，从数据闭环到 RSI，原力无限正沿着这一技术路径持续探索，让具身大脑在真实世界中不断积累经验、修正认知、提升能力。

（来源：原力无限）