復旦新框架助機械人把摸索經驗存成技能

Agent改變任務模式

以GPT-6-Astra為代表的通用Agent，已克服過往機械人學習新任務必須先採集數據的瓶頸。機械人毋須預先收集目標任務的示範數據，亦毋須作針對性訓練，可以依靠Agent現場觀察、推理並編寫代碼，摸索着完成任務。

這種「邊做邊學」的方式省去採集數據的成本，令機械人能夠直接進入陌生場景執行任務，對降低具身智能系統的落地門檻具有實際意義。

效率仍是短板

現場摸索雖節省了數據成本，Agent卻需耗費大量時間反覆進行「觀察—推理—執行—檢查結果」的循環，任務耗時長、整體效率偏低，實時性與穩健性亦面臨考驗。

如何從「能夠完成」邁向「高效完成」，是具身智能由展示走向實用必須跨越的一步，亦是RoboSkill嘗試解決的核心問題，焦點在於減少重複嘗試的時間消耗。

技能累積機制

復旦大學可信具身智能研究院提出的RoboSkill，把機械人在摸索中驗證有效的操作方法與代碼保存為技能。機械人下次遇到類似任務時可直接調用，毋須重頭摸索，減少走彎路的次數。

通過持續累積技能，機械人在新場景中的適應成本有望逐步下降，執行效率亦隨之提升。這種把經驗沉澱為可複用資產的思路，為具身智能系統的自我進化提供了一條可行路徑。