60分靠数据，100分靠自进化：清华曹婷和「域变换」攻向机器人可部署

新智元报道 具身智能讨论的核心问题正在改变：从谁有更多数据能做出更强基础模型，转向谁能把机器人真正部署到现场，并让它持续做成任务。 具身智能的风向，变了。 过去两年，行业最热烈的争论围绕基础模型展开：VLA还是世界模型？端到端还是分层架构？谁拥有更多参数、更多数据和更强的zero-shot能力？ 如今，当模型开始走出实验室，新的问题压过了路线之争：机器人能不能在真实现场稳定工作？ 硅谷刚达成共识 清华已经动手了 在硅谷，这种变化已经成为一批研究者和投资人的共同感受。 投资人Georgi Koreli近期转述了Physical Intelligence联合创始人兼CEO Karol Hausman在一场闭门晚宴上的判断：机器人数据稀缺正在缓解，真正没有被解决的是从「能做」到「可靠完成任务」的最后一段路。 模型学的是复现数据集中的动作，企业要的却是任务成功。 从0到60%的zero-shot能力主要是数据问题，从60%走向可部署，还没人能解决。 而在国内，有一支团队更早押注了同一个问题。 2026年，从z0到Zetta ζ，再到Zeva，清华大学智能产业研究院（AIR）教授曹婷与她发起的域变换（Z-Trans）密集开源 上下文因果学习世界模型、闭环在线学习Agent和支持全部署周期的训推基础设施 ，把研究焦点从「机器人出厂时会什么」，推向「机器人部署后还能学会什么」，并率先将这套面向真实物理部署的完整范式定义为： 具身自进化。 新智元为此与曹婷进行了一次深入交流。从微软亚洲研究院到清华AIR，再到发起域变换，她始终在追问同一个问题：如何让AI不只在论文和Benchmark里成立，而能在真实世界中创造价值？ 答案藏在一次真实交互里。一只机械臂伸向透明塑料水杯，第一次用力过猛，第二次位置不对，第三次却调整动作，拿起了水杯，之后类似的杯子都可以成功抓起。 几次尝试之间，模型没有重新训练，权重也没有更新，却从与物理世界的交互中学会了下一次该怎么做。 一段在小红书播放数万次的机器人自进化视频：不更新模型权重，机器人凭与物理世界的连续交互，学会下一次做得更好。 这正是域变换试图攻下「可部署鸿沟」的方式：让机器人从「部署即定型」走向「部署后进化」，在真实工作中越用越强。 60分之后，决战部署 大模型的成功建立在一个极具吸引力的逻辑上：更多数据、更大参数量与更多算力，可以带来能力的持续涌现。于是，早期具身智能也开始复制这条路径：采集更多操作数据，训练更大的VLA和WAM模型，再通过微调适配不同任务。 这条路能够显著提高机器人的初始能力，却在走向真实部署时遭遇瓶颈。模型优化的是对数据中动作的复现，企业需要的却是任务稳定成功。于是，具身模型越来越多、Demo越来越惊艳，真正能够进入工厂、实验室和家庭长期工作的机器人却依然很少。 开篇所说的「60分」，不是适用于所有任务的精确及格线，而是对产业阶段的概括：预训练解决机器人基础操作能力，部署要求解决的却是它能否在环境变化、执行误差和长尾情况中「持续做成」。前者可以主要依靠离线数据提升，后者不能靠继续离线堆叠数据自然得到。 根本原因在于，物理世界持续变化无法被离线数据穷举。机器人面对的摩擦、碰撞、位置变化和执行失败，只会在行动中真实发生。每换一个环境就重新采集、fine-tune和部署，不仅成本高，也无法形成规模效应。 因此，从60分到可部署，缺的不是再做一次离线训练，而是一种新的能力：机器人能够在部署中利用真实反馈持续纠偏，把每次成功和失败转化为下一次行动的经验。 下一阶段的竞争，也将从谁拥有更多离线样本，转向谁能率先建立这套部署后的学习闭环。 「自进化」在数字世界并不是一个新概念，软件Agent、博弈智能和大模型领域已经讨论多年。域变换率先明确提出和定义的，是 具身智能在真实物理世界中的自进化范式：物理智能体在部署环境中持续交互，通过反馈与经验沉淀自主修正策略，并不断提升任务成功率 。 域变换关注的从来不是机器人偶然成功一两次，而是它能否随着交互持续变强。因此， 几乎在域变换发布的每项工作中，都会看到一条随交互次数增长的成功率Scaling曲线 。 域变换具身自进化系统：Zeva与Zetta实现在线和离线模型及Harness学习闭环，Z-Infra以端云协同支撑全周期进化 它不是否定预训练，也不是不要数据，而是重新划定二者的位置：预训练是能力起点，部署是进化起点，真实交互则成为持续增长的数据来源。具身智能真正的「部署元年」，也不应只由出货量定义，而应由机器人能否在现场越用越强来定义。 曹婷的三次选择 理解域变换为什么会选择这条路线，需要回到曹婷过去十多年的研究轨迹。 她的第一次关键选择，是进入微软亚洲研究院，曹婷担任首席研究主管，长期研究边缘智能与神经网络训推系统。当时的核心矛盾是，模型能力快速增长，手机、PC和IoT设备的算力与存储却极为有限。曹婷带领团队攻克极低比特模型量化、基于查表的大模型高效推理等技术，使复杂神经网络得以进入微软Office、Windows、Bing等产品。据团队资料，相关技术服务了数百万用户，其研究也多次获得顶级会议最佳论文奖与ACM Research Highlights。 这段经历塑造了曹婷一个持续至今的判断：算法指标不是终点。只有当模型能够在真实硬件、真实成本和真实业务约束下运行，技术才完成了从论文到产业的跃迁。 她的第二次选择，是在2025年夏天加入张亚勤院士创建的清华大学智能产业研究院（AIR），研究对象也从有限硬件中的AI，转向不断变化的物理世界。大模型、VLA与机器人硬件的成熟，让具身智能从「可以想象」进入「可以做」。 但团队很快发现，模型在固定设置下能够完成动作，环境稍有变化就可能失败，失败中包含的宝贵信息又被传统系统直接丢弃。具身智能已经能做Demo，却仍难以真正部署。 刘云新和曹婷在清华AIR科研小组合照 曹婷的第三次选择，由此出现：与清华AIR副院长刘云新教授共同发起域变换（Z-Trans），把关于物理智能自进化的研究推向产业。 刘云新长期从事AIoT和端侧智能研究，IEEE Fellow，也曾任微软亚洲研究院首席研究主管。两位发起人的共同底色，是对「算法—系统—硬件」协同的长期积累。他们关心的不只是做出分数更高的模型，而是如何把模型变成能够部署、学习并长期运行的系统。 这也解释了「域变换」这个名字背后的野心：让智能不再被锁定在训练数据所定义的域内，而是在进入新任务、新环境和新载体后，能够通过交互完成适应与迁移。 从交互中，学会进化 域变换自进化闭环的内核是Zeva：不更新参数，也能从机器人的每一次交互中学习真实物理条件，并把学到的用于后续动作。 最近，Generalist G1.5、Skild S1等工作带火具身领域上下文学习：让机器人直接利用上下文中的示范与经验完成适应，拓展了模型对新任务的泛化性。 但现有上下文学习主要依赖人类示范。Zeva创新提出的是上下文因果学习（In-Context Causal Learning，ICCL）：**让机器人从自己的交互轨迹中，提取其动作与状态变化之间的因果关系，同时过滤背景、光照等无关相关性。**机器人不是模仿别人做过什么，而是在当下部署物理条件下，理解自己的动作为什么成功