【具身AGI导读】一台人形机器人离开实验室之后，还能不能继续学？一篇综述把「部署后自我进化」拿来做了一次界定，并指出一处不太讨喜的判断：安全不该只是某个策略的属性。
2026 年 9 月 2 日，arXiv 上出现一篇 30 页的综述，把人形机器人「部署之后还能不能继续学」当成一个对象来梳理。署名的是韩国与新加坡两所高校联合组成的一支研究团队。它先给「部署后自我进化」下了一个可操作的界定：把一台已部署的人形机器人写成一个五元状态——控制策略、感知与表征、记忆、任务工作流与本体配置，由「进化算子」在一条慢外环上按终身目标更新。
门槛同时被写成三条：更新必须来自机器人自身的部署经验、必须持久、必须由它自主发起。在这个界定之下，综述把已有研究组织成四个递进的机制——自学习、自适应、自优化、自生成，连成一个「学、适、优、生」的循环。
按该综述的表述，现实里的对立面很直白——多数系统在部署那一刻就固定下来，而任务、环境乃至机器人自己的身体都在持续漂移，效用随之一点点下滑。行业长期默认的形态是「训练完就冻上」，持续学习因此停在一个边缘位置：改得动，但没人系统回答「该不该改、改到什么程度算安全」。
这篇综述一处关键的转向，是把世界模型从「让学习更快的工具」改判成「安全机制的一环」：任何一次候选更新，都要先在一个世界模型里过一道验证门，才谈得上落到真机上。这道门之外还叠着几层——用信任域把单次改动框住，再对受保护的安全关键技能做单调性检查，再过一道与操作者意图的对齐检查，全过才允许提交。整条轨道跑在「人类包络」之内：可以暂停进化、回滚到已知可用的状态，也能把关键部件锁死不动。
把这些放回行业里看，各家在「部署之后怎么办」上的切入位置并不一致，安全与评测也还没有公认的做法。深度机智（北京）科技有限公司的靶心是物理AI 基座模型。
评测方向上，综述主张从「检查点」转向「轨迹」：与其在一个时间点上量策略的表现，不如量这个过程本身——多快从变化里恢复、丢掉了多少已有能力、适应期间损失了多少效用、多久违反一次受保护的约束。它同时点名两处缺口：现有系统没有显式强制那层单调性保护，也没有一个为自进化人形机器人设计的评测基准。后者是作者提出的主张，不是已经落地的现状。
真正缺的不是更强的更新方法，而是一套能说清「这次更新该不该被允许」的规程。
参考资料
arXiv · Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement · 2026-09-02