新智元报道
具身智能的核心议题正发生根本性转变：从单纯追求数据规模与基础模型能力，转向谁能将机器人真正部署于现场并持续完成任务。
过去两年，行业争论聚焦于技术路线（VLA 还是世界模型、端到端还是分层架构）及参数规模。如今，随着模型走出实验室，核心痛点已变为：机器人能否在真实物理环境中稳定工作？
硅谷投资人与研究者普遍认为，机器人数据稀缺问题正在缓解，真正的瓶颈在于从「能做」到「可靠完成任务」的最后一步。模型擅长复现数据集中的动作，但企业需要的是任务的成功率。从 0 到 60% 的能力主要依赖数据，而从 60% 走向可部署，尚需新的解决方案。
在国内，清华大学智能产业研究院（AIR）教授曹婷及其发起的域变换（Z-Trans）团队早已布局此方向。2026 年，该团队密集开源了上下文因果学习世界模型、闭环在线学习 Agent 及全周期训推基础设施，提出「具身自进化」范式，将焦点从「出厂能力」推向「部署后进化」。
在真实交互中，机械臂无需重新训练或更新权重，仅通过与物理世界的连续互动，即可从失败中调整策略，成功抓取物体。这种「部署即进化」的能力，正是域变换试图跨越「可部署鸿沟」的关键。
60 分之后，决战部署
大模型的成功逻辑建立在数据、算力与参数的堆叠上，早期具身智能也复制了这一路径。然而，这条路径在真实部署中遭遇瓶颈：模型优化的是动作复现，而实际应用需要的是在环境变化和执行误差中的任务稳定性。
所谓的「60 分」是指预训练解决的基础操作能力，而部署阶段面临的则是长尾场景下的持续成功率。物理世界的动态变化无法被离线数据穷举，单纯依靠堆叠离线数据无法自然解决这一问题。
下一阶段竞争的核心，将从谁拥有更多离线样本，转向谁能建立部署后的学习闭环。域变换定义的「具身自进化」，即物理智能体在部署环境中通过持续交互、反馈与经验沉淀，自主修正策略并提升任务成功率。
域变换具身自进化系统架构
预训练是能力的起点，部署则是进化的起点。具身智能的「部署元年」不应仅由出货量定义，更应由机器人在现场越用越强的能力来衡量。
曹婷的三次关键选择
域变换的技术路线选择，源于创始人曹婷过往的研究轨迹。
第一次选择是加入微软亚洲研究院，主攻边缘智能与神经网络训推系统。她带领团队攻克了极低比特模型量化等技术，使复杂神经网络得以在资源受限的设备上运行。这段经历确立了她「算法指标不是终点，真实落地才是」的理念。
第二次选择是 2025 年加入清华 AIR，研究对象转向物理世界。团队发现，模型在固定设置下表现良好，但在环境微变时容易失败，且传统系统往往丢弃了失败中包含的宝贵信息。
刘云新和曹婷在清华 AIR 科研小组合照
第三次选择是与清华 AIR 副院长刘云新教授共同发起域变换（Z-Trans），致力于将物理智能自进化研究推向产业。两位发起人均具备深厚的「算法—系统—硬件」协同背景，旨在让智能体在新环境和新任务中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核心是Zeva模型。不同于依赖人类示范的上下文学习，Zeva 创新提出了上下文因果学习（ICCL），让机器人从自身交互轨迹中提取动作与状态变化的因果关系，过滤无关变量。
Zeva 的核心机制包含三个阶段：
- 因果交互提取：识别机器人所处任务阶段及动作对物体的实际影响。
- 双时标因果记忆：结合短期动态信息与长期经验积累，避免被偶然失败误导。
- 上下文策略注入：将历史交互压缩为因果经验，作为提示词输入冻结的基础模型。
这一机制实现了「模型不更新，能力却持续增长」。实验显示，冻结模型在多个基准任务上的累计成功率从 26% 提升至 73%，并在真实化学实验室评估中取得 SOTA 成绩。此外，人类演示也可融入该上下文，进一步将成功率提升约 10%。
边执行，边纠错
会学习不等于能稳定完成任务。针对长程任务中的实时纠错需求，域变换推出了Zetta ζ。它通过具身 Harness 连接基础模型与环境反馈，构建了可演进的轻量 Critic 系统。
Zetta ζ 通过三重闭环实现稳定执行：
- 动作级纠错闭环：实时监测物理状态，一旦异常立即触发恢复，无需等待任务结束。
- 批量经验优化闭环：聚类失败轨迹，诊断根因并自动生成技能候选更新。
- 验证门控更新闭环：候选技能需经过严格测试验证后方可入库，确保泛化能力。
在有限 rollout budget 下，Zetta ζ 在 LIBERO PRO 和 RoboCasa 上分别取得了 90.8% 和 93.6% 的任务成功率。团队将这种能力跃迁称为机器人的「Aha Moment」。
Model、Agent、Infra 完整闭环
用户最终买单的是生产力。为实现规模化部署，域变换构建了包含Zeva Model、Zetta Harness和Z-Infra的完整架构。
Z-Infra 覆盖从部署到持续学习的全周期，包括数据管线、环境 rollout 管线及高效部署推理管线。它一端连接真实场景机器人，另一端连接模型与 Agent，确保「交互—判断—记忆—调用—再交互」的高效运转。
这套架构强调端云结合，利用曹婷团队在模型量化与高效推理上的积累（如 T-MAC、BitDistiller 等），使持续学习与推理闭环能在机器人本体有限算力下高效运行。
当 Model、Agent 与 Infra 协同工作时，数据飞轮正式转动：部署越多，遇到的长尾问题越多；有效交互越多，积累的因果经验越丰富；适应能力越强，新场景的拓展成本越低。
自进化赛道的四重壁垒
域变换通过技术与生态构建了三重护城河：
- 团队与生态壁垒：依托清华 Apollo 生态，兼具前沿研究与产业交付能力。
- 全栈技术壁垒：Model、Agent、Infra 三者缺一不可，形成完整的技术闭环。
- 真实交互数据壁垒：将部署过程中的「状态—动作—结果—纠偏」转化为独有的「具身 Experience Data」。
- 场景复利壁垒：每次部署均为下一次提供训练场，边际成本随规模递减。
2026 年 6 月，多位院士共同发布 z0，系统呈现域变换技术路线
从 z0 到 Zetta ζ再到 Zeva，域变换在短时间内补齐了概念、Agent 与模型框架，将「具身自进化」从概念推进为完整的技术体系与产品生态。
预训练之后，具身智能进入自进化时代
2026 年被称为「机器人部署元年」，其标志不再是单纯的出货量，而是机器人能否在工作中持续提高产出。正如行业共识所言，具身智能的机会在于部署层：ROI、工作流集成以及从真实反馈中继续学习的能力。
无锡复兴产业园部署搭载域变换 z0 智能体的导览机器人、送餐小车和巡检机器狗
曹婷团队已跑通「交互产生数据—数据沉淀经验—经验提升能力—能力推动更多部署」的完整闭环。这一闭环不仅自建了数据壁垒，更将机器人产业从「交付机器」推向「交付持续增长的生产力」。
当域变换让具身智能的数据飞轮真正转起来，机器人产业也将从「交付机器」迈向「交付持续增长的生产力」。
关于清华 AIR 与域变换
清华大学智能产业研究院（AIR）由张亚勤院士创立，是中国 AI 产学研结合的顶尖机构。
域变换（Z-Trans）是全球首家系统定义并落地「具身自进化」范式的物理智能公司，由清华 AIR 孵化，曹婷教授与刘云新教授联合发起。公司直击行业「60 分到可部署」的核心鸿沟，构建了完整的 Model-Agent-Infra 体系。
实验数据显示，Zeva 将累计成功率从 26% 提升至 73%，Zetta 在 LIBERO PRO 上达 90.8% 成功率。团队兼具微软亚洲研究院顶尖研究与清华 Apollo 产业生态双重基因，已形成全栈技术、真实因果数据、场景复利与生态入口四重护城河。
核心团队成员
刘云新
清华大学智能产业研究院副院长、博导、IEEE Fellow。前微软亚洲研究院首席研究主管，长期从事 AIoT、端侧智能研究，获多项国际顶级学术会议奖励及 CCF 科技进步一等奖。
曹婷
清华大学教授，北京市高层次引进人才。前微软亚洲研究院首席研究主管，研究方向为边缘智能、具身智能等。获顶级会议最佳论文奖四次，工作入选 ACM/Microsoft 研究亮点。
参考资料：
Zeva 项目主页、Zetta 项目主页、曹婷个人主页及相关学术资源。
