智元发布Genie Master：具身智能实现真实场景“无人在环”自进化
在便利店打工的机器人因货架标签遮挡导致挂货失败，以往需人工排查调试，但搭载智元最新具身Agent框架Genie Master的精灵G2机器人却实现了自主突破。它通过回看执行记录，诊断出头部相机视角不足的问题，主动调整策略利用腕部相机补全近距离视角，成功完成任务并将该经验沉淀为长期记忆。
这是智元“AI WAVE”系列技术发布的第四弹，标志着Physical RSI（具身递归自进化）首次从仿真与实验室环境走向真实业务流。在Genie Master加持下，机器人在真实便利店场景中无需人工示范与调试，即可自主分析失败原因、调整策略并积累经验，实现“无人在环”的持续自我改进，为行业验证了具身智能大规模落地的新范式。
Genie Master：构建部署态下的持续改进机制
Genie Master是一套连接上层Agent推理能力与底层机器人动作执行的具身Agent框架。其核心在于解决机器人进入真实商业场景后面临的长尾问题，将任务执行中的判断调整、事后经验沉淀及底层策略更新纳入自主改进流程，推动具身智能从依赖人工示范的“被动微调”转向“自进化模式”。
针对研发维护成本高、迭代速度慢的行业痛点，Genie Master将问题诊断、练习组织和结果评估交由Agent操盘。目前，团队已将取货、补货、清洁、异常恢复和多机协作纳入统一工作流，大幅缩短了从“客户提出新需求”到“机器人掌握新本领”的研发周期。
EEP协议打通“大脑”与“小脑”交互链路
为实现真正的自我进化，Genie Master设计了具身执行协议EEP（Embodied Execution Protocol），为Agent与物理世界建立统一接口，涵盖四类核心功能：
- 能力接口：明确机器人当前可调用的能力边界；
- 引导接口：传递空间提示、物体参考及细粒度语言要求；
- 反馈接口：实时获取动作执行后的真实物理状态；
- 连续性接口：追踪集群任务进度与分工依赖，支持动态调度及中断接续。
配合时序对齐等协同设计，EEP确保了上层推理能精准落实为动作，底层执行结果能实时反馈给大脑。当机器人暴露能力缺口时，Agent会主动利用闲时组织“自主加练”，根据实战依据动态调整训练内容，确保自我进化具备坚实基础。
Harness RSI与Policy RSI双轨驱动能力沉淀
Genie Master采用双管齐下的策略将训练成果转化为实际能力：
Harness RSI负责积累经验。在保持模型权重不变的前提下，通过优化提示词、记忆和执行规则改善表现。机器人随做随记成功与失败案例，经异步反思整合为长期记忆。如前文挂货案例，Agent将“左手腕部相机补视角+右手挂货”的新解法写入经验库，后续遇到类似场景可直接调用。
Policy RSI负责更新动作策略。为满足低延迟、高稳定性要求，系统将自主执行、人工接管及异常恢复数据经筛选加权后，通过监督学习或强化学习直接更新底层动作策略模型。例如“外卖打包防缠绕”任务的数据可被用于模型训练，使改进固化为机器人的“肌肉记忆”。
两条路线相互咬合形成飞轮效应：Harness RSI辅助分析问题并指导练习，Policy RSI将有效经验沉淀为稳定能力。这种让“提升能力的能力”也持续进化的机制，正是递归自进化（RSI）的核心价值。
从“出厂定型”到“越干越能干”的商业化突破
Genie Master打破了机器人能力“出厂即定型”的枷锁，确立了“部署中持续生长”的新范式。在研发端，AI现场生成的新解法大幅压缩了交付周期；在商业化端，机器人在作业中不断增厚能力储备，使得跨场景复制时的边际成本持续下探，为具身智能大规模落地提供了核心前提。
作为智元全栈具身AI布局的关键一环，Genie Master将底层基座模型延伸至真实商业部署态。11月2日，智元将开启“24小时便利店直播”，6台精灵G2机器人将在无剧本的真实营业环境中接受严苛考核，以实战表现验证这一技术架构的有效性。