多数人工智能机器人在部署后就不再学习。Skylark Labs与卡内基梅隆大学、加州大学伯克利分校的研究人员提出了一种新方法，使机器人无需重新训练底层AI模型，也不会遗忘已有能力，就能从真实世界中的成功经验持续学习。
研究人员将这一新架构称为持续场景自适应模型（Continual Field-Adaptive Models，CFAM），并在论文《面向部署后物理AI的持续场景自适应模型》中介绍了相关技术。
随着机器人从受控的实验室和工厂进入更难预测的环境，这项研究所针对的问题日益重要。现代机器人学习模型往往需要海量训练数据，但机器人部署后不可避免地会遇到训练数据未覆盖的情况，例如物体位置或朝向发生变化、负载变重、地形改变，或预期之外的障碍物出现。
每遇到一种新情况就重新训练大型AI模型并不现实，尤其是在机器人远程作业、算力有限或无法稳定连接数据中心时。现场更新模型还可能引发“灾难性遗忘”，即学习新信息会导致系统丧失部分既有能力。
CFAM通过把稳定的既有能力与部署后可持续扩展的快速记忆分离，试图同时解决这两个问题。
为机器人配置长期记忆与短期记忆
研究人员借鉴了人脑中的互补学习系统。CFAM包含三个相对稳定的组成部分：感知皮层、推理皮层和动作皮层，分别负责感知环境、判断任务并执行相应动作。这些部分在部署前训练，部署后保持冻结。
另一个可快速学习的组成部分称为“胶囊场”（Capsule Field），用于保存机器人运行期间获得的新经验。研究人员将这种安排类比为大脑新皮层与海马体的关系：前者提供相对稳定的长期知识，后者则能快速编码新经验。
胶囊场中的基本单元称为“能力胶囊”（Competence Capsule）。CFAM无需修改底层AI模型中数以百万计乃至数十亿计的参数，而是把有用的新经验记录为能力胶囊，在机器人再次遇到相似情况时调用。整个过程在机器人本地完成，不依赖传统的梯度训练。
机器人在工作中扩展能力边界
CFAM的关键设想之一，是让机器人通过一次次成功操作逐步扩大可用能力范围，研究人员称之为扩展机器人的“能力包络”。
例如，机器人已经学会在特定位置抓取物体；当同一物体出现在更远处或朝向改变时，它不必从头学习。CFAM利用“几何残差变换”（Geometric Residual Transform，GRT）把已有动作适配到新场景的几何条件。论文将其概括为“重新瞄准，而不是重新学习”。
如果机器人在既有能力边界附近成功完成任务，这次成功经验就可以存为新的能力胶囊。下次遇到相似情况时，机器人可直接使用该经验，其技能覆盖范围由此逐步扩大。
这一方法并不限于机械臂操作。研究人员在机械臂、四足机器人、人形机器人、四旋翼飞行器和越野车辆五类物理平台上测试了CFAM。对四足机器人而言，变化可能是不同地形；对自动驾驶车辆或无人机而言，相关几何条件则可能包括路线、航点、地形和障碍物。
用更少数据完成训练
研究人员还报告称，CFAM可显著减少部署前所需的训练数据。实验使用Skylark Labs内部数据集，其中包含五类物理平台的260多万条轨迹；CFAM与用于对比的标准策略均在同一数据集上训练。
论文称，CFAM仅使用完整预训练数据集的40%，就达到了标准策略使用全部数据训练时的性能，相当于预训练轨迹数量减少至原来的1/2.5。
系统部署后，研究人员又测试了接近但超出既有训练分布的场景。自动保存经验证的成功案例后，动作成功率从74.0%提高到87.9%，增加13.9个百分点。
在连续模拟实验中，CFAM也表现出更低的遗忘程度。研究人员报告其后向迁移指标为-0.5个百分点，而常用于高效调整AI模型的LoRA方法为-11.4个百分点。
数据中心之外的物理AI
当机器人无法依赖云连接或大型计算基础设施时，本地学习能力尤其重要。论文重点讨论了国防、公共安全和危险环境中的关键任务应用，例如检查不稳定矿井、处理疑似爆炸物、搜寻震损建筑，以及在受辐射污染的设施内作业。
研究人员还提到深海作业和行星探索等更遥远的场景。在这些场景中，通信延迟或缺少合适训练数据都会使依赖云端的传统方法难以实施。
类似原理也可能用于商业物理AI。部署在工厂、仓库、建筑工地和农场等动态环境中的机器人，经常遇到原始训练数据未能完整呈现的条件。如果机器能够保留这些经历中的有效经验，就可能在整个运行周期中持续提高能力，而不是一直停留在离开实验室时的水平。
Skylark Labs将CFAM定位为一种设备端持续学习架构，尤其适用于网络连接、算力和训练数据受限的环境。
并非不受限制的自主学习
不过，研究成果存在明确边界。CFAM并不能让机器人面对完全陌生的问题时自主创造全新技能，而是针对研究人员所称的“近分布外”（near-OOD）情形。
例如，已经会抓取某类物体的机器人，可以把能力扩展到相似物体；熟悉一种地面的步行机器人，也可能学会应对相关类型的地形。但系统没有任何相关技能族时，真正的新任务——研究人员称之为“开放世界新颖性”——仍超出当前工作的范围。
因此，CFAM并不是让机器人凭空学会任何事，而是帮助机器在已有能力基础上继续积累。对物理AI而言，这可能是更具现实价值的方向。
当前机器人学习系统已能在实验室展示越来越复杂的行为，真正的挑战是机器进入不可预测的物理世界后，如何保持并扩展这些能力。CFAM提出了一种可能路径：部署前只教授相对少量的技能，部署后允许机器人把这些技能适配到新情况，在本地记住成功经验，同时不必持续改写提供原始能力的AI系统。
研究团队
论文作者来自Skylark Labs、卡内基梅隆大学和加州大学伯克利分校，包括Skylark Labs创始人兼首席执行官Amarjot Singh，以及Tanmay R. Pancholi、Jainam Kothari、Shrirang Mahajan、Ketan Bansal和Vince Nakayama；卡内基梅隆大学机器人研究所的Zackory Erickson与Jeff Schneider；以及加州大学伯克利分校的Giuseppe Loianno与Alexandre M. Bayen。