120次连续包装手机，只失败2次——这不是熟练工的答卷，是一台机器人的：策略成功率从79.2%提升至98.3%，失败次数从25次降到2次，减少92%。更关键的是方法：这96台机器人没有等任何一位人类老师逐台示范——它们的动作监督，来自彼此。

10月30日，智元携手清华大学、无问芯穹正式发布群体经验学习范式CEL(Collective Experience Learning)。在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上，CEL训练的策略全部超过6名人类远程操作员的平均水平，最高反超16.7个百分点——在相同物理训练时间内，参与学习的机器人从16台扩至96台，成功率从86.7%升至98.3%。机器人数量的增加，第一次直接转化为任务执行能力的提升。

以GPT-6 Astra为代表的前沿通用模型，零样本能力已相当亮眼，但落地拼的是可靠性——哪怕最强的模型，也会在接触交互与长流程执行中反复出错。行业的解决方案是人类示范，但这有一个结构性瓶颈：这套模式适合小体量实验室验证，一旦拓展至上百台机器人群体，人力示教就会成为性能天花板。

CEL 范式重构了机器人的经验获取来源：学习素材不再只来源于人类，而是来自机器人同伴的真实作业轨迹。

假设一台机器人在放置手机时遇到了困难，而另一台机器人曾在相似情境下成功完成操作。那么，后者的经验可以帮助共享策略弥补前者的不足，从而让一台机器人的练习惠及整个群体。

在这种范式中，人类的角色随之发生变化：从不断提供动作、协助探索，转向结果判定。失败不只是负面记录，更是告诉机器人，接下来重点该学习哪些场景。群体经验的价值，一方面来自持续的数据积累，另一方面取决于能否把适配的经验精准送到模型最需要学习的地方。

本次真机实验覆盖插花、叠衣服、手机充电、凳子组装、手机包装五大真实任务，覆盖柔性物体操作、精密装配、工具调用、长流程工业作业等典型场景。累计完成 600 次真机测试，总测试时长接近 30 机器人小时。

机器人在真实工况下遇到的成功经验、故障失败，全部沉淀为整个集群的公共资产。一台机器人踩过的坑，全体集群都可以吸取教训；单台摸索得到的有效操作，所有机器人都可以复用。当每台机器人都能贡献经验，数量本身就成了能力增长的新维度。

南方+记者  郜小平