← Accueil actu | Salle du marché
2026-11-11 · Source:虎嗅·中继

Des échantillons précoces apparaissent à chaque maillon de l'auto-amélioration incarnée, mais la boucle RSI stable n'est pas encore formée : la force du modèle n'est pas l'unique variable décisive.
À la World Robot Conference 2026, Wang Xingxing a dévoilé la route d'auto-évolution des robots IA physiques qu'explore Unitree : un grand modèle intervient dans la recherche documentaire et la génération de code de contrôle, puis simulation, essais sur machine réelle et retours d'évaluation forment une boucle d'itération continue. Cela signifie que le rôle de l'IA s'étend encore — d'objet de R&D et d'outil d'assistance, elle s'avance désormais dans le processus même de R&D des robots de prochaine génération.
Le cœur de ce changement pointe vers le RSI (Recursive Self-Improvement, auto-amélioration récursive) : le système hérite non seulement du résultat du cycle d'amélioration précédent, mais optimise la méthode qui produit l'amélioration elle-même. Le reportage compare cela à « l'effet cliquet culturel » — les acquis se conservent et s'accumulent sur cette base ; si ce mécanisme gagne en efficacité de façon stable, « la prochaine génération sera plus forte » pourrait devenir « la prochaine génération plus forte arrivera plus vite ».
Toutefois, un long chemin d'ingénierie sépare encore d'un RSI stable. « The Last AI Built by Humans » propose un cadre de niveaux RSI allant de L1 à L5 ; selon cette échelle, la frontière publique de l'IA incarnée se concentre aujourd'hui entre L2 et L3, L4 restant surtout observé en environnement simulé. L'IA en environnement numérique possède certes déjà des capacités précoces — prendre en charge des tâches de R&D, ajuster ses stratégies de recherche et d'expérimentation à partir de l'expérience historique —, mais les preuves publiques d'une « élévation continue de la capacité d'amélioration elle-même » restent insuffisantes.
L'IA incarnée porte en plus une contrainte de déploiement réel : chaque essai sur machine réelle consomme équipements, temps et main-d'œuvre, mais expose des informations réelles — états, anomalies, reprises en main, récupérations. En 2026, les maillons clés ont chacun produit des échantillons précoces — reflux d'expériences d'échec réelles, héritage effectif de capacités, filtrage des essais sur machine réelle par des World Models, entrée directe de l'IA dans le processus de R&D robotique ont tous obtenu une validation d'ingénierie — mais rien n'est encore refermé de façon stable en un système complet d'amélioration transversal aux tâches et aux scènes.
Le jugement industriel qui en découle : le modèle de base détermine ce que cette génération peut faire ; le système d'amélioration continue détermine la vitesse de formation des capacités de la génération suivante. Mesurer la capacité d'amélioration continue d'une société robotique peut se ramener à une question concrète : combien de temps faut-il pour transformer, en une nouvelle capacité validée de la version suivante, un problème exposé aujourd'hui dans le monde réel ? La première société à boucler le circuit RSI de l'IA incarnée ne sera pas forcément celle qui détient les modèles de base les plus forts.
Mots-clés: Unitree · Wang Xingxing · Embodied AI · Recursive Self-Improvement · World Model
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle