机器人一直有个老大难问题：换个环境就「失灵」。在实验室里学会的操作，换个场地、换个工具，往往要重新采集数据、重新训练。9 月 1 日，清华 AIR（智能产业研究院）联手域变换发布了一个名为 Zeva 的模型，给出了一条完全不同的路：模型权重不用更新，机器人也能从自己的交互经验里持续学习，越用越聪明。
Zeva 是什么：首个实现 ICCL 的具身世界模型
Zeva 的定位是首个实现 In-Context Causal Learning（ICCL，上下文内因果学习）的具身 WAM（World Action Model，世界动作模型）。一句话概括它的能力：模型在上下文中推断环境的因果结构，把因果知识用于下一次动作生成——不更新权重，从自己的交互经验中持续学习。
这背后是「自进化」思路在具身智能的落地：传统方法让机器人适应新环境，要么重新采集数据微调模型，要么做 test-time training，但这些方法依赖梯度更新，速度慢、成本高，还可能破坏已有能力。Zeva 绕开了这条老路，让「学习」发生在上下文里，而不是权重里。
数据说话：冻结模型，成功率 26% 涨到 73%
项目公布的数据值得细看。在 RoboCasa365-Atomic5 基准上，Zeva 的平均成功率达到 76.8%。更直观的是真实化学实验室的测试：一个冻结参数的模型，累计成功率从 Evolve 1 的 26%，逐步提升到 Evolve 4 的 73%——模型权重完全没动，靠的是从自己的交互经验中提取因果知识。
还有一点很关键：一次人类演示，就能让模型学会一个新操作。演示不只是「任务理解」，而是变成机器人的因果上下文——这在具身智能领域是相当强的能力信号。
技术核心：迁移的是「因果」，不是「经验」
过去谈跨域，更多是 sim-to-real、跨本体迁移、跨任务泛化，本质上是在不同域之间搬运「任务经验」。Zeva 更进一步：它迁移的是「动作与状态变化之间的因果关系」。同一个模型，在仿真里学到的物理因果可以带到真实机械臂；一次尝试里积累的失败经验，可以指导另一个相似物理过程的尝试；人类的一次演示，也可以直接变成机器人的因果上下文。
论文给出的例子很直观：从放置称量纸的误操作中提取因果关系、从称取试剂的误操作中提取因果关系，都能在上下文内完成学习、提升后续任务精度。
对普通人的意义：为什么这条技术路线值得看懂
具身智能（机器人）与普通人的日常生活还有距离，但 Zeva 揭示的技术方向离每个人都不远：AI 不再只能靠「重新训练」变强，也能靠「使用经验」变强。这就像人——你不需要每次换工作就重新读一遍大学，经验本身就在塑造你的判断。当模型也能「从经验中学习」而不必反复重训，AI 的成本结构、部署方式都会跟着变。
对 AI 学习者来说，Zeva 是理解「上下文内学习」「世界模型」「自进化」三个前沿概念的绝佳案例：模型不更新权重却持续进步，意味着推理时上下文的设计正在成为新的能力来源——这是与大模型时代「训练决定上限」完全不同的思路。
需要说明的边界
客观地看：Zeva 目前是研究论文向的成果（项目主页 air-embodied-brain.github.io/Zeva），数据以论文与项目主页为准；「一次演示学会新操作」描述的是特定任务类型下的表现，不等于所有场景；从研究到产品化还有距离。但它提供的方向信号是明确的——具身智能正在从「换个环境就失灵」，走向「越用越聪明」。当这种能力逐步成熟，具身智能领域或许真的会迎来属于自己的「GPT 时刻」。
关注「AI 智习室」，每天一条看得懂的 AI 情报。
