8月19日至20日SEEN·E深诣机器人出席2026世界机器人大会并作分享首次公开亮相。深诣在本次大会上系统阐述了对具身智能下一阶段走向的判断下一代机器人真正的竞争力在于能多快学会新的工作因此每一台机器人都应该是可以持续学习、不断拓展能力的生产力单元。深诣提出“L4EE4L”的自进化范式即以“Learning for EmbodimentsEmbodiments for Learning”定义可快速部署与持续学习的全新范式。依托自进化的原生模型架构、独家的OMPO数据匹配技术和极致效率的异步强化学习算法三大核心技术让机器人在真实任务中完成学习、部署、反馈、进化的完整闭环实现长程规划、精细操作与环境适应。简单来说就是从数据中学会行动再从行动中持续学习——Learn to Act. Act to Learn。深诣是一家以“创造充沛生产力”为使命的物理AI公司致力于打造面向真实世界作业的通用具身大脑让机器人在真实环境中持续学习、自我进化最终创造跨任务、跨本体、跨场景的通用生产力。核心团队均来自清华大学计算机系创始人、CEO刘凯为极智嘉Geek联合创始人联合创始人黄康尧、罗宇构成技术双核首席科学家顾问为2026年度IEEE Fellow刘华平教授围绕新技术范式打造“懂行业、懂场景、懂技术”的复合能力。具身机器人的价值在于能以多快的速度学会新工作当下具身智能正从Demo验证的上半场进入到真干活的下半场。对此刘凯在机器人产业协同发展研讨会的《全球机器人新阶段共创充沛生产力》主题演讲中提出了自己的判断“新一代具身智能的核心在于持续学习和进化。这意味着机器人的价值更取决于它能以多快的速度学会新的工作。这是整个产业底层逻辑的根本变化也是和上一代产品最核心的区别。”支撑这一判断的是深诣对智能形成路径的核心认识“我们认为真实工作是具身智能最好的训练场。通用具身智能是‘练’出来的是‘干中学’出来的”刘凯指出。即机器人的智能进化需要在真实任务中积累经验经验推动模型进化模型进化后再支撑更多场景。部署不是训练的终点而是下一轮学习的起点。工业与物流场景是智能成长最扎实的“第一课堂。黄康尧在具身智能场景落地专题论坛的圆桌讨论上表示“率先实现规模化的场景需要同时满足三个条件市场有明确需求和付费意愿技术能够满足真实作业条件产品能够稳定交付。工业制造和物流场景正具备这些特征并且有明确的生产力需求。”深诣现场展示了机器人完成0.1mm级工业柔性插接任务在光线变化、视觉阻挡、人为干扰等多种场景干扰下依然高质量完成。更值得关注的是双手插接任务不仅做到了混合多组、双手协作和高精度要求而且核心学习过程 “只花了半天时间”。依托“L4EE4L”自进化技术范式创新实现持续学习、强化学习支撑机器人“持续学习、强化学习”的关键在于深诣L4EE4L自进化范式的技术内核。依托模型、数据、算法三大核心技术深诣让机器人在真实工作中遇到的每一次成功、失败与纠正都成为下一轮学习的素材。在模型维度深诣创新提出原生自进化模型架构“我们的模型融合多模态感知理解与 World Model把不同维度的物理能力组织起来并且能够根据任务动态调用不同专家甚至让动作层能力在端侧持续更新。”深诣在模型架构层面的创新可以让机器人从识别物体、走向理解“可以如何操作、操作后会发生什么”形成更强的真实世界泛化能力。在数据维度具身产业数据来源非常复杂并不是数据越多越好而是让正确的数据在正确的阶段进入模型。深诣独家的OMPO数据匹配技术可对多源数据统一重构、标注与对齐并依据机器人的不确定性、失败记录和能力边界进行数据选择与价值判断将零散的现场反馈重组为模型可直接使用的学习经验。在算法维度由于真实机器人采集数据非常昂贵因此深诣更多聚焦在学习效率方面。通过Off-Policy的异步强化学习让机器人尽可能利用已有经验并且在实际运行过程中持续提高策略能力。以极致效率的异步强化学习算法提升机器人学习的效率与稳定性形成陡峭的学习曲线。三项核心技术之外深诣通过Embodied Harness System将机器人能力学习从训练阶段延伸到整个生命周期。“大模型、VLA 或者各种算法可以不断升级但在真实产业环境里需要让不断变化的智能能力可以稳定、可控、可验证地运行在一个长期工作的机器人产品上。”保障任务、环境和设备状态持续变化时机器人也能稳定工作并在工作中持续变得更好用。真实工作是具身智能最好的训练场L4EE4L技术范式解决了机器人 进入场景后如何持续进化 的问题而机器人进化的最终指向是生产力创造。“真正的落地不是机器人完成了一次Demo而是客户愿意把真实生产任务交给它并且它能够长期、稳定、可维护地运行下去。”黄康尧认为。深诣选择以匹配市场痛点的产品路线通向通用智能以物流和工业场景为切入点优先覆盖精细操作和重载搬运两端高价值场景。在这些场景中机器人需要面对复杂空间、非结构化物料、多任务切换、人机协作和长程任务稳定运行等真实挑战也因此能够为通用具身大脑提供持续进化所需的高质量数据、任务反馈和规模化部署环境完成真实世界学习的“第一堂课”。随后进入社会服务和个人生活场景在处理变化的空间、物品、任务和人类需求的过程中不断提升智能成为帮助人、陪伴人的personal robot。最终形成真正能够跨场景、跨任务、跨本体迁移的通用具身智能。沿此路径场景越来越开放任务越来越非标深诣机器人进化与学习的速度也将越来越快通用能力是持续学习的结果。具身智能正在进入从Demo验证走向生产力创造的新阶段行业发展指向谁真正解决了产需共融这一核心问题。深诣给出的答案是“让智能在真实世界中持续学习进化”的发展理念和“L4EE4L”的可进化技术范式创新。“让智能进入真实场景创造今天的价值让真实任务进入学习循环创造明天的智能”。深诣每一台走进真实工作的机器人都会参与并推动这一进程。