COCO Matrix高宇翔：具身智能需从“刷题库”转向ICL上下文学习
2026/08/31 19:20阅读量 2
COCO Matrix创始人高宇翔指出，具身智能面临数据稀缺与物理延迟限制，传统依赖大规模数据采集和重训的范式难以持续。公司押注In-Context Learning（ICL）技术，旨在让机器人像人类一样通过现场示范和纠正快速适应新任务，而非仅靠预训练泛化。这一路径被视为降低部署门槛、实现真正通用机器人的关键突破点。
事件概述
2026年8月，具身智能领域出现新的技术风向。美国Generalist AI发布GEN-1.5模型及Skild AI均强调In-Context Learning（ICL，上下文学习）能力。在此背景下，COCO Matrix CEO高宇翔首次公开分享团队在ICL方向的进展，认为机器人正迎来类似大语言模型GPT-3时代的转折点，即从“针对性重训”转向“现场适应学习”。
核心信息
1. 具身智能的Scaling瓶颈
- 数据枯竭风险： 具身数据分布不均且采集成本极高。据估算，单一任务的具身数据规模需求约为自动驾驶的十几万倍，若按传统方式收集，投入可能高达100万亿美元。
- 算力与参数受限： 相比大语言模型，具身智能对实时性要求极高（需达到十几赫兹频率），无法承受大参数带来的推理延迟。因此，具身智能中算力和参数的Scaling效果受限，单纯依靠数据Scaling也面临边际效应递减。
2. ICL范式的核心价值
- 定义转变： ICL指机器人在遇到新任务时，无需重新训练模型，而是利用现场提供的上下文（如指导、示范、纠正）直接调整行为。
- 闭环缩短： 传统方法（如DAgger算法）需经过“纠正-整理数据-重训-部署”的长周期；ICL希望将经验直接作为上下文输入，实现即时修正。
- 用户视角差异： 以前教机器人是给工程师提供训练数据；未来教机器人是直接教会眼前的设备。这降低了新任务适配成本和部署门槛。
3. 技术路线与判断
- 预训练 vs ICL： 预训练决定机器人出厂时的基础能力，ICL决定其进入新环境后的适应速度。由于真实世界无法被穷举，仅靠预训练无法解决所有未知场景问题。
- 学习效率指标： 衡量标准从“模型会多少”转向“学得有多快”，即通过少量示范或纠正后成功率的提升幅度来评估Learning Efficiency。
- 紧迫性： 具身智能比大语言模型更早遭遇数据瓶颈。大语言模型是在“好用”后补充记忆能力，而具身智能需在“不够好用”阶段就具备持续学习能力，以填补离线数据收益递减的Gap。
值得关注
- 工程实践验证： 高宇翔曾在傅利叶智能期间，仅用3个月、一人一机跑通全尺寸人形机器人遥操数据采集，并基于此打通全身遥操和人机共控，证明了高效数据采集系统的重要性。
- 团队背景： COCO Matrix核心团队来自海内外顶尖高校及实验室，包含ICL方向顶级研究员，目前处于早期验证阶段，致力于构建多样任务数据集以激发模型的上下文理解能力。