SEEN·E深诣机器人亮相WRC：首发具身自进化新范式

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“L4E+E4L”的自进化范式，即以“Learning for Embodiments+Embodiments 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“L4E+E4L”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L4E+E4L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

L4E+E4L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“L4E+E4L”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。