120次连续包装手机，只失败2次，任务成功率从79.2%提升至98.3%。这份成绩单背后，没有人类逐台示范，机器人的学习经验来自“抄彼此作业”。10月30日，智元携手清华大学、无问芯穹正式发布群体经验学习范式CEL（Collective Experience Learning）。该范式让机器人通过共享真实作业中的成功与失败经验，实现集群自主学习。

　　传统具身智能训练高度依赖人类示范，机器人需要通过大量人工遥操作积累数据，再进行模型训练。这种方式在小规模实验中尚可行，但当机器人数量扩展至上百台，人类示范的采集效率便可能成为制约性能提升的瓶颈。

　　CEL尝试改变这一模式：学习素材不再只来自人类，而是来自机器人同伴的真实作业轨迹。一台机器人成功完成某项操作，其经验可以存入共享经验池，供其他机器人学习；另一台机器人遭遇失败，系统则能根据失败场景，从经验池中检索相似工况下的成功操作，帮助策略针对薄弱环节进行优化。由此，单台机器人的练习成果可以转化为整个集群的学习资源，人类的角色也从动作示范者逐渐转向任务结果判定者。

　　结果是，在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务中，CEL训练的策略全部超过6名人类远程操作员的平均水平，最高领先16.7个百分点。

　　要让机器人真正实现互相学习，还需要解决长流程任务反馈稀疏和多设备并行运行不稳定两大难题。对此，团队研发了失败引导经验检索微调算法和容错异步训练系统。前者利用失败轨迹定位策略短板，再从群体经验池中检索匹配的成功操作进行重点训练；后者则让机器人完成任务后独立上传数据，无须等待其他设备，同时支持机器人离线、充电或发生故障后的动态恢复，避免个别设备异常影响整个集群。

　　数据显示，在96台机器人的真实训练实验中，集群累计完成9834轮任务采集，发生30起机器人故障事件，故障造成的机时损耗仅占总运行时间的1.3%。这意味着，即使部分机器人暂时退出，其他设备仍能继续作业和学习。

　　更值得关注的是，实验验证了一条具身智能规模化发展的新路径。机器人数量增加，可以直接转化为任务执行能力的提升。在手机包装任务中，参与训练的机器人从16台增加至96台，在相同物理交互时间内，测试成功率从86.7%提升至98.3%。

　　CEL范式的发布意味着，具身智能的能力提升不再完全受限于人类示范数据的增长，机器人集群本身也有望成为持续积累经验、提升作业能力的重要来源。