# 清华AIR提出上下文因果学习ICCL，破解具身智能在线泛化瓶颈

> 原文链接：https://robotics.hellobike.com/news/2026-11-12-50-191f48f3
> 频道：news | 更新日期：2026-11-12 | 标签：auto, rss, leiphone
> 核心摘要：针对离线数据无法覆盖真实长尾场景痛点，清华AIR曹婷团队提出上下文因果学习（ICCL）路线。通过动作-效果提取模块过滤视觉噪声，利用1万小时无标注Ego数据训练中训练，显著提升机器人在复杂背景下的在线泛化与自进化能力。

# 清华AIR提出上下文因果学习ICCL，破解具身智能在线泛化瓶颈

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[清华曹婷：具身今年才追自进化，我们已在这条路上走很远了 | 世界模型 50 人](https://www.leiphone.com/category/ai/YcIBZiMtehhzYJsR.html)（雷峰网）

## 核心内容

清华大学智能产业研究院教授曹婷指出，单纯依赖离线数据采集的“数采工厂”模式已遇冷，因静态数据无法穷举物理世界变化。团队发布Zeva、Zeva-Ego等系列工作，确立“离线预训练+在线上下文学习”双范式。不同于Skild等显式预测Action或Generalist期待能力涌现的路线，该团队首创上下文因果学习（ICCL），旨在解决视频输入中无关物体与反光噪声干扰动作生成的难题，推动具身智能从Demo演示走向真实部署。

ICCL核心技术是“动作-效果提取器”，将因果关系定义为Action与Effect的直接映射。训练分两阶段：先学习环境变化表征，再基于此提取纯动作相关信息。团队利用1万小时开源无标注Ego数据，将其转化为动作监督信号进行中训练，仅保留约10%有效数据。实测显示，在杂乱背景下Zeva比同类模型尝试次数更少、成功率更高。此外，团队构建物理自进化（PSI）闭环，将在线执行的成功/失败数据回流迭代基座模型，实现记忆与学习的统一。

## 关键看点

- **ICCL技术路线**：区别于VLA直接生成Action，增加动作-效果提取模块过滤视觉噪声，仅将有效因果信息注入上下文，提升复杂环境泛化性
- **无标注数据利用**：清洗1万小时开源Ego数据，通过两阶段训练将无标注视频转化为动作监督信号，仅10%数据用于中训练即显著提升性能
- **物理自进化闭环**：定义PSI机制，将机器人在线执行产生的成功或失败数据实时回流训练基座模型，打通在线学习与离线能力的迭代飞轮
- **场景差异化策略**：明确家庭场景依赖ICL实现零样本泛化，工业场景仍需数百条数据后训练以保证99%精度，否定单一范式通吃论

## 工程与产业观察

该研究标志着具身智能从“大数据暴力拟合”转向“结构化因果推理”。对于算法工程师，ICCL提供的噪声过滤与无标注数据挖掘方案，是解决真实场景长尾问题的低成本路径；对于产业决策者，需认清ICL当前60%左右的成功率仅适用于高容错家庭场景，高精度工业落地仍需保留后训练环节，避免盲目追求端到端大模型而忽视工程化精度约束。
:::

## 原始参考来源 (Sources)

- [雷峰网：清华曹婷：具身今年才追自进化，我们已在这条路上走很远了 | 世界模型 50 人](https://www.leiphone.com/category/ai/YcIBZiMtehhzYJsR.html)