亚洲黄色片在线观看_日韩精品视频中文在线观看_亚洲国产中文字幕在线观看_亚洲高清久久网

Loop Engineering火了。

(資料圖片僅供參考)

乍一聽，像是繼Harness Engineering之后，AI工程圈又造出的一個(gè)新黑話。但兩者關(guān)注點(diǎn)并不一樣：Harness Engineering更像是在給agent搭一套“運(yùn)行外骨骼”，把工具、上下文、權(quán)限、狀態(tài)、驗(yàn)證和可觀測(cè)性都組織起來；Loop Engineering關(guān)注的則是，這套外骨骼里那條能持續(xù)跑起來的閉環(huán)——AI如何執(zhí)行、檢查、失敗、修正，再繼續(xù)推進(jìn)任務(wù)。

接到目標(biāo)，拆任務(wù)，調(diào)工具，看輸出，跑驗(yàn)證，發(fā)現(xiàn)錯(cuò)了再改，改完繼續(xù)測(cè)，直到結(jié)果過關(guān)——這就是一個(gè)loop。過去，人坐在模型前面，一句一句問，一輪一輪改；現(xiàn)在，人開始退到系統(tǒng)外面，設(shè)計(jì)一條能自動(dòng)運(yùn)轉(zhuǎn)的閉環(huán)，把模型放進(jìn)去，讓它在反饋里自己迭代。

所以Loop Engineering火起來，表面看是agent工程方法變了，本質(zhì)上是AI的角色變了：從一次性回答問題，變成持續(xù)性完成任務(wù)。

Coding Agent為什么先跑通？

一個(gè)很重要的原因，是coding agent先吃到了“反饋紅利”。

在軟件世界里，AI最容易得到高質(zhì)量反饋。代碼寫完能不能跑，測(cè)試過不過，編譯器報(bào)什么錯(cuò)，CI卡在哪里，diff有沒有引入回歸，review評(píng)論說哪里不對(duì)，這些反饋天然清晰、密集、便宜，還能反復(fù)觸發(fā)。

這和聊天完全不同。聊天里，用戶說“不太對(duì)”，模型未必知道哪里錯(cuò)了。但寫代碼時(shí)，錯(cuò)誤會(huì)變成紅色日志、失敗用例、異常棧、類型檢查、性能指標(biāo)。也就是說，軟件工程天然給agent提供了一套近乎理想的訓(xùn)練場(chǎng)：動(dòng)作可執(zhí)行，結(jié)果可驗(yàn)證，失敗可定位，修正可繼續(xù)。

更關(guān)鍵的是，coding agent火了一段時(shí)間之后，真實(shí)人類數(shù)據(jù)也開始堆起來了。開發(fā)者會(huì)打斷agent、糾正agent、接受或拒絕agent的代碼、修改它生成的patch、在PR里留下意見。這些都不是靜態(tài)語料，而是“人在閉環(huán)里如何評(píng)價(jià)和修正AI工作”的過程數(shù)據(jù)。

換句話說，coding agent的能力增強(qiáng)，并不只是模型本身更大了。它還吃到了一類軟件工程世界里非常奢侈的數(shù)據(jù)：人類反饋、機(jī)器驗(yàn)證、多輪修正軌跡。

這也解釋了為什么Loop Engineering會(huì)從coding agent語境里先冒出來。因?yàn)樵诖a里，loop不是一個(gè)抽象愿景，而是每天都在發(fā)生的工程事實(shí)。AI寫，系統(tǒng)測(cè)，人類改，再讓AI繼續(xù)寫。一條閉環(huán)跑起來，模型就不再只是“會(huì)說”，而是開始“會(huì)試、會(huì)錯(cuò)、會(huì)改”。

但機(jī)器人沒有那么幸運(yùn)

把同樣的邏輯搬到具身智能，事情立刻變難。

軟件里的反饋是日志，機(jī)器人里的反饋是真實(shí)世界。杯子有沒有滑落，夾爪有沒有打偏，力道是不是太大，手腕姿態(tài)是不是不對(duì)，視角有沒有被遮擋，桌面有沒有反光，物體有沒有發(fā)生滾動(dòng)，環(huán)境有沒有突然變化——這些都不是一句error message能說清楚的。

更麻煩的是，機(jī)器人要學(xué)會(huì)動(dòng)作，先得有數(shù)據(jù)。過去行業(yè)最直接的辦法，是遙操作。人類操作員控制機(jī)器人完成任務(wù)，機(jī)器人記錄視覺、狀態(tài)和動(dòng)作，最后拿這些軌跡訓(xùn)練策略。

這條路當(dāng)然有價(jià)值。Open X-Embodiment、DROID這類大規(guī)模機(jī)器人數(shù)據(jù)集已經(jīng)證明，多機(jī)器人、多任務(wù)、多場(chǎng)景數(shù)據(jù)確實(shí)能提高泛化能力。它們讓機(jī)器人學(xué)習(xí)第 一次有了類似“大數(shù)據(jù)預(yù)訓(xùn)練”的味道。

但遙操作天然有瓶頸。一個(gè)人通常一次只能控制一臺(tái)機(jī)器人。機(jī)器人硬件貴，場(chǎng)地貴，采集慢。操作員會(huì)疲勞，動(dòng)作會(huì)變形。遠(yuǎn)程控制有延遲，力反饋不完整，機(jī)械臂和人手的形態(tài)也不一致。

更關(guān)鍵的是，遙操作數(shù)據(jù)記錄的是“機(jī)器人做了什么”，它并不天然記錄“人為什么這樣操作”。同樣是把杯子推正，人可能先看到了杯沿傾斜，再判斷重心，再減小力度，再用手腕微調(diào)。遙操作軌跡里能看到末端執(zhí)行器怎么動(dòng)，卻很難看到人類操作策略在腦子里是怎么形成的。

所以，遙操作數(shù)據(jù)夠硬，但不夠像人。

Ego數(shù)據(jù)補(bǔ)上了真實(shí)世界，但還沒補(bǔ)上反饋

既然真機(jī)數(shù)據(jù)貴、遙操作慢，那能不能直接采人？

這就是egocentric data，也就是第 一視角人類數(shù)據(jù)突然升溫的原因。人戴上頭顯、眼鏡或攝像設(shè)備，在真實(shí)環(huán)境里做家務(wù)、裝配、整理、烹飪、維修、工作，系統(tǒng)把人看到的畫面、手部動(dòng)作、物體交互記錄下來。

這類數(shù)據(jù)的優(yōu)勢(shì)非常明顯：便宜、自然、規(guī)模大，而且覆蓋大量機(jī)器人短期內(nèi)進(jìn)不去的真實(shí)場(chǎng)景。從Ego4D到Ego-Exo4D，再到最近面向機(jī)器人學(xué)習(xí)的EgoLive、EgoScale、HumanEgo，行業(yè)方向越來越清楚：機(jī)器人不可能只靠機(jī)器人自己采數(shù)據(jù)，人類第 一視角數(shù)據(jù)會(huì)成為具身智能的重要補(bǔ)給線。

但ego數(shù)據(jù)也有一個(gè)關(guān)鍵問題：它大多還是observe-first的。

系統(tǒng)主要看到的是，人看到了什么，人手怎么動(dòng)，任務(wù)有沒有完成。可真正的動(dòng)作閉環(huán)，中間還有很多東西沒有被記錄下來：人什么時(shí)候鎖定目標(biāo)？為什么伸向這個(gè)物體，而不是旁邊那個(gè)？動(dòng)作發(fā)起前有沒有準(zhǔn)備信號(hào)？過程中什么時(shí)候意識(shí)到偏差？力度是如何調(diào)小的？失敗后為什么切換策略？

這些信息，只靠第 一視角視頻很難完整還原。視頻記錄了結(jié)果，卻沒有完整記錄反饋；視頻記錄了動(dòng)作，卻沒有完整記錄意圖；視頻記錄了“人做了什么”，卻沒有完整記錄“人如何把事情做對(duì)”。

這就是具身智能和coding agent最 大的差別。coding agent的loop里，反饋被寫進(jìn)測(cè)試、日志和人類review；機(jī)器人學(xué)習(xí)的很多human data里，反饋卻還停留在畫面里，隱含在人類身體和大腦的控制過程中。

AI看見了人類操作，卻沒有真正拿到人類閉環(huán)的運(yùn)行日志。

人類本身，就是最成熟的閉環(huán)系統(tǒng)

人做動(dòng)作，從來不是一條直線。

不是看到杯子，然后直接伸手拿起。真實(shí)過程更像這樣：眼睛先掃描環(huán)境，視線鎖定目標(biāo)；大腦結(jié)合任務(wù)上下文，形成意圖；神經(jīng)系統(tǒng)把動(dòng)作準(zhǔn)備信號(hào)下發(fā)到身體；肌肉開始激活，手臂和手指進(jìn)入執(zhí)行。與此同時(shí)，視覺、本體感覺、觸覺和誤差信號(hào)不斷回流。

如果杯子偏了，軌跡會(huì)變；如果抓得太輕，力道會(huì)加；如果手擋住視線，頭會(huì)調(diào)整角度；如果動(dòng)作失敗，策略會(huì)切換。

這就是人類每天都在做的閉環(huán)控制：感知、注意、意圖、執(zhí)行、反饋、修正。而具身智能真正想學(xué)的，也不只是動(dòng)作軌跡本身，而是這條閉環(huán)策略。

所以問題變了。過去大家問：機(jī)器人能不能從人類視頻里學(xué)動(dòng)作？現(xiàn)在更值得問的是：能不能把人類動(dòng)作背后的閉環(huán)過程采下來？

這正是臉譜心智Facemind想切入的位置。

從模型里的loop，到數(shù)據(jù)里的loop

臉譜心智此前在世界模型方向做了一次架構(gòu)嘗試，發(fā)布了Looped World Models，也就是LoopWM。

它的思路很直接：世界模型不一定非要靠堆更多層來變強(qiáng)，也可以讓同一個(gè)transformer block反復(fù)使用，對(duì)latent state做多輪refinement。也就是說，模型不是一次性給出對(duì)環(huán)境狀態(tài)的判斷，而是在隱藏狀態(tài)里多想幾輪、多修幾輪，讓世界表示逐步穩(wěn)定下來。

這和Loop Engineering的精神有點(diǎn)相似。外部agent loop是讓AI在工具和反饋里迭代；LoopWM則是讓世界模型在內(nèi)部latent space里迭代。一個(gè)是工程系統(tǒng)層面的loop，一個(gè)是模型架構(gòu)層面的loop。

但當(dāng)這條線走到具身智能，問題還會(huì)繼續(xù)下沉到數(shù)據(jù)層：如果模型內(nèi)部可以循環(huán)修正，外部系統(tǒng)也可以循環(huán)執(zhí)行，那訓(xùn)練數(shù)據(jù)是不是也應(yīng)該包含更完整的循環(huán)？

否則，模型學(xué)到的仍然只是“動(dòng)作之后的結(jié)果”，而不是“動(dòng)作如何被反饋修正”。

于是，臉譜心智提出了另一套數(shù)據(jù)范式：Ego-NeuroLoop。它想采的不是普通第 一視角視頻，而是人類操作閉環(huán)。

Ego-NeuroLoop：把動(dòng)作執(zhí)行變成控制系統(tǒng)日志

普通ego數(shù)據(jù)像一部電影。攝像機(jī)在人的眼睛附近，記錄畫面、手、物體、環(huán)境，以及任務(wù)推進(jìn)過程。

Ego-NeuroLoop更像一份人類閉環(huán)控制日志。它不只問“人做了什么”，還試圖記錄：人看向哪里，目標(biāo)什么時(shí)候被鎖定，動(dòng)作意圖什么時(shí)候出現(xiàn)，肌肉如何開始響應(yīng)，執(zhí)行過程中哪里發(fā)生偏差，人又如何根據(jù)反饋繼續(xù)調(diào)整。

為此，它把幾類信號(hào)放到同一條時(shí)間軸上。

world camera記錄人與環(huán)境交互的視覺上下文：物體在哪里，動(dòng)作發(fā)生在什么場(chǎng)景中，環(huán)境狀態(tài)如何變化。gaze記錄人的視線和注意力：目標(biāo)如何被發(fā)現(xiàn)，關(guān)鍵物體何時(shí)被鎖定，操作過程中注意力如何轉(zhuǎn)移。EEG捕捉神經(jīng)層信號(hào)：動(dòng)作準(zhǔn)備、狀態(tài)切換、錯(cuò)誤感知、注意力變化，都可能在腦電信號(hào)里留下線索。sEMG捕捉肌肉激活：手臂、手腕、手指何時(shí)發(fā)力，力度如何變化，動(dòng)作執(zhí)行如何展開。

這樣，一個(gè)動(dòng)作就不再只是視頻里的幾幀畫面。它變成一條連續(xù)鏈路：世界狀態(tài)出現(xiàn)，視線發(fā)現(xiàn)目標(biāo)，大腦形成準(zhǔn)備，肌肉進(jìn)入執(zhí)行，反饋觸發(fā)修正，動(dòng)作繼續(xù)推進(jìn)。

如果說傳統(tǒng)egocentric data解決的是“機(jī)器人如何看見人類做事”，Ego-NeuroLoop試圖解決的就是“機(jī)器人如何看見人類在反饋里做事”。這兩者差別很大。前者是觀察，后者才更接近閉環(huán)學(xué)習(xí)。

NeuroMatrix：先高精度采，再低成本放大

要采這種數(shù)據(jù)，第 一步是硬件。

臉譜心智設(shè)計(jì)的數(shù)據(jù)采集裝置叫NeuroMatrix，負(fù)責(zé)把world camera、gaze、EEG、sEMG等信號(hào)同步采下來。這里的核心難點(diǎn)不是單獨(dú)采某一種信號(hào)。攝像頭、眼動(dòng)、腦電、肌電都不是新東西。真正難的是：如何把它們變成可規(guī)模化的具身智能數(shù)據(jù)生產(chǎn)系統(tǒng)。

高精度EEG和sEMG設(shè)備往往貴、重、復(fù)雜，不適合大規(guī)模部署。低成本設(shè)備又容易帶來噪聲、漂移、接觸不良和信號(hào)不同步。

NeuroMatrix的思路，是先用高精度版本建立底座。通過高精度采集，系統(tǒng)先學(xué)習(xí)人類動(dòng)作意圖、神經(jīng)信號(hào)、肌肉執(zhí)行和視覺上下文之間的對(duì)應(yīng)關(guān)系。換句話說，先畫出一張“人類閉環(huán)信號(hào)地圖”。

哪些腦區(qū)信號(hào)和動(dòng)作準(zhǔn)備更相關(guān)？哪些頭皮電極通道最關(guān)鍵？哪些肌肉區(qū)域能更好反映手臂、手腕、手指動(dòng)作？哪些gaze模式經(jīng)常出現(xiàn)在動(dòng)作發(fā)起前？有了這張地圖，硬件就可以反向收縮：減少電極數(shù)量，壓縮傳感器點(diǎn)位，保留最關(guān)鍵的通道，把原本實(shí)驗(yàn)室級(jí)、昂貴、復(fù)雜的采集能力，逐步推向更低成本、更容易部署的形態(tài)。

這一步解決的是采集半徑問題。如果閉環(huán)數(shù)據(jù)只能在少數(shù)實(shí)驗(yàn)室里采，它很難成為機(jī)器人訓(xùn)練資產(chǎn)。只有當(dāng)采集設(shè)備足夠便宜、輕量、可部署，人類閉環(huán)數(shù)據(jù)才有機(jī)會(huì)像ego視頻一樣真正規(guī)模化。

NeuroBooster：給神經(jīng)信號(hào)做一個(gè)“VLM”

但低成本設(shè)備一定會(huì)帶來新問題。

EEG會(huì)受電極阻抗、頭動(dòng)偽跡、接觸質(zhì)量影響；sEMG會(huì)受佩戴位置、肌肉串?dāng)_、動(dòng)作噪聲影響；gaze會(huì)漂移，會(huì)短時(shí)丟失；視覺會(huì)遮擋，會(huì)模糊，會(huì)受光照變化影響。

所以第二層能力，是NeuroBooster。可以把它理解成“神經(jīng)信號(hào)的VLM”。

VLM做的是圖像和語言的對(duì)齊：一張圖里有什么，對(duì)應(yīng)怎樣的語義。NeuroBooster做的是視覺、視線、EEG、sEMG的對(duì)齊：一個(gè)動(dòng)作里發(fā)生了什么，對(duì)應(yīng)怎樣的閉環(huán)過程。

它要學(xué)習(xí)的不是“圖像—文本”映射，而是“環(huán)境—注意—意圖—執(zhí)行—反饋”的映射。

在訓(xùn)練過程中，NeuroBooster會(huì)先利用高精度NeuroMatrix形成的信號(hào)地圖，學(xué)習(xí)不同模態(tài)之間的時(shí)間對(duì)齊關(guān)系和語義對(duì)應(yīng)關(guān)系。然后圍繞手臂、手指等操作動(dòng)作，建立腦區(qū)信號(hào)、頭皮電極通道、肌肉區(qū)域、視覺目標(biāo)區(qū)域之間的配對(duì)關(guān)系。最后，它還要對(duì)低成本、低信噪比、不同步的數(shù)據(jù)做增強(qiáng)和重建。

當(dāng)EEG信號(hào)弱時(shí)，gaze和sEMG可以提供目標(biāo)與執(zhí)行線索；當(dāng)sEMG噪聲大時(shí)，視覺和EEG可以幫助判斷動(dòng)作階段；當(dāng)gaze漂移時(shí)，world camera和動(dòng)作狀態(tài)可以補(bǔ)回目標(biāo)上下文；當(dāng)視覺被遮擋時(shí)，EEG和sEMG仍然可能保留動(dòng)作意圖和執(zhí)行信息。

最終，模型拿到的不再是一堆孤立傳感器數(shù)據(jù)，而是一條被同步、對(duì)齊、增強(qiáng)、結(jié)構(gòu)化的閉環(huán)時(shí)間軸：環(huán)境里有什么，目標(biāo)在哪里，意圖什么時(shí)候出現(xiàn)，肌肉如何響應(yīng)，動(dòng)作如何展開，反饋如何發(fā)生，下一步又如何修正。

這才是Ego-NeuroLoop想變成訓(xùn)練資產(chǎn)的東西。

具身智能缺的不是更多視頻，而是更多反饋

Ego-NeuroLoop并不是要替代現(xiàn)有ego-centric或human-centric數(shù)據(jù)。恰恰相反，它更像是在這些數(shù)據(jù)上補(bǔ)一層缺失的反饋信號(hào)。

第 一視角視頻已經(jīng)很重要。它帶來了真實(shí)場(chǎng)景、真實(shí)任務(wù)、真實(shí)人類行為，也讓機(jī)器人學(xué)習(xí)可以擺脫一部分真機(jī)采集限制。但如果只有視頻，模型主要學(xué)到的是觀察和結(jié)果。

如果加入gaze，它開始知道人類注意力在哪里；如果加入EEG，它有機(jī)會(huì)捕捉動(dòng)作準(zhǔn)備和狀態(tài)切換；如果加入sEMG，它能看到肌肉執(zhí)行和力度變化。如果這些信號(hào)被放到同一條時(shí)間軸上，模型才可能進(jìn)一步學(xué)習(xí)人類閉環(huán)策略。

這件事對(duì)機(jī)器人很關(guān)鍵。因?yàn)檎鎸?shí)世界里的動(dòng)作，不是“看見目標(biāo)，然后執(zhí)行動(dòng)作”這么簡(jiǎn)單。機(jī)器人要學(xué)會(huì)在復(fù)雜環(huán)境里找真正相關(guān)的目標(biāo)，要在動(dòng)作發(fā)起前形成可執(zhí)行意圖，要在執(zhí)行過程中根據(jù)反饋微調(diào)，要在失敗后切換策略，而不是機(jī)械重試，還要知道什么時(shí)候繼續(xù)，什么時(shí)候停下，什么時(shí)候換一種辦法。

這些能力都不是單幀視覺能解決的。它們需要一條從目標(biāo)到意圖、從意圖到執(zhí)行、從執(zhí)行到反饋、從反饋到修正的連續(xù)鏈路。

這也正是Loop Engineering對(duì)具身智能的啟發(fā)：智能不是一次性輸出，而是在反饋中不斷逼近正確結(jié)果。

最后

Loop Engineering今天突然火，不只是因?yàn)锳I圈又發(fā)明了一個(gè)新詞，而是因?yàn)閏oding agent先讓大家看到了閉環(huán)的威力。

當(dāng)AI能寫代碼、跑測(cè)試、看日志、修bug、接受人類review，再繼續(xù)迭代，它就不再只是一個(gè)聊天模型，而開始變成一個(gè)能工作的系統(tǒng)。

具身智能也在走向同一件事。只是機(jī)器人面對(duì)的不是編譯器，而是真實(shí)世界；不是單元測(cè)試，而是視覺、觸覺、力、姿態(tài)、遮擋、滑落和失敗。

這也是為什么遙操作數(shù)據(jù)不夠，普通ego數(shù)據(jù)也還不夠。前者太貴太慢，后者更像觀察，缺少人類反饋和意圖過程。

未來機(jī)器人真正需要的，可能不是更多“人類動(dòng)作錄像”，而是更完整的“人類閉環(huán)數(shù)據(jù)”。

從LoopWM到Ego-NeuroLoop，臉譜心智想講的故事也正在這里收束：模型架構(gòu)要能loop，agent系統(tǒng)要能loop，訓(xùn)練數(shù)據(jù)也要把人類的loop采下來。

因?yàn)槿绻麢C(jī)器人未來要像人一樣理解世界、組織動(dòng)作、利用反饋、持續(xù)修正，那么第 一步，可能不是先讓機(jī)器人動(dòng)起來，而是先把“人類到底如何把動(dòng)作做對(duì)”記錄清楚。