机器人学习正在走到一个很关键的分岔口：机器人的能力，究竟应该以“冻结权重”的形式交付，还是以“可检查、可修改、可复用的技能程序”形式交付？前者对应端到端视觉-语言-动作模型，典型路线是把大规模观测、语言指令和动作轨迹压进一个策略网络；后者对应 code-as-policy 和技能库路线，机器人不只是执行模型输出的动作，而是能生成、运行、修复和积累可执行技能。

这篇题为《Weights or Skills? A Survey of Robot-Learning Techniques: from Action-Predicting Weights to Robots that Write their Own Skills》的综述，正是围绕这条“权重-技能”轴来重新组织近十年机器人学习研究。论文不是做泛泛的机器人学习总览，而是聚焦 77 个代表性系统，并把附录中的 225 项工作纳入背景景观，总覆盖 302 个系统、310 篇参考文献，时间跨度为 2016 至 2026 年。

论文最有价值的地方，在于它把“机器人是否真的会自我改进技能”拆成可比较的层级：从零样本程序生成，到闭环自修复、技能库积累、进化式搜索，再到同时具备反馈、记忆和搜索的完整自改进闭环。作者指出，真正落在最高层级的系统仍然很少，目前主要是 ASPIRE、ENPIRE 和 RoboClaw。与此同时，商业机器人技能商店已经开始出现，但很多“技能”仍然只是静态动作包，离可迁移、可验证、可组合的开放技能经济还有很长距离。

因此，这篇综述适合三类读者：关注具身智能和机器人基础模型的研究者，可以从中理解端到端权重路线与技能路线的互补关系；关注大模型智能体的读者，可以看到代码生成、反思、记忆、工具调用如何进入物理机器人；关注机器人产业落地的人，则可以借此把握技能市场、跨本体迁移、安全验证和技能组合这些即将变得非常现实的问题。

论文信息

论文标题：Weights or Skills? A Survey of Robot-Learning Techniques: from Action-Predicting Weights to Robots that Write their Own Skills 作者：Gaytri Jena, Kapil Wanaskar, Vinija Jain, Aman Chadha, Vasu Sharma, Amitava Das 机构：UC Berkeley, San Jose State University, Meta, Apple, PocketFM, Pragya Lab/BITS Pilani Goa 论文链接：https://arxiv.org/abs/2608.01851 发布时间：2026 年 8 月 3 日 论文类型：机器人学习综述

引言：权重还是技能

论文开篇提出一个非常直接的问题：机器人学习系统最终“交付”的是什么？如果交付的是一个端到端策略网络，那么能力主要存在于冻结权重中；如果交付的是可执行程序、可调用工具、可扩展技能库，那么能力就更接近可检查、可编辑、可分发的技能。 作者用 Figure 1 展示了这条轴的两端。左侧是 RT-1、RT-2、Octo、OpenVLA、Pi-0、CogACT、Gemini Robotics 等 VLA 或通用策略模型，它们通常把观察映射到动作，优势是可从大规模数据中获得强泛化能力；右侧是 ProgPrompt、VoxPoser、REFLECT、TidyBot、Instruct2Act、Prompt2Walk、DoReMi、CaP-X 等 code-as-policy 系统，它们让大模型生成可执行程序，并在部分系统中利用失败反馈继续修复或扩展技能。

图1 权重还是技能：论文用真实系统展示机器人学习的核心组织轴，左侧是冻结权重策略，右侧是可执行且可自改进的技能程序。 作者强调，这篇综述的目标不是穷尽所有机器人学习论文，而是构建一张可解释的“技术地图”。它的贡献包括：提出权重与技能的组织轴；把 code-as-policy 按自改进程度细分；梳理“技能”在文献中的多重含义；比较不同技术家族的优势、限制和失败模式；并把学术分类法连接到正在形成的机器人技能经济。

机器人学习技术分类

论文第二部分先说明语料构建方法。作者采用两条路径：一条是围绕权重与技能分类法精选的 77 个系统，要求每个系统能被明确放在坐标轴上、机制足够独特、信息足够完整；另一条是更宽的 225 项景观语料，用来展示近十年机器人学习研究的整体分布。两者合计覆盖 302 个系统和 310 篇参考文献。 在分类法上，论文把机器人学习技术划分为六个分支：一是 code-as-policy，即由大模型生成或维护可执行机器人技能；二是端到端 VLA 或通用策略；三是由大模型编写奖励函数、课程或训练任务；四是机器人技能库与终身学习；五是仿真到现实和跨本体迁移；六是具身基准与模拟器。

图2 机器人学习的权重与技能分类树：77 个代表性系统被放入六个技术分支，其中代码策略分支进一步按自改进程度分层。 从语料分布看，2023 至 2024 年是相关工作增长最明显的阶段；评测场景中仿真和真实机器人都占有较大比例；学习信号既包括模仿学习、强化学习，也包括大模型规划、自监督和离线强化学习。论文也特别提醒，这些统计反映的是综述语料，而不是整个领域的绝对总体。

图3 综述语料概览：论文统计了系统数量、参考文献、技术分支、自改进层级和年度分布等信息。

技术家族

第三部分是全文主体。作者依次讨论六类技术家族，并把每一类放回“权重还是技能”的主线中。 第一类是代码策略。它的基本想法是让语言模型把任务指令、场景描述、可用工具和机器人 API 转化为可执行程序。最低层级是零样本合成，例如 Code-as-Policies、ProgPrompt、VoxPoser、Instruct2Act 等系统，可以生成控制代码或任务计划，但不会把执行结果反馈给代码生成过程。下一层是闭环自修复，系统开始利用失败轨迹、视觉检查或人类反馈来修改计划。再往上是技能库积累，机器人把成功的程序、修复经验或抽象技能保存下来，供后续任务检索复用。进化式搜索则进一步维护多个候选程序，通过评估和选择迭代产生更好的技能。 最高层级是完整自改进闭环。论文把它定义为反馈、记忆和搜索三者的结合：系统要能从执行中获得可操作反馈，要能把技能或经验长期保存，还要能在候选空间中搜索更优程序。作者指出，这个最高层级目前非常稀疏，典型系统包括 ASPIRE、ENPIRE 和 RoboClaw。也就是说，“机器人能写自己的技能”已经不是口号，但真正持续自我改进的系统仍处在早期。

图4 完整自改进闭环：执行反馈、技能记忆和进化搜索共同构成开放式技能改进循环。 第二类是端到端 VLA 和通用策略。RT-1、RT-2、Octo、OpenVLA、Pi-0、Pi-0.5、CogACT、SpatialVLA、GROOT N1、Gemini Robotics 等系统把视觉、语言和动作统一到一个大模型或策略网络中。它们的优势是可以利用大规模遥操作数据、网络知识和跨任务训练，在多任务场景中展现强大的即时执行能力。限制也很清楚：能力主要封装在权重里，行为难以直接检查和编辑，失败原因不透明，部署后的自我修复通常不如程序技能路线自然。 第三类是大模型编写奖励、课程和训练任务。Eureka、DrEureka、Text2Reward、Language-to-Rewards、Eurekaverse、RoboGen、Auto MC-Reward 等工作让大模型生成奖励函数、环境课程或训练脚本，再通过强化学习或仿真训练得到策略。这条路线很重要，因为它把语言模型的结构化知识用于“塑造学习信号”，而不是直接控制机器人。但论文也指出，这些系统最终交付的常常仍是训练出的策略或奖励机制，并不必然产生可复用、可自改进的机器人技能。 第四类是技能库与终身学习。这里的“技能”一词尤其容易混淆。论文把它拆成至少五种含义：潜变量策略、选项或原语、可执行代码、机器人应用包、市场商品。只有代码意义上的技能同时具备较强的可检查性、可适应性和可组合性；而机器人应用包和市场商品更容易分发，却往往不可编辑、不可解释、也难以跨机器人组合。

图5 技能概念的五种含义：潜变量策略、选项原语、可执行代码、机器人应用包和市场商品在可检查性、适应性、组合性、分发性上差异明显。 在技能库内部，论文进一步区分无监督潜技能发现、技能空间和层级强化学习、大模型和代码技能库、开放世界智能体技能库等方向。DIAYN、DADS、LSD、CIC、METRA 等工作关注无需奖励或弱监督下发现多样技能；SPiRL、OPAL、PARROT、SkiMo 等方法把技能作为层级规划和强化学习的中间表示；Voyager、LOTUS、LRLL、BOSS、SPRINT、Uni-Skill、SkillFlow 等系统则更接近可检索、可增长的技能库。开放世界智能体如 GITM、JARVIS-1、ExpeL、Optimus-1、Odyssey，则展示了技能如何在长期任务和记忆机制中不断积累。 第五类是仿真到现实和跨本体迁移。Open X-Embodiment、CrossFormer、RoboCat、Mirage 等系统尝试让策略或技能跨任务、跨机器人、跨数据来源迁移。这类工作与技能经济关系密切：如果一个技能只能在原始机器人上运行，它就很难成为可交易、可复用的商品；如果没有统一动作接口、本体描述和能力约束，跨平台技能分发就缺少可靠保证。 第六类是具身基准与模拟器。LIBERO、robosuite、BEHAVIOR-1K、Meta-World、RLBench、ManiSkill2、CALVIN 等基准，为多任务学习、长程任务、语言条件控制和终身学习提供了评估环境。论文认为，现有基准更多衡量一次性成功率，而未来需要更直接衡量自改进：机器人是否随着交互次数增加而提升，技能库是否带来复用收益，跨本体部署会损失多少性能，分发技能是否带有可验证来源和测试记录。

技能经济：开放问题

第四部分把学术分类法推向产业场景。论文以机器人技能商店为例指出，现实中已经出现面向消费者或开发者的“技能分发”模式，但这类技能常常更像静态动作包：用户一键下载，机器人播放预设行为。它们具备分发便利性，却不一定具备自适应、可检查、可组合和跨本体迁移能力。 作者提出的第一个问题是部署后适应。真实家庭、办公室和工厂环境差异巨大，桌面高度、物体形状、光照、障碍物、机器人夹爪和传感器都可能不同。如果下载的技能不能针对本地环境持续调整，它就很难超越演示动作包。 第二个问题是跨本体可移植性。同样是“拿起杯子”，不同机器人有不同自由度、末端执行器、相机视角和动力学限制。技能市场如果要成立，就需要声明技能的前置条件、动作接口、可替换硬件能力和失败边界。 第三个问题是来源与信任。机器人技能运行在物理世界中，错误可能造成财产损失甚至安全风险。因此，技能不能只带一个名字和下载链接，还应包含作者、训练数据、验证环境、测试记录、版本变更和安全约束。论文把 provenance 视为技能经济的基础设施，而不是普通元数据。 第四个问题是安全验证。对于可执行代码技能，验证并不只是检查语法或跑一次仿真。技能行为取决于场景输入、感知误差和运行时状态，实际部署需要沙盒、前置条件、运行时监控、异常回退和可审计日志。 第五个问题是技能组合。理想情况下，“做咖啡”和“清理桌面”应能组合成更长的早晨例程。但组合要求共享接口、前置条件、后置效果和冲突处理机制。当前很多机器人应用包是封闭的，很难像软件库一样自由组合。

图6 技术家族对比矩阵：不同路线在数据需求、任务长度、迁移、可解释性、安全性和失败模式上各有优势与短板。

综述局限

第五部分讨论论文自身边界。作者承认，本文的组织轴偏向代码中心，尤其强调自改进程序技能，因此它会把权重策略、强化学习技能发现和表征学习更多作为对照背景，而不是所有方向都平均展开。换句话说，如果从视觉表征、机器人数据收集或运动控制角度重新写一篇综述，技术地图会有所不同。 论文还指出，最高自改进层级上的系统非常新，有些工作几乎是同时期出现，因此很难用统一 benchmark 做严格排名。现有结论更适合理解机制差异，而不是给出绝对优劣。最后，技能经济本身还处于萌芽阶段，论文把它作为开放问题的动机，而不是成熟产业模式的定论。

未来方向

第六部分给出一个更可操作的未来评估框架。作者建议用四个可测量指标来推动领域前进：第一是成功率随交互次数的变化曲线，真正自改进系统应随着自主经验增加而提升，而静态播放技能应基本持平；第二是技能库复用率，随着任务增多，已有技能被调用和组合的比例应上升；第三是跨本体迁移损失，用训练本体和未见本体之间的成功率差距衡量可移植性；第四是来源覆盖度，即分发技能是否包含可验证来源、训练数据说明和可复现实验记录。

图7 未来评估协议：论文建议用成功率交互曲线、技能库复用率、跨本体迁移损失和来源覆盖度衡量开放技能系统。 基于这些指标，论文提出三条研究方向。其一是标准化自改进评估，让“会自我改进”变成可报告、可比较的数字，而不是宣传说法。其二是把适应能力作为技能市场的一等公民，下载技能不应是终点，而应是本地机器人继续特化的起点。其三是连接强化学习技能和代码技能：潜变量策略适合低层控制，代码技能适合解释、组合和修复，未来系统很可能需要把两者包装在统一接口之下。

结论

论文最后回到开篇问题：机器人学习的能力究竟应该作为权重交付，还是作为技能交付？作者的答案并不是二选一。端到端权重模型擅长从大规模数据中学习感知和动作映射，代码技能则擅长检查、编辑、修复、分发和组合。真正有前景的机器人系统，可能需要把二者结合起来：用权重获得强大的感知和低层控制能力，用技能程序承载可解释、可迁移、可验证的长期能力。 这篇综述的核心判断是：当前机器人学习已经不只是“把观察映射到动作”的问题，而是在形成一种新的技能生态。今天的许多商业技能仍是静态播放包，今天的许多学术系统也只在小范围内验证自我改进；但从 code-as-policy、自修复、技能库、进化搜索到完整反馈-记忆-搜索闭环，研究路线已经逐渐清晰。对于未来物理智能来说，如何让机器人不仅会执行任务，而且会生成、保存、验证、迁移和组合自己的技能，将是一个长期而关键的方向。