概念索引

了解 TGL 的架构及相关机器人学习方法。

• Teach-and-Grow Learning（TGL）

  Teach-and-Grow Learning（TGL）是一种免训练架构：预训练的 AI 智能体把少量演示转化为可复用、可验证的 Skill Block，而模型权重保持不变。新任务知识存放在 Skill Library 与 Experience Memory 中。

• 免训练机器人学习

  免训练机器人学习指在没有梯度更新、微调或强化学习的情况下获得新的机器人能力。预训练权重保持固定，新任务知识存放在显式的技能与记忆存储中。

• Skill Block（技能块）

  Skill Block 是 Teach-and-Grow Learning 中可复用机器人行为的单元：包含目标、可复用策略、支持条件、兼容执行器与结果检验。被保留的是语义效果，物理实现则重新计算。

• Skill Library（技能库）

  Teach-and-Grow Learning 中的 Skill Library 是经验证 Skill Block 的持久化存储：包含目标、可复用策略、支持条件、兼容执行器与结果检验。它靠验证增长，而不是靠每个回合增长。

• Experience Memory（经验记忆）

  Teach-and-Grow Learning 中的 Experience Memory 记录一次尝试的上下文——任务、所选技能块、观测、结果、诊断与修复——使后续决策能够复用条件，而不只是行为。

• 再训练成本（Retraining Tax）

  再训练成本指通过策略更新修复机器人行为所带来的反复代价：新增数据采集、优化，以及对策略此前已支持能力的回归验证。Teach-and-Grow Learning 命名了它，并提出了替代方案。

• AI 智能体机器人学（Agentic Robotics）

  AI 智能体机器人学让推理 AI 智能体负责选择子目标与工具，由专用组件处理几何与连续控制。Teach and Grow 就是一套以 AI 智能体为中心的通用机器人学习架构。

• 通用机器人学习

  通用机器人学习追求用一套系统处理多种任务与场景。主流路线靠扩大数据与参数；Teach-and-Grow Learning 走互补路线：固定权重，让显式可复用技能持续积累。

• 终身机器人学习

  终身机器人学习指机器人在整个工作周期中持续获得新任务。参数更新有覆盖既有能力的风险；Teach-and-Grow Learning 把新能力放在显式存储中，不覆盖任何东西。

• 在不重训的前提下适配 VLA 模型

  视觉-语言-动作模型通常通过采集更多数据、更新策略来吸收新任务。Teach-and-Grow Learning 提出的问题是：在 VLA 权重冻结时还能适配什么，并把答案存为显式的 Skill Block。

• 物理 AI 与具身智能

  物理 AI 与具身智能指通过传感器与执行器在物理世界中感知和行动的系统。对操作而言真正的问题是感官接口、延迟控制下的时序，以及训练数据从哪里来。

• 大模型机器人学（LLM Robotics）

  大语言模型为机器人带来任务分解、工具选择与恢复能力，但无法输出控制信号。Teach-and-Grow Learning 用多模态大模型 AI 智能体负责推理，把执行交给机器人侧组件。

• GPT 与机械臂

  GPT 级别的大模型可以用语言规划机械臂任务，视觉-语言-动作模型可以直接驱动它。两者都不能免除对机械臂实际动作结果的物理验证。

• AI 智能体机械臂

  AI 智能体机械臂把推理 AI 智能体与机械臂所需的感知、抓取、运动工具配对。Teach-and-Grow Learning 是这种配对的一种以 AI 智能体为中心的设计，每个子目标都带验证。

• GPT-6 机械臂

  GPT-6 级别的机械臂系统以前沿多模态模型作为推理层：解读视觉观测，并调用机器人控制工具或生成的程序。2026 年的演示使用 GPT-6 Astra 完成真实机械臂操作。

• Agent as Policy（AGP，AI 智能体即策略）

  Agent as Policy（AGP）把通用 AI 智能体放进机器人的执行回路，而不是把它限制在离线规划。该术语由 Jia 等人在 arXiv:2609.12541（2026）中提出并在真实操作任务上验证。

• 面向机器人的 Coding AI Agent

  coding AI Agent 检查状态、调用工具、编写并运行一小段程序、读取结果。这一循环与前沿模型和机器人控制栈之间的边界高度契合，也正是 Codex 在 Teach-and-Grow Learning 中承担的角色。

• 物理上下文学习（Physical In-Context Learning）

  物理上下文学习让机器人从上下文——演示、视频、书面流程——适配新任务，而不更新模型权重。TGL 通过持久保存可复用行为与结构化物理经验来补充这一方向，使学习能跨任务积累。

• 通用 AI 智能体机器人

  通用 AI 智能体机器人用同一个推理 AI 智能体处理多种任务。它的开放性是优点，无状态是局限——Teach-and-Grow Learning 为这样的 AI 智能体提供持久、可检查的记忆。

• 免重训机器人学习

  免重训机器人学习指在不更新策略的前提下获得新任务：没有梯度步、没有任务特定微调、没有强化学习阶段。新能力被显式存放，而不是写进权重。

• 机器人 AI 智能体记忆（Robot AI Agent Memory）

  机器人 AI 智能体记忆保存早先物理交互中的信息，以供后续决策使用。在 TGL 中，Skill Library 保存可复用的可执行行为，而 Experience Memory 延续成功、失败、诊断与修复。

• 机器人运行时推理

  运行时推理指决定下一步做什么的模型在任务执行期间仍在运行，因此能对机器人观察到的内容作出反应。它与「在执行前就承诺一份计划」相反。

• 机器人中的工具调用（Tool Use in Robotics）

  机器人中的工具调用指把感知、抓取与运动暴露为 AI 智能体可选择与调用的能力。正是它让推理模型无需自己输出控制信号就能对物理世界采取行动。