權重還是技能？機器人學習技術調查：從動作預測權重到撰寫自己技能的機器人
為何重要
此綜覽調查釐清了「固定權重模型」與「開放式程式碼代理」之間的技術路線分歧，為開發者在選擇基礎模型或技能生成架構時提供了明確的決策依據。對產業而言，文章揭示了現有技能市場（如一按即用技能）僅限靜態回放的缺陷，投資人應關注未來具備來源追蹤、安全驗證與跨具身型可移植性的動態技能模組。隨著 ASPIRE、ENPIRE 等系統推進開放式迴圈，機器人從單點工具轉向自我迭代系統的趨勢已經成形。
機器人學習目前分裂為兩個主要方向：一種是將能力烘焙進凍結權重（如 VLA 模型），另一種是能夠透過程式碼撰寫與改進技能的代理。本調查將技術領域架構化為「權重」與「技能」兩大軸，並分析了從零樣本程式綜合到結合執行回饋與進化搜尋的開放式學習迴圈。研究揭露「技能」一詞至少有五種不同語境，唯有程式碼形式可在無梯度更新下自我改進，並探討了商業技能市場僅配送靜態回放技能的現有侷限性。
- 將機器人技術分類為具備動作預測能力和程式碼驅動技能兩大模式。
- 分析程式碼為政策的演進路由，從零樣本程式綜合至結合執行回饋與進化搜尋的開放式迴圈。
- 指出「技能」一詞至少有五種定義，且僅程式碼形式能在無進行梯度更新下實現自我改進。
- 檢視了六個技術家族中的 77 個代表性系統，並分析商業機器人技能市場的適應性與標準化問題。