Physical AI 正在从“能力稀缺”转向“生产系统稀缺”。过去三年，本体、基础模型、世界模型和数据设施完成第一轮能力建设；下一阶段的分水岭，是谁能把模型带入客户日常生产流程，并持续降低每个新任务的部署和维护成本。

我们判断，自进化将成为继本体、基模、世界模型之后的新生态位。清华 AIR 与域变换联合发布的 Zeva，是首个实现 In-Context Causal Learning（ICCL）的自演进具身WAM。它让同一个冻结模型在部署中自我进化，并支持一次人类演示增强。在多个典型具身基准任务上，将冻结模型的累计成功率从 26% 提升到 73%；当这种能力从实验室走向规模化部署，具身智能就有机会迎来自己的“GPT时刻”。

我们判断，当模型能够把动作与状态变化之间的因果关系作为可迁移上下文，仿真到真实、任务到任务、人类到机器人的经验鸿沟将被系统性压缩。

 一、Physical AI 进入部署验证期，价值开始向生产环节迁移

2026 年上半年，全球人形机器人出货量已超过 2.2 万台，同比增长接近 300%，全年预计突破 5 万台。但出货量增长不等于价值平均分配。

行业已经走到第三阶段入口：大量机器人在真实环境中持续运行，并产生可复用的数据。现阶段的主要矛盾，正从“能不能做出来”转向“部署周期、有效运行时长、人工介入、异常恢复和单位任务成本”。

这意味着，产业评价标准正在变化：不再只看自由度、模型成功率、演示效果，而是看机器人能否进入客户的日常生产流程，能否连续运行，能否在失败后恢复，能否把现场经验变成下一轮能力。

二、赛道图谱：四层结构已经清晰

我们把 Physical AI 产业链划分为四层：本体与供应链、具身基础模型、世界模型与数据设施、执行与学习层。 

前三层已经获得大量资本投入，也完成了初步技术验证。真正尚未被充分定价的，是第四层：执行与学习层。

这一层的核心任务，是把模型、本体、企业任务和真实数据组织成稳定生产能力，并把每一次执行中的失败、恢复、人工介入和结果转化为学习信号。

三、Zeva：用 In-Context Causal Learning 切入执行与学习层

Zeva 不是外挂记忆，而是一个模型。它的 Causal Transition Encoder、Dual-timescale Causal Memory、In-Context Policy Injection 都属于模型推理链路的一部分。

图：Zeva 通过 Causal Interaction Extraction、Dual-timescale Causal Memory、In-Context Policy Injection，实现不更新权重的部署中自进化。图片来源：论文

在每个环境步，Zeva 提取视觉状态、动作编码和观察到的状态变化，编码为 Causal Interaction State，并组织成双时标上下文。决策时，它检索与当前任务阶段匹配的交互证据，构造 Causal Prompt 注入冻结的 Cosmos3 动作生成模型。

这套设计带来的能力是明确的：

第一，In-Context Causal Learning：模型从自身“动作→结果”中推断环境因果，并在下一次动作生成中使用该因果上下文。

第二，部署中自我进化：同一个模型在 repeated attempts 中成功率持续提升，不需要梯度更新。

第三，One-Shot 人类演示增强：一次人类演示即可初始化模型上下文，显著提升后续任务表现。

四、数据验证：自进化与 One-Shot 增强都已被真实实验支撑

在 RoboCasa365-Atomic5 上，Zeva 平均成功率 76.8%，登顶第一。

在部署后 self-evolution 曲线中，累计成功率从 Evolve 1 的 26% 提升到 Evolve 4 的 73%。

在真实化学实验室 ChemLab-Evo 上，Pick Up Test Tube 从 65% 到 100%，Place Beaker 从 25% 到 70%，Pour Water 从 30% 到 80%。

One-shot 人类演示 warm-up 的量化结果同样显著：在 Place Beaker 上最高提升 20 个百分点，在 Pour Water 上提升 15 个百分点。

这些数据说明，Zeva 不是停留在概念阶段，而是已经在仿真和真实机械臂上验证了“部署中进化”的可行性。

图：RoboCasa365 上，Zeva 累计成功率从 26% 提升到 73%。图片来源：论文

图：真实化学实验室中，三个原子任务累计成功率随尝试里程碑提升。图片来源：论文

图：One-shot 人类演示 warm-up 对三个原子任务的影响。图片来源：论文

五、市场空间：执行与学习层可能远超本体硬件

仅以 2026 年预计 5 万台人形机器人出货为基数，如果每台机器人每年产生数十万元级别的部署、运维、数据服务与持续进化服务收入，执行与学习层对应的年化增量市场即可达到百亿元级别。

若考虑存量车队、跨任务复用、跨本体适配和软件订阅，这一层的中长期空间将显著大于本体硬件本身。参考工业机器人和智能汽车的发展路径，当硬件进入规模化部署后，软件、数据与运营服务的价值占比通常持续上升。

Zeva 所代表的 ICCL 能力，正是执行与学习层中最具杠杆效应的一环：它让模型不需要频繁重训，就能在部署后持续变强，从而大幅降低客户现场的定制化开发和维护成本。

六、投资判断：域变换是下一轮值得关注的结构性机会

第一，清华 AIR 与域变换联合发布 Zeva，意味着这一赛道已经从学术概念进入产业级定义阶段。域变换作为提出 ICCL 范式的关键角色，具备成为这一新赛道核心标的的潜力。

第二，跨域迁移将从“数据对齐”走向“因果对齐”。传统跨域依赖大量数据适配；Zeva 让模型迁移“动作与状态变化之间的因果关系”，这是更本质的跨域能力。

第三，自进化能力将改变具身模型的商业模式。当模型可以在部署后持续变强，机器人公司可以从一次性交付转向持续订阅、按效果付费和数据服务。

第四，执行与学习层有机会成为平台级入口。它向下连接不同本体和模型，向上组织真实执行数据与训练信号。跨模型、跨本体、跨站点复用一旦成立，可能形成类似 CUDA 的平台机制。

结论

Physical AI 的下一轮投资机会，不在“又一个模型”，而在“让模型在部署后持续进化”的执行与学习层。

Zeva 用 In-Context Causal Learning 证明了这条路径可行：模型可以不调权重自我进化，也可以因一次人类演示而显著增强。域变换开启的，可能正是具身智能GPT时刻的新赛道。

关于清华 AIR 和 域变换

清华AIR（Institute for AI Industry Research, Tsinghua University）是清华大学面向第四次工业革命的国际化、智能化、产业化的研究机构，被视为中国AI产学研结合的第一梯队。

域变换是清华AIR面向物理智能自进化时代孵化的公司，由刘云新教授和曹婷教授发起，本次发布的Zeva是清华AIR在具身智能方向从前沿研究走向产业落地的重要标志。 

刘云新：清华大学智能产业院副院长、博导、万国数据冠名教授、首席研究员，国家级高层次人才、IEEE Fellow

前微软亚洲研究院首席研究主管，长期从事AIoT、端侧智能研究

获得了MobiCom、MobiSys、SenSys等多个国际顶级学术会议奖励，CCF科技进步一等奖等奖项。

曹婷：清华大学教授，北京市高层次引进人才

前微软亚洲研究院首席研究主管，研究方向边缘智能、具身智能等

获顶级会议最佳论文奖四次，工作入选ACM/Microsoft研究亮点等，其中ACM研究亮点由图灵奖获得者David Patterson亲自撰文推荐。