清华AIR×域变换｜Zeva提出具身In-Context Causal Learning，冻结权重也能自进化

具身模型若每次失败都要回炉微调，部署成本会把「自进化」锁死在实验室；若能在参数冻结的前提下越用越强，产线才敢谈持续运行。近窗，清华大学人工智能国际治理研究院方向的产业研究机构清华AIR，与其孵化公司域变换，公开Zeva框架——自称首个实现In-Context Causal Learning（ICCL）的具身世界动作模型（WAM）路径。

清华AIR面向产业化AI研究，域变换由相关教授团队发起，定位把物理智能自进化从论文推向可部署系统。Zeva要回答的不是「再训一个更大的VLA」，而是：机器人在真实世界里做错一次之后，能不能把这次交互变成下次决策的上下文，而无需改动权重。

方法与评测要点：

1. 因果交互抽取：把已执行动作与其引起的状态变化编码为因果信号
2. 双时标因果记忆：分别沉淀短期与更长周期经验，供后续检索
3. 上下文策略注入：决策时检索与当前任务阶段匹配的证据，构造Causal Prompt注入冻结的动作生成模型（公开材料提及Cosmos3等相关组件），全程零梯度更新
4. 仿真：RoboCasa365-Atomic5平均成功率约76.8%，公开称优于对照的前沿VLA/WAM
5. 自进化：部署后累计成功率从Evolve 1约26%抬升至Evolve 4约73%；支持一次人类演示初始化后、无需微调复现关键操作

所谓ICCL，白话是像大模型的上下文学习，但学的是「我刚才碰了什么、世界怎么变了」；所谓冻结权重，白话是现场只改记忆与提示，不改模型参数，从而避免每台机器人单独微调的工程地狱。对产线而言，这意味着故障恢复可能从「叫算法工程师」变成「多试几次、把经验写进记忆」。

放在具身路线图上下文里，行业长期在模仿学习、强化学习与世界模型之间摆动：模仿缺泛化，强化学习贵且难安全，纯扩大参数又碰数据墙。Zeva把scaling曲线拆成两条——参数规模之外，再加一条「交互次数→因果上下文→成功率」的独立轴。若成立，竞品只刷预训练分数会显得不够；若难复现，则仍是论文高光。

产业影响上，域变换作为落地载体，后续要看客户侧连续运行与跨本体迁移；对本体厂，则是要不要把因果记忆层写进标配中间件。需要把边界读清楚：数字属论文与项目页评测口径，跨工况、跨本体泛化仍待第三方复现。下一观察点是开源或产品化节奏，以及真实产线故障恢复指标。