你见过那种老师傅吗？修家电不用查手册，拧螺丝手不抖，换零件前就猜到哪颗螺丝会锈死——不是靠玄学，是几十年活儿堆出来的‘手感’。现在，浙大团队真把这股子‘老匠人气’塞进了AI里。他们搞出的SkillRise框架，不教AI死记硬背，而是让它像木工学徒跟着师傅打三年凳子、五年柜子、十年整屋装修那样，把每次任务里的小窍门、绕过坑的巧劲、临时改方案的判断力，一点点攒成可迁移的‘手艺包’。
过去很多AI一换任务就变‘失忆患者’：刚在厨房环境学会开微波炉，转头去超市买酱油，又得从零学怎么点屏幕、翻页、比价格。SkillRise不干这个事。它在ALFWorld（虚拟家居）、WebShop（模拟网购）、ScienceWorld（小学科学实验）三个场景里反复验证——AI做完一道题，不是存下‘这次点A按钮成功了’这种快照，而是抽离出‘当目标物品被遮挡时，优先检查附近容器+触发交互动作’这类通用策略。结果呢？平均提升2.3到8.5个百分点，小数点后那一位，是老师傅多拧半圈螺丝才省下来的力气。
有意思的是，这股‘积累经验’的劲儿，和浙大同期发布的‘求是引擎’遥相呼应。后者更像一支能自己开会、分工、复盘、推翻重来的科研小队；而SkillRise则是那个默默记笔记、把‘上次调参踩雷’‘上回prompt漏条件’变成肌肉记忆的实干派。它们共同指向一个事实：AI正在告别‘单次任务冠军’人设，转向‘越干越懂行’的长期主义者。不是所有AI都要写论文，但所有AI都该有成长感——就像老师傅的工具箱里，每把锉刀都带着使用痕迹，每道划痕都是经验在说话。
这种“成长感”不是空话。团队公开的测试视频里，有个细节特别戳人：AI第一次在ScienceWorld里做“观察植物光合作用”实验，反复把烧杯放错位置，光照强度调到离谱的1200lux（实际只需300–500），结果叶片根本没反应；到了第五次，它自己停顿了两秒，调出上轮失败时的环境快照对比——发现上次忘了关窗帘，自然光干扰了传感器读数。这次它先拉帘、再校准光源、最后才放样本。没人教它“要排除环境变量”，但它从四次失败里摸出了这条线。
更实在的是落地节奏。目前SkillRise已接入浙大附属小学的AI助教系统试点，不是用来批作业，而是陪孩子做开放式科学探究。比如孩子问“为什么冰块在可乐里比在水里化得快”，AI不会直接甩答案，而是引导设计对照实验：准备两杯等量液体、同规格冰块、同步计时……过程中自动记录孩子调整杯子角度、手抖导致倾倒等真实操作偏差，并把这类“人类执行扰动”也纳入策略优化——换句话说，它学的不只是标准流程，还有“怎么在不完美的现实中把事做成”。
这背后有硬核支撑。论文附录里列了17类可提取的隐性经验模式，像“多步骤任务中，中间环节出错概率比首尾高37%”“视觉遮挡超60%时，触觉反馈优先级应提升至动作决策首位”……全来自真实交互日志的统计归纳，不是工程师拍脑袋写的规则。中国人工智能学会2024年中期评估报告提到，这类基于行为痕迹的经验蒸馏方法，正成为具身智能领域少有的、能绕过海量标注依赖的可行路径。
老师傅的锉刀越用越贴手，AI的“手艺包”也是越干越轻巧。它不追求一鸣惊人，但每次重启后，都比上回少拧半圈螺丝、少试一次错按钮、少走一步弯路。这不是AI变聪明了，是它终于开始像人一样，把日子过成积累。
启泰网提示：文章来自网络，不代表本站观点。
