答案已發布16 個來源
機器人也能向同伴學習？CEL讓整個機群共享實戰經驗
群體經驗學習（CEL）讓部署中的機器人共享操作經驗、共同改善同一套策略，降低每次更新都仰賴專家示範或人工糾正的需求。 FERT 以失敗情境搜尋相似的成功操作片段，作為策略更新的學習材料；FATS 則支援容錯的非同步訓練。 團隊公布的測試涵蓋五項真實操作任務；兩台未參與訓練的機器人完成 600 次測試，整體成功率為 97.5%，但結果尚非獨立重現。
發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- 群體經驗學習（CEL）讓部署中的機器人共享操作經驗、共同改善同一套策略，降低每次更新都仰賴專家示範或人工糾正的需求。
- FERT 以失敗情境搜尋相似的成功操作片段，作為策略更新的學習材料；FATS 則支援容錯的非同步訓練。
- 團隊公布的測試涵蓋五項真實操作任務；兩台未參與訓練的機器人完成 600 次測試，整體成功率為 97.5%，但結果尚非獨立重現。
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Collective Experience Learning (CEL), proposed by Tsinghua University, Infinigence AI and AgiBot and described in an Infinigence AI–. Article summary: Collective Experience Learning (CEL) is a fleet-learning approach in which deployed robots share real-world execution experience to improve a common policy, rather than relying on fresh human demonstrations for every imp. Topic tags: general, academic, education, general web, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterm
機器人做錯一次，能不能讓其他同伴少走一次彎路？清華大學、無問芯穹與智元提出的「群體經驗學習」（Collective Experience Learning，CEL），正是讓部署中的機器人共享操作經驗、共同改善同一套策略。團隊報告在最多 96 台機器人組成的機群上進行測試。 1
9
為什麼讓機器人彼此分享經驗？
人類示範和即時糾正有助於機器人學習，但當部署規模擴大，要不斷安排專家示範、監看並介入，就愈來愈不容易。CEL 嘗試讓機器人從日常執行任務的經驗中學習：一台機器人成功完成操作，相關經驗便有機會成為整個機群的學習材料。這並不代表完全不需要人類參與，而是希望每次改善策略時，不必都重新仰賴專家提供示範。 1
FERT：用失敗情境尋找成功做法
CEL 的核心演算法稱為「失敗引導的經驗檢索微調」（Failure-guided Experience Retrieval Fine-tuning，FERT）。當機器人執行失敗，FERT 會利用失敗前後的情境，從共享的成功操作紀錄中找出相關片段，再把其中記錄的動作作為更新策略的學習材料。簡單來說，失敗情境提示系統「哪裡值得改善」，成功操作則提供「可以參考的做法」。 4
13
這種設計特別針對步驟繁多的操作任務。一次操作最後可能只得到「成功」或「失敗」的結果，這個標記本身很難說明究竟哪個環節需要調整。FERT 嘗試把問題情境與相似的成功經驗連結起來，提供更具體的學習範例；但它本身並不能證明是哪一個特定動作導致失敗。
研究團隊也介紹了容錯非同步訓練系統 FATS，目標是支援不同機器人不必同時在線的訓練方式。相關報導提到，22 台機器人發生 30 起故障，損失的機器人運作時間為 1.3%。這些數字反映的是報導所述的系統表現，並不足以獨立確認故障復原或資料上傳機制的所有細節。 8
團隊公布的測試結果
評估涵蓋五項操作任務：插花、摺衣服、手機充電、組裝凳子和手機包裝。
- **未參與訓練的機器人：**兩台訓練期間未參與的機器人共完成 600 次測試，其中 585 次成功、15 次失敗，整體成功率為 97.5%。團隊也表示，這兩台機器人在五項任務上的結果都高於六名人類操作員的平均值。這是針對所測任務的比較，不代表機器人整體能力普遍勝過人類。
- **手機包裝：**團隊公布的成功率從 79.2% 提升至 98.3%；相關測試資料描述了兩台未參與訓練的機器人接受 120 次測試。
7
- **機群規模：**在相同的實際訓練時間下，報告中的成功率從 16 台機器人時的 86.7%，升至 96 台時的 98.3%。這顯示在該測試設定中，較大的機群可能在相同時間內累積更多經驗，但不能據此保證所有任務或部署環境都會有相同幅度的提升。
這項研究說明了什麼？還有哪些未知？
CEL 的構想可以概括為：從失敗情境找出值得改善之處，再從整個機群累積的成功經驗中尋找可參考的做法。FERT 負責檢索經驗並用於更新策略；FATS 則被描述為支援非同步、容錯訓練的系統層。團隊公布的五項真實操作任務結果，包括未參與訓練的機器人測試，提供了初步且值得關注的證據。 13
不過，這些數據仍應視為團隊公布的結果，而非已經獨立重現的結論。它們說明 CEL 在該測試設定中的表現，尚不能確定方法能否同樣適用於不同機器人、任務或部署條件。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「機器人也能向同伴學習？CEL讓整個機群共享實戰經驗」的簡短答案是什麼？
群體經驗學習（CEL）讓部署中的機器人共享操作經驗、共同改善同一套策略，降低每次更新都仰賴專家示範或人工糾正的需求。
最值得優先驗證的重點是什麼？
群體經驗學習（CEL）讓部署中的機器人共享操作經驗、共同改善同一套策略，降低每次更新都仰賴專家示範或人工糾正的需求。 FERT 以失敗情境搜尋相似的成功操作片段，作為策略更新的學習材料；FATS 則支援容錯的非同步訓練。
接下來在實務上該怎麼做？
團隊公布的測試涵蓋五項真實操作任務；兩台未參與訓練的機器人完成 600 次測試，整體成功率為 97.5%，但結果尚非獨立重現。