96 台机器人在同一个车间互相学：CEL 把「人不够用」换成了「机器越多越强」，代价写在 1.3% 里

先说清楚成绩单的边界。被测试的是两台没有参与训练的机器人，这在方法论上是对的——如果拿参与训练的机器去测，测的只是记忆。测试任务是插花、叠衣服、手机充电、凳子组装、手机包装五项，共 600 次，失败 15 次。

但「两台没参加训练的机器人」跨的是「同一集群内的泛化」，不是「陌生环境里的泛化」。它们和那 96 台共用同一批物料、同一套工位布局、同一类任务定义。判断：这足以证明群体经验可以迁移到同型号、同场景的新机器上，但还不足以证明它能让机器人去干一件没人干过的活。

手机包装那一项是唯一带工序结构的任务，也是提升幅度最大的一项：79.2% → 98.3%，120 次只失败 2 次。多步骤任务最怕误差累积，五个步骤各 95% 串起来只剩 77%——这正是多数长流程任务在真机上做不起来的原因。判断：从 79.2% 到 98.3% 的价值不在那 19 个百分点，在于它说明长时序任务的失败可以靠「检索同伴的失败经验」被定位，而不是靠人反复纠错。

报道给出的规模化结论很诱人：同等物理训练时间下，参与学习的机器人从 16 台增至 96 台，成功率从 86.7% 升到 98.3%。这句话指向的是「机器人越多越强」——一个对整机厂极其友好的叙事，因为它把「卖得多」和「产品变好」绑在了一起。

要提醒的是：这是两个点。没有 32 台、48 台、64 台的中间数据，没有置信区间，也没有说明 96 台集群的训练时长是否真的与 16 台严格对齐（同时跑 96 台，工程上极难做到「同等时长」）。判断：把它读成「规模越大越好」是合理的直觉，但把它读成「已经验证了具身智能的 Scaling Law」就过头了——一条曲线要至少三个点才画得出来。

现在回到那个容易被跳过的数字。96 台规模测试中，集群累计采集 9834 轮执行经验；期间 22 台机器人一共发生 30 次故障；故障造成的机时损失，只占全部运行机时的 1.3%。

做一道除法：9834 ÷ 96 ≈ 102 轮/台；30 ÷ 22 ≈ 1.36 次/台。也就是说，在这个测试里，平均每台机器人跑了一百来轮、坏了一次多一点，而系统把坏机带来的损失压到了 1.3%。

这个数字之所以重要，是因为真机集群训练最贵的从来不是电费，是「坏机、排队、和等人修」。一台机器人卡住不动，它在队列里占的位置会让后面所有机器人的训练样本都等着。FATS（容错异步训练系统）解决的正是这件事：基于开源强化学习框架 RLinf 构建，把机器人当成和 GPU 同等的训练资源统一调度，机器人做完任务就上传经验，不必等同批全部完成；网络波动、设备掉线、硬件故障都被当成常态处理。

四家报道都提到同一个变化：人的角色从「提供动作、协助探索」转向「结果判定」。这句话在工程上的含义比听起来更硬——它意味着人不再需要会做那个动作，只需要能判断做成了没有。

这是一条真正的门槛下降。当下具身智能落地最卡的环节不是模型不够大，是会做某道工序的人本来就不多，还要被拉去当示教员。新浪稿把这层意思挑明了：这套模式适合小体量实验室验证，一旦扩展到上百台机器人，人力示教就会变成性能天花板，CEL 要突破的正是 HG-DAgger 这类依赖人类接管的方案在规模上的上限。

算法侧对应的是 FERT——失败引导的经验检索微调。它同时用成功轨迹（告诉机器人该怎么做）和失败场景（告诉机器人该往哪改）。判断：这个设计比单纯「模仿成功」更贴近工业现实，因为工业场景里失败样本往往比成功样本多，而失败样本过去基本被丢掉。

需要说清一条边界：这套方法成立的前提是任务可判定——手机包装、凳子组装、插花，做成没做成一眼能看出来。换成「陪老人聊天」「展厅讲解」这类没有明确成功判据的任务，结果判定这一环就断了，CEL 的闭环也就断了。这也是为什么五项任务全部落在有明确完成态的操作类场景里。

最后一个现实问题：96 台真机同时在线训练，是一件很贵的事。按当前工业级人形机器人整机成本量级估算，光是设备占用就是一笔数千万级的资产；再加上场地、运维、电力，这套验证只可能由三类主体做得起——整机厂自己、有政府或产业基金支持的联合体、以及有大量自有设备的场景方。

这次的三方分工恰好就是这三类：清华出学术、无问芯穹出 AI 基础设施、智元出整机与真实场景。判断：这个组合本身就是答案——CEL 短期内不会是一个「开源就能用」的方法，而是一个「有 100 台以上在役机器人的人才用得起」的方法。对绝大多数只有几台、几十台设备的中小集成商，它的意义在于指明方向，而不是明天就能抄的作业。