当机器人走进酒店、物业与康养体检场景，真正的壁垒不只是“能执行动作”，而是能在环境反馈与多智能体协作中持续进化。
具身智能的竞争，正在从“单机动作展示”进入“真实环境中的持续学习与多智能体协同”。
6月27日至28日，第四届CCF多智能体系统会议（CCMAS 2026）在南京大学苏州校区举行。大会邀请南洋理工大学教授Stefano V. Albrecht、字节跳动Seed Robotics首席科学家李航、哈尔滨工业大学（深圳）教授张民、清华大学教授朱军等学界与产业界代表，围绕多智能体基础模型、机器人基础模型、世界模型与智能体强化学习等前沿方向展开讨论。云蝶科技科学家、华南理工大学副教授赵梦辰受邀出席，并以《智能体强化学习中的信用分配机制》为题发表报告。
真正难的，不只是让机器人“动起来”
随着大模型进入Agentic RL阶段，强化学习正在成为智能体能力进化的重要路径。但与传统强化学习不同，大模型智能体通过连续生成token完成规划与决策：一个任务最终成功，究竟应归因于哪一步推理、哪一次工具调用、哪一个动作选择？这正是信用分配要解决的核心问题。
对于具身智能，这个问题更加复杂。机器人面对的不是静态指令，而是持续变化的真实环境；一次任务往往涉及感知、规划、操作、环境反馈以及多机器人协作。只有把最终结果准确回溯到关键决策，模型才能从成功与失败中持续学习，强化学习后训练才可能真正进入真机闭环。
赵梦辰在报告中指出，以GRPO为代表的Agentic RL算法虽已成为优化大模型智能体策略的主流方法，但大模型智能体决策的根本范式是token生成，这给Agentic RL的信用分配带来了极大挑战。报告从信用分配视角拆解前沿Agentic RL方法，解释了信用分配难题的原因，并介绍其课题组与云蝶科技在智能体强化学习、具身大脑及多智能体协同方向的研究进展。
一场报告，指向云蝶的核心技术路线
云蝶并不把具身智能理解为“给机器人接入一个大模型”，而是将机器人、环境与任务共同纳入一个可学习、可反馈、可进化的系统。
在酒店、物业、康养体检等真实服务场景中，机器人从来不是孤立工作的。空间布局、门禁与电梯等设施、服务流程、人员状态以及其他机器人，都会影响任务执行。云蝶的技术路线，是以环境增强的世界模型为核心，让环境智能体与机器人智能体协同建模，并通过多智能体强化学习完成策略优化与能力进化。
在这一框架中，世界模型负责理解环境、预测动作后果；多智能体强化学习负责处理协作决策与信用分配；真机部署则不断产生高价值反馈，形成“场景数据—模型训练—策略优化—真实验证”的闭环。
这意味着，云蝶要构建的并不只是单一机器人产品，而是一套面向真实场景的具身智能训练与协同进化平台：把场景变成训练基础设施，把每一次真实任务变成模型继续进化的数据资产。
从多智能体学术谱系，到真实场景产业闭环
赵梦辰博士毕业于南洋理工大学计算机科学与工程学院，师从AAAI Fellow、智能体领域世界知名专家安波教授，并获南洋理工大学计算机学院杰出博士论文奖。沿着这一学术谱系，赵梦辰长期聚焦强化学习、智能体与多智能体系统研究，现任华南理工大学软件学院副教授、大数据与智能机器人教育部重点实验室核心成员、CCF多个专委会执行委员，长期致力于强化学习、多智能体系统与大模型的研究与落地工作，已在ICML、NeurIPS、ICLR等国际顶级人工智能会议和期刊发表论文40余篇，并主持多项国家级及省部级重点科研项目。
对云蝶而言，科学家团队的价值并非停留在学术背书，而是直接参与具身大脑、多智能体协同、强化学习后训练等核心能力建设，并与真实场景中的工程验证结合。
此次在CCMAS 2026进行前沿分享，释放出一个更清晰的信号：云蝶正在把顶尖科研能力、真实B端场景和可持续数据闭环系统性地连接起来。
当行业从“机器人能不能完成一个Demo”，进入“机器人能否在真实世界持续进化”的阶段，环境理解、多智能体协同与真机强化学习将成为决定规模化落地的关键。云蝶希望成为这一基础设施的构建者，让机器人在真实场景中学会协作、积累经验，并不断走向更强的泛化能力。
