据《一见Auto》报道，前小米汽车智能驾驶基座模型、XLA大模型负责人 陈龙 已经前往硅谷开启创业，出任联合创始人，搭档前Google DeepMind科学家主攻具身大模型，项目已经完成融资并且启动商业化合作。离职之前陈龙与雷军完成面谈，雷军对他的创业选择表达支持，小米智驾也引入地平线高管，承接陈龙、王乃岩离开之后留下的技术接力工作。
在小米任职阶段，陈龙的核心工作重心落在智能驾驶，同时也开展过机器人方向的前期实验。他主导打造跨域基座模型Xiaomi MiMoEmbodied，打通自动驾驶与具身智能的数据链路，同时带队完成XLA智驾大模型，这套模型经历过上车算力阵痛之后，已经完成面向SU7、YU7车型的全量推送。当MiMoEmbodied研发落地、XLA顺利量产交付，陈龙选择跳出车企体系，去追逐机器人领域更前沿的技术命题。
具身涌现观察，这并非个例，小米智驾另一位核心王乃岩同样离职投身物理AI创业浪潮。一批深耕自动驾驶的技术负责人转向机器人赛道，侧面折射行业认知的转变：智能驾驶积累的空间感知、多模态推理能力，正在成为具身智能的重要技术养料，但汽车场景的边界，已经难以完全承载团队对通用物理智能的想象。
01
绕开规模，另寻技术路径？
当下全球具身大模型行业，绝大多数团队的研发思路都在复刻大语言模型的规模法则，依靠持续堆砌数据、扩充模型参数，期待能力可以跟随资源投入线性上涨，但落地现实却并不乐观，模型面对陌生物理场景时泛化能力始终存在明显短板。
陈龙的创业团队没有选择跟随这条主流路线，也不打算自研机器人硬件本体，团队把全部资源倾斜在“自进化具身大脑”，押注RSI递归式自我改进技术，希望依靠AI自我迭代降低对海量人工标注数据的依赖。硅谷本地投资人向媒体表示，当地创业环境下，团队不必被硬件本体的重资产枷锁束缚，可以更纯粹聚焦软件大脑的创新。
其实，放弃做硬件本体是一次清醒取舍。如今不少具身创业公司同时做大脑与整机本体，硬件供应链、结构调试会吞噬大量研发资源，容易分散算法层的攻坚精力。只聚焦大脑软件，能够快速对接不同厂商的机器人硬件，理论上商业化落地的速度会更快，但反过来，团队也必须面对硬件适配、虚实鸿沟带来的现实制约，软件算法的价值最终仍然需要实体机器人完成验证。
02
RSI热潮，真的可以复制吗？
2026年RSI已经成为AI圈炙手可热的方向，通俗理解就是实现“AI打造更强AI”，技术雏形可以追溯到DeepMind 的 AlphaZero自我博弈范式，依靠自我对弈，AI无需人类海量棋谱就实现棋力超越人类顶尖选手。
海外实验室已经给出阶段性案例，Anthropic公开报告显示截至2026年5月，其代码库超过八成代码由Claude自主生成；DeepMind也发布DreamRSI论文，探究AI自我演化的实现路径，国内智谱也完成RSI最小闭环验证。
浪潮同样传导到国内机器人行业，宇树科技就在世界机器人大会上对外披露，团队正在推进物理AI机器人的自进化探索，尝试让模型自主检索论文、生成控制代码，在仿真或者实体机器上完成测试迭代，以此压缩机器人开发周期。但多模态大模型跑通的RSI范式，直接平移到物理机器人身上，却要面对完全不一样的现实阻碍。
具身涌现认为，数字世界的大模型可以无限复制测试环境，实验失败随时回滚重置，而物理世界的机器人每一次抓取动作都会改变周遭环境，光照、相机角度、关节磨损都会改变下一轮实验条件，真实物理环境不存在完全一致的重复测试场景，这就是具身RSI与生俱来的先天门槛。
03
仿真训练，能避开现实困境吗？
行业很多团队寄希望于仿真环境来解决物理世界难以重复实验的痛点，依靠模拟器生成海量训练样本。但机器人算法工程师指出其中潜藏巨大风险，如果自进化系统长期只在仿真器中训练优化，模型会不断适配虚拟世界的特殊规则，出现严重过拟合，在仿真环境表现亮眼，部署到真机后性能断崖下跌，也是行业长期头疼的SimtoReal Gap虚实鸿沟难题。
即便2026年行业整体的虚实迁移差距相比两三年前已经明显收窄，在行走、简单导航任务上迁移效果不错，但涉及抓取接触、柔性物体操作这类复杂任务，虚实之间的性能落差依旧显著，单纯依靠仿真很难完全消除这道鸿沟。这就意味着机器人自进化不能完全躲在虚拟世界内闭环，真实世界产生的数据飞轮，才是驱动持续迭代的核心引擎。
除此之外，还有一个容易被忽略的卡点，数字世界可以依靠单元测试评判代码对错，机器人物理动作却缺少一套稳定统一的评判标尺，AI很难自主精准分辨一次抓取、搬运动作究竟算不算真正完成成功，缺少可靠反馈信号，递归自我改进的循环就很难高效运转起来。
04
热潮之下，我们该理性看待什么？
RSI给具身智能打开充满想象力的新窗口，但行业不应当把这项技术渲染成可以一步解决全部痛点的万能解药。在具身涌现看来，看待这一轮自进化具身大脑创业，我们可以从三个层面理性审视行业现状。
首先要分清理想概念和工程现实之间的距离。DeepSeek创始人梁文锋曾在投资人交流中，把RSI列为AGI路线图的最后一环，畅想奇点到来之后，具身智能甚至可以交由AI自主完成研发，但这依旧属于远期推演。当下不管海内外，具身领域的RSI大多处在早期验证阶段，还没有大规模真机落地的成熟案例，概念闭环不等于产品闭环，技术的缺陷会在真实硬件上成倍放大。
其次要看见自动驾驶给具身行业留下的宝贵遗产。陈龙在小米沉淀的VLA、世界模型融合的工程经验，是这次创业重要的底气，自动驾驶积累的空间感知、多模态推理，正在持续反哺机器人行业。不过汽车的行驶场景，和机器人近距离灵巧操作的物理约束完全不同，智驾的技术积累可以作为地基，但不能直接照搬照抄，团队仍然要完成大量针对性改造。
再次，软件大脑的价值，终究离不开产业生态协同。不做硬件本体的路线，意味着团队需要和机器人整机厂商深度绑定，算法能力能否兑现，既取决于RSI算法本身的突破，也受制于合作方的硬件性能、传感器精度。软件算法再先进，如果缺少适配的实体硬件载体，自进化具身大脑只能停留在实验室，很难完成商业化价值兑现。
人才流动、技术路线分化，恰恰说明具身智能行业已经走出简单跟风复制的阶段，开始出现多元化的技术探索。RSI能否真正冲破物理世界的重重阻碍，我们还需要留给团队足够多的时间与实践来给出答案。
原文标题 : 人事变动：前小米汽车智能驾驶基座模型负责人创业，奔赴硅谷，主攻具身大模型！
据《一见Auto》报道，前小米汽车智能驾驶基座模型、XLA大模型负责人 陈龙 已经前往硅谷开启创业，出任联合创始人，搭档前Google DeepMind科学家主攻具身大模型，项目已经完成融资并且启动商业化合作。离职之前陈龙与雷军完成面谈，雷军对他的创业选择表达支持，小米智驾也引入地平线高管，承接陈龙、王乃岩离开之后留下的技术接力工作。
在小米任职阶段，陈龙的核心工作重心落在智能驾驶，同时也开展过机器人方向的前期实验。他主导打造跨域基座模型Xiaomi MiMoEmbodied，打通自动驾驶与具身智能的数据链路，同时带队完成XLA智驾大模型，这套模型经历过上车算力阵痛之后，已经完成面向SU7、YU7车型的全量推送。当MiMoEmbodied研发落地、XLA顺利量产交付，陈龙选择跳出车企体系，去追逐机器人领域更前沿的技术命题。
具身涌现观察，这并非个例，小米智驾另一位核心王乃岩同样离职投身物理AI创业浪潮。一批深耕自动驾驶的技术负责人转向机器人赛道，侧面折射行业认知的转变：智能驾驶积累的空间感知、多模态推理能力，正在成为具身智能的重要技术养料，但汽车场景的边界，已经难以完全承载团队对通用物理智能的想象。
01
绕开规模，另寻技术路径？
当下全球具身大模型行业，绝大多数团队的研发思路都在复刻大语言模型的规模法则，依靠持续堆砌数据、扩充模型参数，期待能力可以跟随资源投入线性上涨，但落地现实却并不乐观，模型面对陌生物理场景时泛化能力始终存在明显短板。
陈龙的创业团队没有选择跟随这条主流路线，也不打算自研机器人硬件本体，团队把全部资源倾斜在“自进化具身大脑”，押注RSI递归式自我改进技术，希望依靠AI自我迭代降低对海量人工标注数据的依赖。硅谷本地投资人向媒体表示，当地创业环境下，团队不必被硬件本体的重资产枷锁束缚，可以更纯粹聚焦软件大脑的创新。
其实，放弃做硬件本体是一次清醒取舍。如今不少具身创业公司同时做大脑与整机本体，硬件供应链、结构调试会吞噬大量研发资源，容易分散算法层的攻坚精力。只聚焦大脑软件，能够快速对接不同厂商的机器人硬件，理论上商业化落地的速度会更快，但反过来，团队也必须面对硬件适配、虚实鸿沟带来的现实制约，软件算法的价值最终仍然需要实体机器人完成验证。
02
RSI热潮，真的可以复制吗？
2026年RSI已经成为AI圈炙手可热的方向，通俗理解就是实现“AI打造更强AI”，技术雏形可以追溯到DeepMind 的 AlphaZero自我博弈范式，依靠自我对弈，AI无需人类海量棋谱就实现棋力超越人类顶尖选手。
海外实验室已经给出阶段性案例，Anthropic公开报告显示截至2026年5月，其代码库超过八成代码由Claude自主生成；DeepMind也发布DreamRSI论文，探究AI自我演化的实现路径，国内智谱也完成RSI最小闭环验证。
浪潮同样传导到国内机器人行业，宇树科技就在世界机器人大会上对外披露，团队正在推进物理AI机器人的自进化探索，尝试让模型自主检索论文、生成控制代码，在仿真或者实体机器上完成测试迭代，以此压缩机器人开发周期。但多模态大模型跑通的RSI范式，直接平移到物理机器人身上，却要面对完全不一样的现实阻碍。
具身涌现认为，数字世界的大模型可以无限复制测试环境，实验失败随时回滚重置，而物理世界的机器人每一次抓取动作都会改变周遭环境，光照、相机角度、关节磨损都会改变下一轮实验条件，真实物理环境不存在完全一致的重复测试场景，这就是具身RSI与生俱来的先天门槛。
03
仿真训练，能避开现实困境吗？
行业很多团队寄希望于仿真环境来解决物理世界难以重复实验的痛点，依靠模拟器生成海量训练样本。但机器人算法工程师指出其中潜藏巨大风险，如果自进化系统长期只在仿真器中训练优化，模型会不断适配虚拟世界的特殊规则，出现严重过拟合，在仿真环境表现亮眼，部署到真机后性能断崖下跌，也是行业长期头疼的SimtoReal Gap虚实鸿沟难题。
即便2026年行业整体的虚实迁移差距相比两三年前已经明显收窄，在行走、简单导航任务上迁移效果不错，但涉及抓取接触、柔性物体操作这类复杂任务，虚实之间的性能落差依旧显著，单纯依靠仿真很难完全消除这道鸿沟。这就意味着机器人自进化不能完全躲在虚拟世界内闭环，真实世界产生的数据飞轮，才是驱动持续迭代的核心引擎。
除此之外，还有一个容易被忽略的卡点，数字世界可以依靠单元测试评判代码对错，机器人物理动作却缺少一套稳定统一的评判标尺，AI很难自主精准分辨一次抓取、搬运动作究竟算不算真正完成成功，缺少可靠反馈信号，递归自我改进的循环就很难高效运转起来。
04
热潮之下，我们该理性看待什么？
RSI给具身智能打开充满想象力的新窗口，但行业不应当把这项技术渲染成可以一步解决全部痛点的万能解药。在具身涌现看来，看待这一轮自进化具身大脑创业，我们可以从三个层面理性审视行业现状。
首先要分清理想概念和工程现实之间的距离。DeepSeek创始人梁文锋曾在投资人交流中，把RSI列为AGI路线图的最后一环，畅想奇点到来之后，具身智能甚至可以交由AI自主完成研发，但这依旧属于远期推演。当下不管海内外，具身领域的RSI大多处在早期验证阶段，还没有大规模真机落地的成熟案例，概念闭环不等于产品闭环，技术的缺陷会在真实硬件上成倍放大。
其次要看见自动驾驶给具身行业留下的宝贵遗产。陈龙在小米沉淀的VLA、世界模型融合的工程经验，是这次创业重要的底气，自动驾驶积累的空间感知、多模态推理，正在持续反哺机器人行业。不过汽车的行驶场景，和机器人近距离灵巧操作的物理约束完全不同，智驾的技术积累可以作为地基，但不能直接照搬照抄，团队仍然要完成大量针对性改造。
再次，软件大脑的价值，终究离不开产业生态协同。不做硬件本体的路线，意味着团队需要和机器人整机厂商深度绑定，算法能力能否兑现，既取决于RSI算法本身的突破，也受制于合作方的硬件性能、传感器精度。软件算法再先进，如果缺少适配的实体硬件载体，自进化具身大脑只能停留在实验室，很难完成商业化价值兑现。
人才流动、技术路线分化，恰恰说明具身智能行业已经走出简单跟风复制的阶段，开始出现多元化的技术探索。RSI能否真正冲破物理世界的重重阻碍，我们还需要留给团队足够多的时间与实践来给出答案。
原文标题 : 人事变动：前小米汽车智能驾驶基座模型负责人创业，奔赴硅谷，主攻具身大模型！
