前小米XLA负责人陈龙创业，押注自进化具身大脑

《21汽车·一见Auto》从多方独立信源获悉，前小米汽车智能驾驶基座模型兼XLA大模型负责人陈龙已赴硅谷创业，任联合创始人，联手前Google DeepMind科学家研发具身大模型。目前该项目已拿到融资，并已开展商业化合作。

“目前国内外的具身大模型公司讲了太多重复的故事：都想通过增加数据或者调整训练方式，想方设法让具身大模型实现LLM的Scaling Law（规模法则）。但陈龙想做的是另一个方向：一个‘自进化’的具身大脑。”一位投资人告诉《21汽车·一见Auto》。

陈龙入职小米时，由小米集团创始人雷军亲自面试。一位知情人士透露，陈龙离职创业前曾与雷军面谈，雷军表示支持其创业选择。《21汽车·一见Auto》还独家获悉，小米智驾团队引入了多位地平线的高管，带队接替陈龙与前小米L3负责人王乃岩的工作。

图片来源：摄图网

智驾之后，具身再摸高

上述知情人士告诉《21汽车·一见Auto》，供职小米期间，陈龙尝试过做一些机器人的实验，但工作重心还是在智能驾驶。

陈龙在小米期间主导了两项关键工作：打造Xiaomi MiMo-Embodied，推动XLA量产上车。

前者被誉为“业界首个打通自动驾驶与具身智能”的跨域具身基座模型。该模型在训练时除了使用自动驾驶数据，还加入了机器人数据、通用空间数据以及大量多模态数据。

后者则是陈龙带队打造的以VLA为架构、融入更多感知模态信息的智驾大模型。一位小米智驾员工告诉《21汽车·一见Auto》，因芯片算力不足，XLA在上车时曾短暂遇到困难，不过现在已经解决。XLA大模型在2026款SU7上市时发布，首批推送给2026款SU7用户，之后推送给其他已交付车型用户，现在已全量推送。

8月24日，小米集团宣布已打造出“国内首款3nm智驾高算力AI芯片”：玄戒D100。小米介绍，玄戒D100拥有20核高性能CPU和16核高算力NPU，最大可支持160GB统一内存，最高可本地部署200B参数量的大模型，将于明年正式商用。

上述小米智驾员工称，离职前，陈龙将XLA交付给小米汽车端到端负责人陈光继续打磨，陈光下一步的工作是通过进一步测试和迭代，释放Xiaomi OneVL在XLA上的潜力。Xiaomi OneVL是陈龙带队自研的一步式潜空间语言视觉推理框架，其通过潜空间推理（Latent CoT），首次将VLA与世界模型两种技术路线统一到同一套框架中。

“完成Xiaomi MiMo-Embodied的研发以及推动XLA量产上车后，陈龙想利用资本的力量，在机器人领域做一些更前沿的尝试。”这位小米智驾员工告诉《21汽车·一见Auto》。

让机器人自己造大脑

另一位投资人告诉《21汽车·一见Auto》，国内“大脑派”具身智能公司目前都开始研发自己的本体，但陈龙未打算研发本体。“在硅谷，融资压力也不大，做不做本体无所谓，他更专注做‘下一代的具身大脑’。”

而当下，具身大模型公司都想实现Scaling Law，“但直到现在大家的泛化性都比较差”，这位投资人说，“陈龙追求的是通过使用RSI技术，只需要少量的数据，就能实现好的效果。”

RSI技术（Recursive Self-Improvement，递归式自我改进）是2026年大模型领域炙手可热的方向，即构建一个能完全自主设计、开发自己的继任者的AI系统，通俗地说，是“用AI造更强的AI”。

RSI的雏形“自我博弈（Self-Play）”技术在DeepMind的AlphaZero中得到标志性应用。仅靠自我对弈学习下棋，之后棋艺水平远超柯洁等人类顶尖围棋名将的AlphaZero就是RSI的起点。2025年4月，DeepMind的文章《Welcome to the Era of Experience（欢迎来到经验时代）》解释了使用RSI的原因：可供大模型训练的人类数据已接近极限，下一步要让AI从自身经验里学习。

RSI热潮被点燃，始于大模型公司Anthropic。今年6月4日，Anthropic在发布的报告《当AI构建自身》中披露，截至2026年5月，Anthropic生产代码库中超过80%的代码由Claude自己撰写。报告中，RSI被Anthropic称为“自进化的终极形态”。之后，DeepMind发表论文《Dream-RSI：通过演化世界实现递归自我改进（Recursive Self-Improvement through Evolving Worlds）》，探讨了“AI到底怎么用自己才能变得更强”；国内大模型公司智谱也表示已实现了RSI的“最小闭环”。

多模态大模型公司将RSI作为突破AI能力瓶颈的关键手段，具身智能公司也是。

在2026年世界机器人大会上，宇树科技创始人王兴兴介绍，最近公司正在推动“物理AI机器人模型实现自进化”。他们利用前沿AI大模型，让AI自己去搜索最新的论文、最好的成果和最优秀的开源方案，自己生成机器人的控制代码，然后自己在仿真环境中运行或者控制实物机器人。

“一旦整条逻辑形成体系并运行起来，机器人的开发效率会高很多，迭代速度也会非常快。一旦整个流程持续运行一段时间，就可以实现机器人自我进化能力的提升。”王兴兴补充道。

但实现具身大模型的RSI要比实现多模态大模型的RSI难得多，难点在于物理世界没有可复制的测试环境。

多模态大模型生活在数字世界，代码环境可以复制，测试可以并行，失败后可以回滚。机器人却工作在物理世界，每一次抓取都会改变物体的位置，现场的光照变化、相机的视角移动、机器人的关节磨损和硬件老化等，都会让下一轮实验的条件发生变化。

在仿真环境中进行机器人测试也许是个更好的选择。但这个仿真环境必须可重置、可扩展、不会掩盖失败，同时还必须解决Sim-to-Real Gap（虚实鸿沟，即在仿真里训练好的机器人策略，部署到硬件真机上之后性能大幅下跌的现象）难题。

一位机器人算法工程师表示，机器人自进化系统会不断针对它所处的环境优化自己，如果这个环境是仿真器，它就会越来越擅长“在仿真器里赢”，并且钻仿真器的空子。看似它变强了，其实它只是过拟合了一个假世界。因此，真实场景的数据飞轮才是机器人自进化的引擎。

判断模型动作是否成功也是RSI的关键。在数字世界中，可以用单元测试（Unit Test）检测大模型写的代码是否正确，从而实现递归式改进。但目前没有稳定的标准来判断机器人在物理世界中的动作是否成功。

DeepSeek创始人梁文锋曾在投资人内部交流会上表示，DeepSeek AGI路线图的最后一环就是RSI：“AI能做所有人类能做的事情，甚至自己研究和开发自己，实现自我迭代”，而“在这个奇点之后再做具身智能，或许根本不用人来做，AI自己就做出来了”。

梁文锋的判断是否正确，此刻，陈龙正在检验。