脸谱心智发布 Looped World Models 及 Ego-NeuroLoop 数据范式
初创公司脸谱心智从世界模型架构和数据范式两方面推进 Loop Engineering，让机器人从人类闭环数据中学习更高效的反馈修正能力。
AI 工程正从单次 prompt 转向持续闭环。脸谱心智提出 Looped World Models，在模型内部迭代修正状态理解；同时推出 Ego-NeuroLoop 数据范式，通过 gaze、EEG、sEMG 等采集人类操作中的意图与修正信号，让机器人学习更完整的闭环策略。
正文摘录
 AI 圈最近又热了一个词：Loop Engineering。 它原本出现在 AI Agent 语境里，讲的是一件很直接的事：别再只盯着单次 prompt，而要设计一套能持续运行的闭环系统。系统接任务、调工具、看结果、发现问题、再修正，直到目标被推进完成。换句话说，AI 工程的重心正在从 prompt-centric 转向 workflow-centric。 放到机器人里，这个问题会被进一步放大。软件里的 loop 面对的是代码、接口、日志和工具调用；机器人里的 loop 面对的是真实世界：视觉误差、动作控制、身体反馈、环境变化，以及随时可能发生的失败。 这也是 Loop Engineering 之所以重要的原因：真正可扩展的智能，不是一次性给出答案，而是在反馈中不断逼近正确结果。 人类本来就是最成熟的闭环系统  人类完成一个动作，本身就是持续闭环。 眼睛锁定目标，大脑结合上下文形成意图，神经系统把意图下发到肌肉，肌肉开始执行；与此同时，视觉、本体感觉、触觉和误差信号持续回流，帮助我们实时修正轨迹、力度和姿态。 也就是说，人类始终在「 感知 — 决策 — 执行 — 反馈 — 修正」的环路里和世界打交道。