去年歸國的徐夢迪，成了清華姚班班主任

據公眾號「水木TsinghuaCent」統計，2026級姚班共錄取約90人，其中約66人通過競賽保送等渠道提前進入，另有24人從清華新生中經過筆試、面試脫穎而出。△圖源：清華叉院官微 這批學生中，國家集訓隊成員佔據相當比例，約有27名信息學競賽頂尖選手；還有代表中國出戰國際奧賽的國家隊成員，以及高考裸分尖子。二招入選者中，也出現了CMO金牌得主。而在這群「頂配新生」面前，負責介紹人工智能方向的，是一張剛剛加入清華不久的新面孔。徐夢迪，交叉信息院助理教授，2025年9月才從斯坦福回到清華。△圖源：清華叉院官微 入職還不到一年，她已經成為姚班四位新生班主任之一。

迎新現場，她帶來的主題是「構建下一代智能」。一位本科讀車輛工程、後來轉向機器人學習的年輕學者，為什麼會站到姚班講臺上？她所說的「下一代智能」，又和今天流行的大模型路線有什麼不同？本科讀車輛工程，她怎麼成了姚班班主任？徐夢迪與姚班的聯繫，要從她2025年回到清華說起。當年9月，她正式加入清華大學交叉信息研究院，擔任助理教授。△圖源：清華叉院官網 交叉信息院由姚期智於2011年創辦，也是姚班的培養單位。如今，學院的研究版圖覆蓋理論計算機科學、人工智能、量子信息等領域。不過，徐夢迪並不是姚班畢業生，也不是傳統計算機科班出身。2017年，她從清華大學車輛工程專業本科畢業。

此後，她先後在約翰斯·霍普金斯大學學習機器人學、在卡內基梅隆大學學習機器學習，並於2024年獲得CMU機械工程博士學位。這條看似繞遠的路徑，最終指向了同一個問題：怎樣讓機器人真正進入現實世界。博士期間，徐夢迪師從CMU Safe AI Lab負責人趙丁，研究機器人學習、強化學習及人工智能安全。在此期間，她的代表性工作之一，是與CMU、Google DeepMind等機構研究者共同開發的RoboTool。研究團隊不再逐步指定機器人該使用什麼工具、執行哪些動作，而是向RoboTool提供任務目標，以及場景、物體和機器人能力等信息。系統據此分析約束、選擇工具、規劃步驟，最後生成機器人可以執行的代碼。

比如，當機械臂夠不到遠處的牛奶盒時，它會把錘子當成鉤子，把牛奶盒拉到手邊；當四足機器人無法直接跨過兩張沙發之間的空隙時，它會尋找周圍物體搭出一條通路；在更復雜的任務裡，它還會利用滾筒和衝浪板組裝出槓桿。徐夢迪曾在接受《Tech Xplore》採訪時表示，工具使用常被視為高級智能的標誌。相比按照預設用途使用工具，以非常規方式找到解法，對認知能力提出了更高要求。RoboTool想驗證的，正是機器人能否把這種「創造性」帶進物理世界，讓原本無法完成的任務出現新的解法。

此外，她還先後進入豐田研究院、MIT-IBM Watson AI Lab和Google DeepMind機器人團隊實習，研究經歷橫跨自動駕駛、機器學習和機器人。博士畢業後，徐夢迪來到斯坦福視覺與學習實驗室從事博士後研究，與吳佳俊、李飛飛合作。這裡也是全球具身智能研究的重要陣地之一，關注視覺、機器人學習以及智能體對物理世界的理解。一年後，她選擇回到本科母校，加入清華交叉信息院，開始組建自己的研究團隊。博士論文拿下CMU最佳：只靠Scaling還不夠 亮眼的履歷並不少見，徐夢迪更值得關注的，是她對通用機器人技術路線的判斷。

過去幾年，大模型在語言和圖像領域展現出一種極具吸引力的可能：隨著模型參數、訓練數據和計算量不斷擴大，原本沒有被專門訓練的能力，也可能逐漸出現。這背後，正是Scaling Law帶來的想象。自然而然地，這條Scaling Law能否復刻到機器人領域、帶來GPT-3級別的突破，成為了眾多研究者追逐的問題。而在題為《構建可適應的通用機器人》（Building Adaptable Generalist Robots）的博士論文中，徐夢迪直接挑戰了這個思路： 是不是隻要模型足夠大、數據足夠多，泛化能力就會自然湧現？她的判斷是：不夠。

原因在於，真實世界的任務空間近乎無限，你永遠不可能把機器人未來會遇到的情況全部塞進訓練集。與其幻想訓練集覆蓋一切，不如讓機器人擁有一種能力——到了現場以後，再根據少量新信息快速適應。徐夢迪提出，構建通用機器人不能只依賴scalability，還必須補上另一種能力：adaptation，即適應能力。圍繞這一思路，她的博士論文從三條研究路徑展開探索。第一條，是讓智能體根據少量示範調整策略，快速適應新任務。

在發表於ICML 2022的論文《Prompting Decision Transformer》中，徐夢迪和合作者將自然語言處理中的prompt範式引入強化學習，嘗試用少量示範告訴智能體：眼前究竟是一項什麼任務。這個思路很像今天大家熟悉的大模型上下文學習。給模型幾個輸入輸出示例： A→B C→D 那麼E→?模型可以從上下文中推斷規律，無需為這道新題重新訓練參數。Prompt-DT則把「示例」換成了一小段新任務的演示軌跡，也就是trajectory prompt。軌跡中包含智能體所處的狀態、採取的動作和對應回報。模型據此判斷當前任務的目標，並生成相應動作。

實驗中，Prompt-DT只需一段包含少量時間步的示範，便能適應此前沒有見過的目標方向、速度或位置，無需額外微調模型參數。第二條，是讓機器人自己發現不同任務之間的共同結構。現實中的任務看似千差萬別，背後卻可能共享相似的動作、視覺幾何和動力學規律。拿起杯子和拿起碗，物體不同，但需要調用的部分能力相通；面對每項新任務都從零訓練，不僅耗費數據，也很難形成可複用的經驗。徐夢迪參與的無監督持續強化學習研究，試圖讓機器人主動發現這些結構，將已經掌握的能力遷移到後續任務中。這樣一來，通用機器人不再等於為每項任務各自保存一套策略，而是逐漸形成可以組合和複用的「技能庫」。

第三條，是借用大模型已經獲得的知識，幫助機器人解決複雜的物理任務。上文提到的RoboTool，正屬於這條路線。大語言模型可能知道錘子可以敲擊、木板可以充當槓桿，但要把這些知識用於物理世界，還需要考慮物體尺寸、空間位置和機器人的運動範圍。因此，RoboTool將任務拆成分析、規劃、計算和代碼生成四個環節：根據輸入的環境與機器人信息判斷約束，制訂計劃並計算動作參數，最後生成機器人可以執行的代碼。這也說明，徐夢迪並不反對Scaling Law，她試圖回答的是Scaling之後的問題： 當機器人走出訓練集，進入一個從未見過的環境，它還能不能自己找到辦法？

2024年，她這篇論文，拿下了CMU機械工程系最佳博士論文獎。由此再看徐夢迪在姚班迎新現場提出的「構建下一代智能」，它也有了更具體的指向。從她此前的研究路線來看，所謂「下一代智能」，或許不只是模型更大、數據更多、掌握的知識更廣。它還要能夠走出訓練集，在陌生任務和開放環境中快速適應；用更少的數據和計算完成學習，同時兼顧效率、穩定性和安全。從徐夢迪，再看姚班新變化 把時間拉回到今天，徐夢迪已經在清華組建起了自己的研究團隊。這支團隊的公開招聘方向頗為混搭： 機器人硬件設計、大模型訓練、機器學習、控制和機器人學，都在其中。

這幾乎復刻了徐夢迪自己一路走來的跨學科路徑：從車輛工程到機器人學，再到機器學習和可信具身智能。博士論文中的問題，也被她帶回了本科母校。回到清華後的第一個秋季，她開設了一門名為Interactive AI的課程；今年11月，徐夢迪還將參與組織CoRL 2026「持續自我改進的機器人」研討會。清華為她列出的研究方向包括機器學習、機器人學、人機交互和人工智能安全。她自己則用三個詞概括目標： scalable、adaptable、reliable。如果說博士論文重點回答的是機器人如何適應新任務，那麼她回到清華後的工作，還在繼續追問： 機器人獲得能力之後，如何保證它真正理解人的指令，並作出可靠的行動？

2026年2月發佈的CoVer-VLA，瞄準的正是機器人理解指令與實際行動之間的偏差。這項研究嘗試讓系統在機器人行動前生成並比較多組候選方案，再從中選出更符合人類指令的動作。當然，徐夢迪只是姚班2026級四位新生班主任之一。但把四人的研究方向放在一起看，仍能看出一些新變化： 呂凱風研究機器學習理論、AI安全與對齊、優化； 賀天行關注電子遊戲研發、多模態生成、社會模擬和AI安全； 徐夢迪研究機器學習、機器人學、人機交互與AI安全； 侯攀宇則從事離子量子計算和金剛石色心研究。姚班如今向新生展示的學術版圖，要比傳統印象中的計算機實驗班寬得多。

△圖源：清華叉院官微 姚班於2005年創辦，最初名為「軟件科學實驗班」；2009年更名為「計算機科學實驗班」，早期培養有著鮮明的計算機科學與理論研究底色。此後，姚班的邊界逐漸向外擴展。2019年，清華學堂人工智能班迎來首屆學生；2021年，量子信息班成立；2022年，姚班、智班和量信班合併，統一納入計算機科學實驗班，下設計算機科學、人工智能和量子信息三個培養方向。從四位新班主任的背景可以看出，姚班依然強調「重基礎」，但也更加「廣交叉」： 計算機科學不僅連接算法和軟件，也開始深入生成內容、社會模擬、物理世界、人機交互與量子系統。

△圖源：清華叉院官微 今年迎新現場，徐夢迪邀請新生「共同定義智能的下一站」。她自己走過的路徑，已經提供了一個具體樣本： 下一代智能，可能誕生在算法與機器、模型與身體、能力與可靠性的交叉地帶。參考鏈接： [1]https://mp.weixin.qq.com/s/-z1UZry9DhvGdW02VKzg5Q [2]https://mp.weixin.qq.com/s/ygOfl90iFO2S7idUo4RplQ [3]https://iiis.tsinghua.edu.cn/rydw/qzjs/xumengdi.htm [4]https://www.mengdixu.

me/ [5]https://www.youtube.com/watch?v=InklIGD8lvo [6]https://techxplore.com/news/2023-11-robots-tools-creatively-leveraging-large.html 版權所有，未經授權不得以任何形式轉載及使用，違者必究。