CoRL 2026 青年最高榮譽唯一華人得主清華趙行：「世界不會等模型」

時間是決定人形機器人量產的關鍵一環。作者丨鄧哲敏 編輯丨齊鋮湧 此時此刻，美國奧斯汀，機器人學習領域的頂會 CoRL 2026 正在如火如荼地舉行。清華大學交叉信息研究院助理教授、星海圖 CTO 趙行，在這屆大會主會場上登臺，發表了 Early Career Keynote 演講（青年成就獎）。與動輒萬人規模的 AI 大會不同，CoRL 是泛具身領域極其嚴肅專注的頂會，臺下坐著的幾乎全是這個星球上最懂機器人學習的學者。

Early Career Keynote 須同行提名、不得自薦，專門授予博士畢業十年內、已在機器人學習領域留下實質成果的年輕研究者，被視為該領域對新星研究者最高規格的認可之一，也是每年 CoRL 為主會場定調的重頭戲。今年全球僅有三位學者獲此殊榮，而趙行是其中唯一的中國面孔。站在臺上的趙行，一方面串聯過往的學術歷程，講述了自己從學術到產業的思考，另一方面，面對近期 GPT-6 Astra 接入機器人引發的行業焦慮，用一套極其嚴密的“時鐘理論”，戳破了當下具身行業裡不計時間成本製造出的基準測試幻覺，給了具身行業一個耳目一新的思考角度。

AI 科技評論（）在現場全程記錄了這場演講，並結合趙行的學術研究路徑，給大家帶來這位中國頂尖年輕研究者的觀點分享：01時間是決定人形機器人量產的關鍵一環今天我想談“機器人的時間”：機器人智能應當如何在不同的時間尺度上組織起來。我從 Waymo 的輪式自動駕駛起步，七年前發表了第一篇 CoRL 論文；然後轉向有腿的機器人，花幾年教四足和人形機器人奔跑、跳躍、征服複雜地形；現在做帶手臂的機器人。歸根結底，我們希望機器人替人類做真正的體力工作。昨天我抵達奧斯汀，街上到處是 Waymo 和 Cybercab。對從自動駕駛起步的人來說，這感覺很好——駕駛已進入量產。人形機器人也能做到嗎？

今天我分享答案的一部分，它與時間有關。最近 GPT-6 Astra 發佈，幾天內人們就把它接入自己的機器人，發現直接能用。NVIDIA 研究者在 RoboLab-120 仿真上做了細緻研究：Astra 任務成功率 66%，π0.5 只有 28%。在另一個基準 RoboDojo 上結果類似：Astra 22 分，π0.5 僅 7 分。這很驚人，我相信領域裡很多人還沒準備好。但有個問題：這些基準不測時間。Astra 用的是直接策略，直接控制機器人。仔細看，每次調用基礎模型要 18 秒，機器人 97% 的時間在等模型思考。但現實中，機器人等不了模型思考這麼久。前沿模型非常好，我們該怎麼用？

為了弄清楚這事，我在家庭廚房仿真器 RoboCasa 裡做了受控實驗：5 個機器人從未見過的測試廚房、5 項任務，每項限 50 秒。我試了五種控制方式：一是編程策略，讓前沿模型理解任務後寫代碼，部署時程序直接跑，不再調模型；二是編程加詢問，代碼運行時失敗就向模型求助，平均每回合只調一次；三是編排策略，前沿模型調度不同技能，每回合約調 4 次；四是直接策略；五是智能體策略，每步可控機器人、可調用工具計算，更費 token。如果不限制思考時間，這些方法表現都不錯：除編程策略 45% 外，其餘成功率都超 60%。但加上真實時鍾就完全不同了：直接策略和智能體策略成功率分別跌到 15% 和 20%。

這告訴我們，慢模型沒問題，只要它與 System 1 結合，比如編排策略用小神經網絡技能處理高頻控制。正如趙行所說，自動駕駛已然量產，而人形機器人似乎還在另一個時區。那麼，自動駕駛有什麼經驗可以遷移？也許需要鋪墊一段趙行的背景，大家會更明白他所希望表達的。早在 2015 年的 MIT Media Lab，趙行就參與開發了世界上首個自動駕駛課程 Duckietown 的實踐項目，也是在那時，他主動申請去做機器人課的助教，跟著韓國學者 Sangbae Kim 搗鼓 MIT Cheetah 獵豹機器狗。

在與 AI 科技評論此前的對話中，趙行提到一個細節，那時候機器狗極度脆弱，上個飛機要走貨運，去一次展會光維修和運輸就要燒掉 3 萬美元。這段經歷讓他比任何人都清楚：實驗室裡的 demo 和產業級的產品之間，隔著一道名為“魯棒性”的深淵。因此，當他在演講中指出大模型直控的成功率會在真實時鐘下暴跌時，這絕非紙上談兵，而是他的真實經驗所談。02時鐘定義層級層與層的界限該畫在哪裡？老派答案按功能劃分：感知、規劃、控制。我主張另一種答案：時鐘定義層級，在時鐘變化處畫線。這裡講 System 0/1/2，指的不是思維層面的快慢，而是時間尺度上的層級。判斷一件事屬於哪層，要分兩步。

先問這一層必須對什麼做出反應，這決定時鐘要多快；再由時鐘決定層級。System 2 要利用過往經驗理解當下，時鐘以秒到分鐘計；System 1 要以交互發生的頻率響應機器人手與物的相對運動，幾十赫茲；System 0 要跟蹤接觸與力，所以必須幾百赫茲。我在自動駕駛時遇到過同樣棘手的問題。我們把 VLM 裝進車裡，發現它理解場景能力驚人，能看懂學校區域、減速等孩子過馬路，但它無法即時響應駕駛任務。於是我們把慢 VLM 和快駕駛棧裝進同一輛車，這套系統如今已大規模跑在量產車上。我從自動駕駛得到的經驗是：讓快的層開車，讓慢的層思考，各走各的軌道。

2023 年我們的四足機器人從視覺中學跑酷，隨後做到全尺寸人形，今年實現全身跑酷——手腳並用攀爬、與環境交互。自己讀深度、毫秒級反應，整個系統就是一個 System 0。跑酷給我上了第二課：反射必須住在快的層，且這一層要獨立完成從感知到動作的全部事項。但現實更復雜，一個任務往往需要多層配合。試想幾個場景：工業裝配線，固定重複，只需 System 0；物流分揀，任務固定但每個包裹不同，需要很強的 System 1；餐廳服務，要交談、下單、端盤子，三樣都要一點；做家務，任務定義複雜、跨度大，需要很強的 System 2，但速度可慢，System 1 和 0 稍弱即可。

這套分層系統還有兩個關鍵問題要解決：每層如何快到跟得上自己的時鐘？層與層之間傳遞什麼？這段分享中，趙行並沒有否認大模型應用於具身智能的可能性，相反，他認可前沿模型的能力，試圖通過解決時間延遲來更好地組織各類模型。“讓快的層開車，讓慢的層思考”，這套具身思路並非僅僅停留在學術領域。2019 年，趙行從 MIT 博士畢業，加入 Waymo，親歷了自動駕駛從實驗室走向規模化量產的過程。2020 年下半年他回國加入清華叉院，從四足跑酷一路做到帶臂操作，把視覺感知與全身控制推向極限運動的難度級別。據AI 科技評論瞭解，趙行曾和與小一屆的師弟王軼倫多次聊起自動駕駛的痛點。

兩人基於共同的技術嗅覺，自下而上地促成了後來與理想汽車的合作。當時全球打通數據閉環的車企屈指可數，而理想的工程基建為 DriveVLM 提供了土壤。對此，趙行曾剖析過其中的區別：L2+ 級別或許能靠小模型的端到端肌肉記憶應付，但 L4 級別必須依賴大模型解決長尾問題。於是，DriveVLM-Dual 快慢雙系統應運而生，大模型負責慢思考，傳統規控負責快響應，如今這套方案已經實打實地落地超過 40 萬輛量產車。這也是為什麼當他在 CoRL 講臺上拋出時鐘定義層級時，臺下的工業界同行會非常認同。03讓每一層快速運轉的三項工作先談第一個問題：讓每一層都足夠快。

今天的 System 1 普遍太慢，跟不上幾十赫茲，原因有三個，且都源於模型的出身。其一，若你的動作模型基於視頻生成模型，你會知道視頻生成其實很慢，生成 5 秒高清視頻要 2 到 3 分鐘，無法上機。其二，若你的 VLA 基於 VLM，則文本推理動輒 5 秒，對控制不可承受。其三，幾乎所有工作——VLA、擴散策略、動作模型——都先解碼整條動作塊再執行，白白等待。我們有三項工作分別應對。第一，Fast-WAM。世界動作模型往往在行動前先生成未來視頻。Fast-WAM 讓視頻模型與動作模型共享權重，訓練時只做一點注意力改動——訓練時想象，測試時可以跳過，提速 4 倍以上。

今年我們有了更強版本，參數量從 5B 擴到 16B，採用混合 Transformer 架構，優化後在 RTX 5090D 上每個動作只要 60 毫秒。第二，G0.5。這是我們星海圖自研的 VLA 模型，以視覺和文本為輸入，把任務、邊界框、動作軌跡寫進同一條離散 token 流。在同一組模型權重上，我們可以簡單地開啟或關閉推理。結果令人驚訝，90% 的任務上，有無推理成功率完全相同；跳過推理，速度快一倍；推理只在長程任務上有用。第三，ActionCodec2。動作分塊帶來的成本，是必須等整條動作軌跡生成完畢才能開始執行。這段動畫來自我們的工作，畫面中機械臂在追蹤一個不斷移動的方塊。

左邊是分塊 tokenizer，策略必須先解碼完整的一塊動作，機器人才能移動，因此它只能在塊與塊的邊界處看到方塊的位置。想更及時，就得解碼全新的一塊動作。右邊是流式動作 tokenizer，每個 token 都是一小段運動，機器人一收到就立刻執行，所以它在每一步都能感知到方塊的位置。注意看結尾，分塊那側的手臂跟丟了，流式那側的手臂抓住了。這就是我們所說的流式動作組織方式，用它，我們就可以構建一個流式 VLA。這一段，趙行介紹了很多團隊成員的工作，他作為一名年輕老師，能在學術界提出理論，又能在產業界和團隊一起交出 Fast-WAM、G0.

5 這樣硬核工作，在我們看來，離不開他此前在 Waymo 時期受到的極限錘鍊。2019 年他加入了剛成立研究院的 Waymo。那裡人才濟濟，bar 極高，坐在他左邊的可能是 PointNet 的作者祁瑞中，管理級別最高的周寅做過 VOXnet。在那個扁平且鼓勵跨界合作的體系裡，他遇到了比自己早兩個月入職的高繼揚。高繼揚既能交付產品又能做研究，“一個人幹倆人的活”，兩人跨三個組合做出了引領行業的 VectorNet。2023 年上半年，當機器人的創業時機如同 2016 年的自動駕駛一樣成熟時，兩人再次一拍即合成立了星海圖。

趙行曾公開回憶過那個瞬間：“你找我創業，我肯定和你一起，方向我們可以再找，但和你創業我現在就可以答應。”正是這種極度互信的搭檔關係，讓那些關於“流式動作”和“提速 4 倍”的構想，迅速變成了具身智能公司的核心壁壘。接下來，最關鍵的是，各個層間該傳遞什麼信息。04層間傳什麼：向下較為豐富，向上幾乎空白接下來談談第二部分，層間傳遞什麼。三條時鐘兩條邊界，雙向通行。向下：System 2 傳給 1 語言、目標、程序、動作；System 1 傳給 0 運動。向上：System 0 反饋接觸、力、跟蹤狀態；System 1 反饋進度、置信度與狀態。但今天多數工作只做向下通路，向上通路嚴重缺失。

向下我們已有一些工作。WB-WAM 是為人形機器人生成全身動作的世界動作模型。作為 System 1，它輸出全身和手的姿態，以及未來動作軌跡。更進一步有 OMG，一個動作多種輸入。System 2 發送文字、音樂、參考姿態給 System 1，System 1 再轉成可執行軌跡，由 System 0 跟蹤。儘管 System 2 和 1 之間有豐富的交互，但 System 1 到 0 之間，向下傳的仍只有運動。只有運動是不夠的。機器人只知道跟著軌跡，不知道目的，而且交互的本質是力，比如擦桌子，幾乎只有力、沒有運動。所以，現在人們已經開始超越運動，從關節目標，到身體運動，到接觸，再到力。

超越運動的第一步是保持接觸，無論是最早的那批重定向工作，還是我們發表在本次 CoRL 上的工作，都在盡力保住機器人與物體之間的接觸點和幾何關係。但說實話，這類方法只保住了接觸幾何，它們對力還一無所知。最近我注意到 UC Berkeley 的一項工作 Ctrl-F。它給跟蹤器參考動作和每隻手的力指令；頂層再配一個小規劃器，根據它實時看到的情況來調力。下面是一個機器人推 20 公斤重箱子的例子，左邊，SONIC 只跟蹤運動，箱子紋絲不動；右邊，他們的模型能推動箱子。注意是誰在決定力，是那個貼近物體的小規劃器，也就是 System 1，而不是遠在頂層的慢模型。我們再來看看失敗案例。

底層系統大多時候自己行動，卻不知道自己已經失敗；高層系統不夠快，沒注意到任務已失敗。這些失敗都落在層與層之間，而今天，跨邊界的反饋是缺失的，我認為我們迫切需要這套反饋機制。05分層或單模型，都需考慮時鐘最後，我認為未來有兩條路。第一條是分層路線：每層有自己的時鐘，上層不去精確指定接觸和力，它向下發意圖，下層向上發反饋。難點在於，下層必須能自己感知到失敗、自己糾正，並主動上報。第二條是單模型路線：統一架構共享權重，每個時鐘配各自的專家，推理時以不同時鐘運行。好處是架構統一、共享上下文、KV cache 可複用。

難點是如何聯合訓練：System 1、2 靠行為克隆，System 0 靠仿真強化學習，兩套訓練機制如何放進同一個環境裡一起訓？無論哪條路，時鐘都必須是模型設計的一部分。總結一下：在機器人領域，世界不會等模型。系統要對什麼做出反應，決定了它的時鐘；要選配得上時鐘的模型，而不是反過來。層間要向下發意圖、向上報失敗。不要只造一個快模型或一個小模型，要造整個系統。最後我懇請社區，以後做機器人仿真基準，請同時報告截止時限前的成功率和所需推理時間。演講結束時，奧斯汀會場的掌聲很熱烈。對於臺下的同行而言，這不僅是一場關於 System 0/1/2 的技術拆解，更是一份來自產業一線的深度思考。

在趙行看來，技術的演進從來不是孤立的算法遊戲。他曾跟 AI 科技評論聊起過一個宏大的命題：到底什麼樣的技術值得投入一生？當年畢業時，自動駕駛和AR/VR 是最火的兩個方向，但他果斷放棄了後者。類似的觀點他的好友樓天城也曾提到，AR/VR 難以發展不僅是因為技術不成熟，更因為它向社會輸出的正向價值太小。而自動駕駛和具身智能，因為與人的生命息息相關、能真正替代人類進行物理勞動，即使過去十年一直在燒錢，也總有行業力量前赴後繼地接力。這也是為什麼，2020 年回到清華後，他拒絕將自己的實驗室命名為“計算機視覺”或“深度學習”，而是取名 MARS，做一個純粹的 AI 實驗室。

因為他深知，神經網絡正在抹平語音、圖像與控制的傳統界限。從 2015 年在 MIT 修一臺動不動就壞的機器狗，到如今站在 CoRL 的講臺上定義人形機器人的時鐘法則；從 Waymo 的前幾名研究員，到星海圖的 CTO。趙行一直走在物理世界 AI 的最前線，並且始終確信：不要只造一個快模型，要造整個系統；不要只看基準測試的分數，要看它對現實世界的價值。讓我們再次恭喜趙行老師。國際機器人頂會 CoRL 2026 即將召開，歡迎參會的研究者、學生，以及關注 AI 前沿進展的讀者加入我們的交流群。在這裡，你可以認識同行、交流研究，分享招生信息、科研合作、約飯、投稿、組隊參會等，尋找潛在的合作伙伴。

大會期間，我們也會持續帶來現場報道速遞、嘉賓演講解讀、前沿方向梳理和論壇精華。會場見，也在群裡見。?進群傳送門： 掃碼進群或添加微信szhsn610，備註：CoRL+單位/學校+姓名+方向。