元股证券:ygzq.hk
听雨 发自 凹非寺
量子位 | 公众号 QbitAI
中国AI第一班，清华姚班，开学了。
据公众号「水木TsinghuaCent」统计，2026级姚班共录取约90人，其中约66人通过竞赛保送等渠道提前进入，另有24人从清华新生中经过笔试、面试脱颖而出。
图源：清华叉院官微
这批学生中，国家集训队成员占据相当比例，约有27名信息学竞赛顶尖选手；还有代表中国出战国际奥赛的国家队成员，以及高考裸分尖子。
二招入选者中，也出现了CMO金牌得主。
而在这群「顶配新生」面前，负责介绍人工智能方向的，是一张刚刚加入清华不久的新面孔。
徐梦迪，交叉信息院助理教授，2025年9月才从斯坦福回到清华。
图源：清华叉院官微
入职还不到一年，她已经成为姚班四位新生班主任之一。迎新现场，她带来的主题是「构建下一代智能股票趋势怎么看」。
一位本科读车辆工程、后来转向机器人学习的年轻学者，为什么会站到姚班讲台上？
她所说的「下一代智能」，又和今天流行的大模型路线有什么不同？
本科读车辆工程，她怎么成了姚班班主任？
徐梦迪与姚班的联系，要从她2025年回到清华说起。
当年9月，她正式加入清华大学交叉信息研究院，担任助理教授。
图源：清华叉院官网
交叉信息院由姚期智于2011年创办，也是姚班的培养单位。如今，学院的研究版图覆盖理论计算机科学、人工智能、量子信息等领域。
不过，徐梦迪并不是姚班毕业生，也不是传统计算机科班出身。
2017年，她从清华大学车辆工程专业本科毕业。
此后，她先后在约翰斯·霍普金斯大学学习机器人学、在卡内基梅隆大学学习机器学习，并于2024年获得CMU机械工程博士学位。
这条看似绕远的路径，最终指向了同一个问题：怎样让机器人真正进入现实世界。
博士期间，徐梦迪师从CMU Safe AI Lab负责人赵丁，研究机器人学习、强化学习及人工智能安全。
在此期间，她的代表性工作之一，是与CMU、Google DeepMind等机构研究者共同开发的RoboTool。
研究团队不再逐步指定机器人该使用什么工具、执行哪些动作，而是向RoboTool提供任务目标，以及场景、物体和机器人能力等信息。系统据此分析约束、选择工具、规划步骤，最后生成机器人可以执行的代码。
比如，当机械臂够不到远处的牛奶盒时，它会把锤子当成钩子，把牛奶盒拉到手边；当四足机器人无法直接跨过两张沙发之间的空隙时，它会寻找周围物体搭出一条通路；在更复杂的任务里，它还会利用滚筒和冲浪板组装出杠杆。
徐梦迪曾在接受《Tech Xplore》采访时表示，工具使用常被视为高级智能的标志。相比按照预设用途使用工具，以非常规方式找到解法，对认知能力提出了更高要求。
RoboTool想验证的，正是机器人能否把这种「创造性」带进物理世界，让原本无法完成的任务出现新的解法。
此外，她还先后进入丰田研究院、MIT-IBM Watson AI Lab和Google DeepMind机器人团队实习，研究经历横跨自动驾驶、机器学习和机器人。
博士毕业后，徐梦迪来到斯坦福视觉与学习实验室从事博士后研究，与吴佳俊、李飞飞合作。
这里也是全球具身智能研究的重要阵地之一，关注视觉、机器人学习以及智能体对物理世界的理解。
一年后，她选择回到本科母校，加入清华交叉信息院，开始组建自己的研究团队。
博士论文拿下CMU最佳：只靠Scaling还不够
亮眼的履历并不少见，徐梦迪更值得关注的，是她对通用机器人技术路线的判断。
过去几年，大模型在语言和图像领域展现出一种极具吸引力的可能：随着模型参数、训练数据和计算量不断扩大，原本没有被专门训练的能力，也可能逐渐出现。
这背后，正是Scaling Law带来的想象。
自然而然地，这条Scaling Law能否复刻到机器人领域、带来GPT-3级别的突破，成为了众多研究者追逐的问题。
而在题为《构建可适应的通用机器人》（Building Adaptable Generalist Robots）的博士论文中，徐梦迪直接挑战了这个思路：
是不是只要模型足够大、数据足够多，泛化能力就会自然涌现？
她的判断是：不够。
原因在于，真实世界的任务空间近乎无限，你永远不可能把机器人未来会遇到的情况全部塞进训练集。
与其幻想训练集覆盖一切，不如让机器人拥有一种能力——到了现场以后，再根据少量新信息快速适应。
徐梦迪提出，构建通用机器人不能只依赖scalability，还必须补上另一种能力：adaptation，即适应能力。
围绕这一思路，她的博士论文从三条研究路径展开探索。
第一条，是让智能体根据少量示范调整策略，快速适应新任务。
在发表于ICML 2022的论文《Prompting Decision Transformer》中，徐梦迪和合作者将自然语言处理中的prompt范式引入强化学习，尝试用少量示范告诉智能体：眼前究竟是一项什么任务。
这个思路很像今天大家熟悉的大模型上下文学习。给模型几个输入输出示例：
A→B
C→D
那么E→?
模型可以从上下文中推断规律，无需为这道新题重新训练参数。
Prompt-DT则把「示例」换成了一小段新任务的演示轨迹，也就是trajectory prompt。
轨迹中包含智能体所处的状态、采取的动作和对应回报。模型据此判断当前任务的目标，并生成相应动作。
实验中，Prompt-DT只需一段包含少量时间步的示范，便能适应此前没有见过的目标方向、速度或位置，无需额外微调模型参数。
第二条，是让机器人自己发现不同任务之间的共同结构。
现实中的任务看似千差万别，背后却可能共享相似的动作、视觉几何和动力学规律。
拿起杯子和拿起碗，物体不同，但需要调用的部分能力相通；面对每项新任务都从零训练，不仅耗费数据，也很难形成可复用的经验。
徐梦迪参与的无监督持续强化学习研究，试图让机器人主动发现这些结构，将已经掌握的能力迁移到后续任务中。
这样一来，通用机器人不再等于为每项任务各自保存一套策略，而是逐渐形成可以组合和复用的「技能库」。
第三条，是借用大模型已经获得的知识，帮助机器人解决复杂的物理任务。
上文提到的RoboTool，正属于这条路线。
大语言模型可能知道锤子可以敲击、木板可以充当杠杆，但要把这些知识用于物理世界，还需要考虑物体尺寸、空间位置和机器人的运动范围。
因此，RoboTool将任务拆成分析、规划、计算和代码生成四个环节：根据输入的环境与机器人信息判断约束，制订计划并计算动作参数，最后生成机器人可以执行的代码。
这也说明，徐梦迪并不反对Scaling Law，她试图回答的是Scaling之后的问题：
当机器人走出训练集，进入一个从未见过的环境，它还能不能自己找到办法？
2024年，她这篇论文，拿下了CMU机械工程系最佳博士论文奖。
由此再看徐梦迪在姚班迎新现场提出的「构建下一代智能」，它也有了更具体的指向。
从她此前的研究路线来看，所谓「下一代智能」，或许不只是模型更大、数据更多、掌握的知识更广。
它还要能够走出训练集，在陌生任务和开放环境中快速适应；用更少的数据和计算完成学习，同时兼顾效率、稳定性和安全。
从徐梦迪，再看姚班新变化
把时间拉回到今天，徐梦迪已经在清华组建起了自己的研究团队。
这支团队的公开招聘方向颇为混搭：
机器人硬件设计、大模型训练、机器学习、控制和机器人学，都在其中。
这几乎复刻了徐梦迪自己一路走来的跨学科路径：从车辆工程到机器人学，再到机器学习和可信具身智能。
博士论文中的问题，也被她带回了本科母校。
回到清华后的第一个秋季，她开设了一门名为Interactive AI的课程；今年11月，徐梦迪还将参与组织CoRL 2026「持续自我改进的机器人」研讨会。
清华为她列出的研究方向包括机器学习、机器人学、人机交互和人工智能安全。
她自己则用三个词概括目标：
scalable、adaptable、reliable。
如果说博士论文重点回答的是机器人如何适应新任务，那么她回到清华后的工作，还在继续追问：
机器人获得能力之后，如何保证它真正理解人的指令，并作出可靠的行动？
2026年2月发布的CoVer-VLA，瞄准的正是机器人理解指令与实际行动之间的偏差。
这项研究尝试让系统在机器人行动前生成并比较多组候选方案，再从中选出更符合人类指令的动作。
当然，徐梦迪只是姚班2026级四位新生班主任之一。
但把四人的研究方向放在一起看，仍能看出一些新变化：
吕凯风研究机器学习理论、AI安全与对齐、优化；
贺天行关注电子游戏研发、多模态生成、社会模拟和AI安全；
配资助手徐梦迪研究机器学习、机器人学、人机交互与AI安全；
侯攀宇则从事离子量子计算和金刚石色心研究。
姚班如今向新生展示的学术版图，要比传统印象中的计算机实验班宽得多。
图源：清华叉院官微
姚班于2005年创办，最初名为「软件科学实验班」；2009年更名为「计算机科学实验班」，早期培养有着鲜明的计算机科学与理论研究底色。
此后，姚班的边界逐渐向外扩展。
2019年，清华学堂人工智能班迎来首届学生；2021年，量子信息班成立；2022年，姚班、智班和量信班合并，统一纳入计算机科学实验班，下设计算机科学、人工智能和量子信息三个培养方向。
从四位新班主任的背景可以看出，姚班依然强调「重基础」，但也更加「广交叉」：
计算机科学不仅连接算法和软件，也开始深入生成内容、社会模拟、物理世界、人机交互与量子系统。
图源：清华叉院官微
今年迎新现场，徐梦迪邀请新生「共同定义智能的下一站」。
她自己走过的路径，已经提供了一个具体样本：
下一代智能，可能诞生在算法与机器、模型与身体、能力与可靠性的交叉地带。
股票官网配资入口提示：本文来自互联网，不代表本网站观点。
相关文章
大盘行情指数走势
热点资讯