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」。

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；

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。

参考链接：

[ 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

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见