清华姚班迎新：徐梦迪谈构建下一代智能

2026级清华姚班的招录工作已经完成，本届共录取约90名学生。其中超七成学生通过竞赛保送等渠道提前拿到名额，剩余24名学生则从清华全体新生中经过笔试、面试选拔脱颖而出。这批新生里，约27人来自信息学竞赛国家集训队，还有代表中国参与国际奥赛的选手以及高考裸分尖子生，二招入选的学生中甚至出现了CMO金牌得主，堪称“顶配学霸班”。

在这群顶尖新生面前，负责人工智能方向迎新分享的是一位刚加入清华不久的学者——徐梦迪。2025年9月才从斯坦福回到清华的她，如今已是清华大学交叉信息研究院的助理教授，同时也是本届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”，引发了新生们对人工智能未来方向的思考。

非科班的跨界研究者：从车辆工程到具身智能

徐梦迪并非传统计算机科班出身，也不是姚班的毕业生。她2017年从清华大学车辆工程专业本科毕业，之后先后前往约翰斯·霍普金斯大学学习机器人学，在卡内基梅隆大学深造机器学习方向，并于2024年获得CMU机械工程博士学位。这条看似绕远的学术路径，最终都指向同一个核心问题：如何让机器人真正融入现实物理世界。

博士就读期间，她师从CMU Safe AI Lab负责人赵丁，主攻机器人学习、强化学习以及人工智能安全领域。她的代表性研究成果之一，是与CMU、Google DeepMind等机构研究者共同开发的RoboTool系统。与传统机器人编程不同，这套系统不需要开发者逐步指定机器人使用的工具和执行的动作，只需要输入任务目标、场景信息、物体属性以及机器人的能力范围，就能自动分析约束条件、选择合适工具、规划执行步骤，最终生成机器人可以直接运行的代码。

举个简单的例子，当机械臂无法直接够到远处的牛奶盒时，RoboTool可以让机器人将锤子当作钩子，将牛奶盒拉到可触及的范围；如果四足机器人无法直接跨过两张沙发之间的空隙，系统会让机器人寻找周围的物体搭建临时通路；在更复杂的任务中，它甚至能利用滚筒和冲浪板组装出杠杆，完成原本无法实现的目标。徐梦迪曾在采访中提到，工具使用是高级智能的重要标志，而以非常规方式灵活使用工具，对智能体的认知能力提出了更高要求，RoboTool的目标正是让机器人将这种“创造性”带入物理世界，解锁更多原本无法完成的任务。

除了核心研究之外，徐梦迪还先后在丰田研究院、MIT-IBM Watson AI Lab和Google DeepMind机器人团队实习，研究领域横跨自动驾驶、机器学习与机器人学。博士毕业后，她前往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，这里是全球具身智能研究的核心阵地之一，专注于视觉、机器人学习以及智能体对物理世界的理解。仅一年后，她便选择回到本科母校清华，加入交叉信息研究院，组建自己的研究团队。

CMU最佳博士论文：只靠Scaling还不够

在众多亮眼的履历之外，徐梦迪对通用机器人技术路线的判断更值得关注。过去几年，大模型在语言和图像领域的成功让研究者看到了Scaling Law的潜力：随着模型参数、训练数据和计算量的不断提升，原本未经过专门训练的能力也可能自然涌现。不少研究者尝试将这一思路复刻到机器人领域，期待能出现类似GPT-3级别的突破。

但在题为《构建可适应的通用机器人》的博士论文中，徐梦迪直接对这一思路提出了质疑：仅仅依靠模型规模和训练数据的扩张，就能让通用机器人自然拥有泛化能力吗？她的答案是否定的。

她解释道，真实世界的任务空间近乎无限，研究者永远不可能将机器人未来会遇到的所有场景都塞进训练集里。与其寄希望于训练集覆盖所有可能性，不如让机器人具备在遇到新场景时，根据少量新信息快速适应的能力。因此，构建通用机器人不能只依赖扩展性，还必须补上“适应能力”这一关键环节。

围绕这一核心思路，她的博士论文从三个方向展开研究： 第一条路径是让智能体通过少量示范快速调整策略，适应新任务。在2022年发表于ICML的《Prompting Decision Transformer》论文中，她和合作者将自然语言处理中的prompt范式引入强化学习，用少量任务演示轨迹作为提示，让智能体自行判断当前任务的目标并生成对应动作。这种思路类似大模型的上下文学习，只需要几段示范轨迹，模型就能适应新的目标方向、速度或位置，无需额外微调参数。

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。

第二条路径是让机器人自主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，但背后往往共享相似的动作逻辑、视觉几何规律和动力学特征，比如拿起杯子和拿起碗，虽然物体不同，但需要调用的核心能力是相通的。如果为每个任务都从零开始训练，不仅会浪费大量数据，也难以形成可复用的经验。徐梦迪参与的无监督持续强化学习研究，正是希望让机器人主动挖掘这些共通结构，将已掌握的能力迁移到新任务中，逐步形成可组合、可复用的技能库，而不是为每个任务单独保存一套策略。

第三条路径是借助大模型的已有知识，帮助机器人解决复杂物理任务。前文提到的RoboTool就属于这一方向：大语言模型已经具备了关于工具用途的常识，比如锤子可以敲击、木板可以充当杠杆，但要将这些知识应用到物理世界，还需要结合物体尺寸、空间位置和机器人的运动范围进行调整。RoboTool将任务拆解为分析、规划、计算和代码生成四个环节，根据输入的环境和机器人信息判断约束条件，制定执行计划并计算动作参数，最终生成可直接运行的代码。

这一研究思路并非完全否定Scaling Law，而是试图回答“缩放之后的问题”：当机器人走出训练集，进入从未见过的陌生环境时，它能否自行找到解决问题的办法？2024年，这篇博士论文凭借出色的研究价值，拿下了CMU机械工程系最佳博士论文奖。

回到姚班迎新的主题“构建下一代智能”，徐梦迪的研究思路也给出了具体的诠释：下一代智能并不只是单纯追求模型规模更大、训练数据更多、掌握的知识更广，更重要的是让智能体能够走出训练集，在开放环境和陌生任务中快速适应，用更少的数据和计算资源完成学习，同时兼顾效率、稳定性和安全性。

姚班的跨学科新布局

回到清华后，徐梦迪已经组建了自己的研究团队，招聘方向涵盖机器人硬件设计、大模型训练、机器学习、控制与机器人学等多个领域，这几乎复刻了她自己的跨学科研究路径：从车辆工程到机器人学，再到机器学习与可信具身智能。她将博士阶段关注的核心问题带回了母校，入职后的第一个秋季学期就开设了Interactive AI课程，今年11月还将参与组织CoRL 2026“持续自我改进的机器人”研讨会。

清华为她划定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研究目标：scalable、adaptable、reliable。除了探索机器人的适应能力，她回到清华后的研究还在继续追问：当机器人拥有了一定能力后，如何确保它真正理解人类的指令，并做出可靠的行动？2026年2月发布的CoVer-VLA项目，正是瞄准了机器人理解指令与实际行动之间的偏差问题，通过在机器人行动前生成并对比多组候选方案，选出最符合人类指令的动作。

徐梦迪只是本届姚班四位新生班主任之一，四位老师的研究方向组合起来，也能看出姚班近年来的发展变化：吕凯风专注机器学习理论、AI安全与对齐以及优化研究；贺天行关注电子游戏研发、多模态生成、社会模拟与AI安全；徐梦迪深耕机器学习、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。

姚班创办于2005年，最初名为“软件科学实验班”，2009年更名为“计算机科学实验班”，早期培养以计算机科学与理论研究为核心。随着学科发展，姚班的学术边界也在不断拓展：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、智班与量信班合并为统一的计算机科学实验班，下设计算机科学、人工智能和量子信息三个培养方向。

从本届四位班主任的背景可以看出，如今的姚班依然强调“重基础”，但也更加注重“广交叉”：计算机科学不再局限于算法和软件，而是延伸到内容生成、社会模拟、物理世界交互、人机交互乃至量子系统等多个领域。正如徐梦迪在迎新现场邀请新生共同定义智能的下一站，她自己的跨界研究路径也给出了一个清晰的样本：下一代智能，或许就诞生在算法与机器、模型与身体、能力与可靠性的交叉地带。