精华简报：徐梦迪出任清华姚班班主任与下一代智能的探索
TL;DR
清华大学交叉信息研究院迎来新任姚班班主任徐梦迪，这位斯坦福归国的年轻学者以跨学科背景（车辆工程→机器人学→AI）提出”下一代智能”需突破Scaling Law局限，强调适应能力(adaptation)、可靠性(reliability)与跨领域交叉，反映姚班从传统计算机科学向更广阔的AI-物理世界融合方向演进。
核心观点与技术洞察
1. 徐梦迪的学术突破
- 挑战Scaling Law局限：提出机器人领域仅靠扩大模型/数据不足以实现泛化，需发展”现场适应能力”(adaptation)
- RoboTool创新：让机器人创造性使用工具（如用锤子作钩子），获CMU最佳博士论文奖
- 三条技术路径：
- Prompt-DT框架：通过轨迹提示实现少样本任务适应
- 无监督持续学习：构建可复用技能库
- 大模型物理迁移：将语言知识转化为可执行动作
2. 姚班战略转型
- 培养方向扩展：从纯计算机科学向AI安全、量子计算、人机交互等交叉领域延伸
- 师资结构变化：4位班主任分别覆盖机器学习理论(AI对齐)、多模态生成、具身智能、量子计算
- 教育理念升级：强调”重基础+广交叉”，智能研究需融合算法、物理世界与可靠性
3. 下一代智能特征
- Scalable（可扩展） + Adaptable（可适应） + Reliable（可靠）
- 核心矛盾：开放环境中的”训练集不可能完备”问题
- 解决方案：实时适应能力比单纯扩大训练集更重要
行业启发与影响
1. 对AI/机器人领域
- 技术路线：大模型与具身智能结合需突破”仿真-现实鸿沟”
- 投资方向：适应算法、小样本学习、AI安全将成新风口
- 评价标准：从准确率转向”陌生环境存活率”
2. 对高等教育
- 学科建设：传统CS专业需增加机械、认知科学等交叉课程
- 人才选拔：竞赛成绩与跨学科潜力并重（如姚班录取含CMO金牌+高考尖子）
- 研究转化：丰田/DeepMind等产业界经历成为学术人才加分项
3. 商业应用前瞻
- 服务机器人：适应能力可降低场景定制化成本
- 工业自动化：创造性工具使用解决柔性制造痛点
- AI安全市场：指令-动作校验系统(如CoVer-VLA)或成刚需
关键启示：当行业追逐大模型参数竞赛时，徐梦迪团队指向更本质的问题——智能体如何像人类一样”随机应变”，这可能是中国在AI应用层实现弯道超车的关键路径。