CoRL 2026 青年最高荣誉唯一华人得主清华赵行：「世界不会等模型」

时间是决定人形机器人量产的关键一环。

作者丨邓哲敏

编辑丨齐铖湧

此时此刻，美国奥斯汀，机器人学习领域的顶会 CoRL 2026 正在如火如荼地举行。清华大学交叉信息研究院助理教授、星海图 CTO 赵行，在这届大会主会场上登台，发表了 Early Career Keynote 演讲（青年成就奖）。

与动辄万人规模的 AI 大会不同，CoRL 是泛具身领域极其严肃专注的顶会，台下坐着的几乎全是这个星球上最懂机器人学习的学者。

Early Career Keynote 须同行提名、不得自荐，专门授予博士毕业十年内、已在机器人学习领域留下实质成果的年轻研究者，被视为该领域对新星研究者最高规格的认可之一，也是每年 CoRL 为主会场定调的重头戏。

今年全球仅有三位学者获此殊荣，而赵行是其中唯一的中国面孔。

站在台上的赵行，一方面串联过往的学术历程，讲述了自己从学术到产业的思考，另一方面，面对近期 GPT-6 Astra 接入机器人引发的行业焦虑，用一套极其严密的“时钟理论”，戳破了当下具身行业里不计时间成本制造出的基准测试幻觉，给了具身行业一个耳目一新的思考角度。

AI 科技评论（雷峰网）在现场全程记录了这场演讲，并结合赵行的学术研究路径，给大家带来这位中国顶尖年轻研究者的观点分享：

时间是决定人形机器人

量产的关键一环

今天我想谈“机器人的时间”：机器人智能应当如何在不同的时间尺度上组织起来。

我从 Waymo 的轮式自动驾驶起步，七年前发表了第一篇 CoRL 论文；然后转向有腿的机器人，花几年教四足和人形机器人奔跑、跳跃、征服复杂地形；现在做带手臂的机器人。归根结底，我们希望机器人替人类做真正的体力工作。

昨天我抵达奥斯汀，街上到处是 Waymo 和 Cybercab。对从自动驾驶起步的人来说，这感觉很好——驾驶已进入量产。人形机器人也能做到吗？今天我分享答案的一部分，它与时间有关。

最近 GPT-6 Astra 发布，几天内人们就把它接入自己的机器人，发现直接能用。NVIDIA 研究者在 RoboLab-120 仿真上做了细致研究：Astra 任务成功率 66%，π0.5 只有 28%。在另一个基准 RoboDojo 上结果类似：Astra 22 分，π0.5 仅 7 分。这很惊人，我相信领域里很多人还没准备好。

但有个问题：这些基准不测时间。Astra 用的是直接策略，直接控制机器人。仔细看，每次调用基础模型要 18 秒，机器人 97% 的时间在等模型思考。但现实中，机器人等不了模型思考这么久。

前沿模型非常好，我们该怎么用？为了弄清楚这事，我在家庭厨房仿真器 RoboCasa 里做了受控实验：5 个机器人从未见过的测试厨房、5 项任务，每项限 50 秒。

我试了五种控制方式：一是编程策略，让前沿模型理解任务后写代码，部署时程序直接跑，不再调模型；二是编程加询问，代码运行时失败就向模型求助，平均每回合只调一次；三是编排策略，前沿模型调度不同技能，每回合约调 4 次；四是直接策略；五是智能体策略，每步可控机器人、可调用工具计算，更费 token。

如果不限制思考时间，这些方法表现都不错：除编程策略 45% 外，其余成功率都超 60%。但加上真实时钟就完全不同了：直接策略和智能体策略成功率分别跌到 15% 和 20%。

这告诉我们，慢模型没问题，只要它与 System 1 结合，比如编排策略用小神经网络技能处理高频控制。

正如赵行所说，自动驾驶已然量产，而人形机器人似乎还在另一个时区。那么，自动驾驶有什么经验可以迁移？也许需要铺垫一段赵行的背景，大家会更明白他所希望表达的。

早在 2015 年的 MIT Media Lab，赵行就参与开发了世界上首个自动驾驶课程 Duckietown 的实践项目，也是在那时，他主动申请去做机器人课的助教，跟着韩国学者 Sangbae Kim 捣鼓 MIT Cheetah 猎豹机器狗。在与 AI 科技评论此前的对话中，赵行提到一个细节，那时候机器狗极度脆弱，上个飞机要走货运，去一次展会光维修和运输就要烧掉 3 万美元。

这段经历让他比任何人都清楚：实验室里的 demo 和产业级的产品之间，隔着一道名为“鲁棒性”的深渊。因此，当他在演讲中指出大模型直控的成功率会在真实时钟下暴跌时，这绝非纸上谈兵，而是他的真实经验所谈。

时钟定义层级

层与层的界限该画在哪里？老派答案按功能划分：感知、规划、控制。我主张另一种答案：时钟定义层级，在时钟变化处画线。这里讲 System 0/1/2，指的不是思维层面的快慢，而是时间尺度上的层级。

判断一件事属于哪层，要分两步。先问这一层必须对什么做出反应，这决定时钟要多快；再由时钟决定层级。System 2 要利用过往经验理解当下，时钟以秒到分钟计；System 1 要以交互发生的频率响应机器人手与物的相对运动，几十赫兹；System 0 要跟踪接触与力，所以必须几百赫兹。

我在自动驾驶时遇到过同样棘手的问题。我们把 VLM 装进车里，发现它理解场景能力惊人，能看懂学校区域、减速等孩子过马路，但它无法即时响应驾驶任务。于是我们把慢 VLM 和快驾驶栈装进同一辆车，这套系统如今已大规模跑在量产车上。我从自动驾驶得到的经验是：让快的层开车，让慢的层思考，各走各的轨道。

2023 年我们的四足机器人从视觉中学跑酷，随后做到全尺寸人形，今年实现全身跑酷——手脚并用攀爬、与环境交互。自己读深度、毫秒级反应，整个系统就是一个 System 0。跑酷给我上了第二课：反射必须住在快的层，且这一层要独立完成从感知到动作的全部事项。

但现实更复杂，一个任务往往需要多层配合。试想几个场景：工业装配线，固定重复，只需 System 0；物流分拣，任务固定但每个包裹不同，需要很强的 System 1；餐厅服务，要交谈、下单、端盘子，三样都要一点；做家务，任务定义复杂、跨度大，需要很强的 System 2，但速度可慢，System 1 和 0 稍弱即可。

这套分层系统还有两个关键问题要解决：每层如何快到跟得上自己的时钟？层与层之间传递什么？

这段分享中，赵行并没有否认大模型应用于具身智能的可能性，相反，他认可前沿模型的能力，试图通过解决时间延迟来更好地组织各类模型。

“让快的层开车，让慢的层思考”，这套具身思路并非仅仅停留在学术领域。

2019 年，赵行从 MIT 博士毕业，加入 Waymo，亲历了自动驾驶从实验室走向规模化量产的过程。2020 年下半年他回国加入清华叉院，从四足跑酷一路做到带臂操作，把视觉感知与全身控制推向极限运动的难度级别。

据AI 科技评论了解，赵行曾和与小一届的师弟王轶伦多次聊起自动驾驶的痛点。两人基于共同的技术嗅觉，自下而上地促成了后来与理想汽车的合作。当时全球打通数据闭环的车企屈指可数，而理想的工程基建为 DriveVLM 提供了土壤。

对此，赵行曾剖析过其中的区别：L2+ 级别或许能靠小模型的端到端肌肉记忆应付，但 L4 级别必须依赖大模型解决长尾问题。于是，DriveVLM-Dual 快慢双系统应运而生，大模型负责慢思考，传统规控负责快响应，如今这套方案已经实打实地落地超过 40 万辆量产车。

这也是为什么当他在 CoRL 讲台上抛出时钟定义层级时，台下的工业界同行会非常认同。

让每一层快速运转的三项工作

先谈第一个问题：让每一层都足够快。

今天的 System 1 普遍太慢，跟不上几十赫兹，原因有三个，且都源于模型的出身。其一，若你的动作模型基于视频生成模型，你会知道视频生成其实很慢，生成 5 秒高清视频要 2 到 3 分钟，无法上机。其二，若你的 VLA 基于 VLM，则文本推理动辄 5 秒，对控制不可承受。其三，几乎所有工作——VLA、扩散策略、动作模型——都先解码整条动作块再执行，白白等待。我们有三项工作分别应对。

第一，Fast-WAM。世界动作模型往往在行动前先生成未来视频。Fast-WAM 让视频模型与动作模型共享权重，训练时只做一点注意力改动——训练时想象，测试时可以跳过，提速 4 倍以上。今年我们有了更强版本，参数量从 5B 扩到 16B，采用混合 Transformer 架构，优化后在 RTX 5090D 上每个动作只要 60 毫秒。

第二，G0.5。这是我们星海图自研的 VLA 模型，以视觉和文本为输入，把任务、边界框、动作轨迹写进同一条离散 token 流。在同一组模型权重上，我们可以简单地开启或关闭推理。结果令人惊讶，90% 的任务上，有无推理成功率完全相同；跳过推理，速度快一倍；推理只在长程任务上有用。

第三，ActionCodec2。动作分块带来的成本，是必须等整条动作轨迹生成完毕才能开始执行。这段动画来自我们的工作，画面中机械臂在追踪一个不断移动的方块。左边是分块 tokenizer，策略必须先解码完整的一块动作，机器人才能移动，因此它只能在块与块的边界处看到方块的位置。想更及时，就得解码全新的一块动作。右边是流式动作 tokenizer，每个 token 都是一小段运动，机器人一收到就立刻执行，所以它在每一步都能感知到方块的位置。注意看结尾，分块那侧的手臂跟丢了，流式那侧的手臂抓住了。这就是我们所说的流式动作组织方式，用它，我们就可以构建一个流式 VLA。

这一段，赵行介绍了很多团队成员的工作，他作为一名年轻老师，能在学术界提出理论，又能在产业界和团队一起交出 Fast-WAM、G0.5 这样硬核工作，在我们看来，离不开他此前在 Waymo 时期受到的极限锤炼。2019 年他加入了刚成立研究院的 Waymo。那里人才济济，bar 极高，坐在他左边的可能是 PointNet 的作者祁瑞中，管理级别最高的周寅做过 VOXnet。

在那个扁平且鼓励跨界合作的体系里，他遇到了比自己早两个月入职的高继扬。

高继扬既能交付产品又能做研究，“一个人干俩人的活”，两人跨三个组合做出了引领行业的 VectorNet。2023 年上半年，当机器人的创业时机如同 2016 年的自动驾驶一样成熟时，两人再次一拍即合成立了星海图。

赵行曾公开回忆过那个瞬间：“你找我创业，我肯定和你一起，方向我们可以再找，但和你创业我现在就可以答应。”正是这种极度互信的搭档关系，让那些关于“流式动作”和“提速 4 倍”的构想，迅速变成了具身智能公司的核心壁垒。

接下来，最关键的是，各个层间该传递什么信息。

层间传什么：

向下较为丰富，向上几乎空白

接下来谈谈第二部分，层间传递什么。

三条时钟两条边界，双向通行。向下：System 2 传给 1 语言、目标、程序、动作；System 1 传给 0 运动。向上：System 0 反馈接触、力、跟踪状态；System 1 反馈进度、置信度与状态。但今天多数工作只做向下通路，向上通路严重缺失。

向下我们已有一些工作。WB-WAM 是为人形机器人生成全身动作的世界动作模型。作为 System 1，它输出全身和手的姿态，以及未来动作轨迹。更进一步有 OMG，一个动作多种输入。System 2 发送文字、音乐、参考姿态给 System 1，System 1 再转成可执行轨迹，由 System 0 跟踪。尽管 System 2 和 1 之间有丰富的交互，但 System 1 到 0 之间，向下传的仍只有运动。

只有运动是不够的。机器人只知道跟着轨迹，不知道目的，而且交互的本质是力，比如擦桌子，几乎只有力、没有运动。所以，现在人们已经开始超越运动，从关节目标，到身体运动，到接触，再到力。

超越运动的第一步是保持接触，无论是最早的那批重定向工作，还是我们发表在本次 CoRL 上的工作，都在尽力保住机器人与物体之间的接触点和几何关系。但说实话，这类方法只保住了接触几何，它们对力还一无所知。

最近我注意到 UC Berkeley 的一项工作 Ctrl-F。它给跟踪器参考动作和每只手的力指令；顶层再配一个小规划器，根据它实时看到的情况来调力。下面是一个机器人推 20 公斤重箱子的例子，左边，SONIC 只跟踪运动，箱子纹丝不动；右边，他们的模型能推动箱子。注意是谁在决定力，是那个贴近物体的小规划器，也就是 System 1，而不是远在顶层的慢模型。