赵行获CoRL 2026青年成就奖：唯一华人，演讲直指具身智能时钟问题

眼下美国奥斯汀正在开机器人学习领域的顶会 CoRL 2026。清华大学交叉信息研究院助理教授、星海图 CTO 赵行登上主会场，做了 Early Career Keynote 演讲，也就是青年成就奖演讲。

CoRL 和那种动辄上万人的 AI 大会不是一回事，它是泛具身领域里非常严肃、非常专注的顶会，坐在台下的基本上都是全球最懂机器人学习的那批学者。

Early Career Keynote 不能自荐，只能由同行提名，颁给博士毕业十年以内、在机器人学习领域已经有实质成果的年轻研究者，被看作这个领域给新星研究者的最高规格认可之一，每年也是 CoRL 为主会场定调的重头戏。

今年拿到这个荣誉的全球只有三位学者，赵行是里面唯一的中国面孔。

台上，赵行一边梳理自己的学术历程，讲他从学术走向产业的思考；一边回应近期 GPT-6 Astra 接入机器人引发的行业焦虑。他用一套很严密的“时钟理论”，点破了当下具身行业不计时间成本造出来的基准测试幻觉，给行业提供了一个耳目一新的角度。

AI 科技评论在现场全程记录了这场演讲，下面结合赵行的学术研究路径，分享这位中国顶尖年轻研究者的观点：

01

时间是决定人形机器人

量产的关键一环

今天我想聊“机器人的时间”：机器人智能该怎样在不同时间尺度上组织起来。

最早做的是 Waymo 的轮式自动驾驶，7 年前我发出第一篇 CoRL 论文；后来把方向转到有腿的机器人上，几年下来教四足和人形机器人跑、跳、在难走的地形上保持平衡；眼下在做带手臂的机器人。说穿了，我们图的是让机器人接手人类真正要出力气的活儿。

昨天我到了奥斯汀，街上到处都是 Waymo 和 Cybercab。对从自动驾驶起步的人来说，这种感觉很好——驾驶已经进入量产。人形机器人也能做到吗？今天我分享答案的一部分，它和时间有关。

最近 GPT-6 Astra 发布，几天之内就有人把它接进自己的机器人，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%。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% 的时间都在等模型思考。可现实里，机器人等不了模型想这么久。

前沿模型很好，那该怎么用？为了弄清楚这件事，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，每项限时 50 秒。

五种控制方式我都试过。第一种是编程策略：让前沿模型先把任务弄明白，再写出代码，部署时直接跑程序，模型不再参与调用。第二种是编程加询问，程序执行中出错就找模型帮忙，平均一个回合只问一次。第三种叫编排策略，由前沿模型来调度各项技能，每回合大约调用 4 次。第四种是直接策略。第五种是智能体策略，每一步都能操控机器人，也能调用工具做计算，代价是 token 消耗更大。

在思考时间不受限制的情况下，这几种方法都还看得过去：编程策略成功率 45%，其余几种都超过 60%。可一旦把真实时钟算进去，局面就变了——直接策略和智能体策略的成功率分别掉到 15% 和 20%。

这说明，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，自动驾驶已经量产，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？先铺垫一段赵行的背景，大家会更明白他想表达什么。

早在 2015 年的 MIT Media Lab，赵行就参与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。所以当他在演讲里指出大模型直控的成功率会在真实时钟下暴跌时，这不是纸上谈兵，而是他的真实经验。

02

时钟定义层级

层级之间的界线该划在哪儿？按老派做法是照功能切：感知、规划、控制。我的看法不一样：层级由时钟来定，时钟一变就画一条线。这里说的 System 0/1/2 不是指思维上的快慢，而是按时间尺度分的层级。

要看一件事归哪一层，得分两步走。第一步问这一层必须对什么东西作出反应，这决定了时钟得多快；第二步让时钟来定层级。System 2 得靠过去的经验读懂当下，时钟按秒到分钟算；System 1 要按交互发生的频率去响应机器人的手与物体之间的相对运动，频率在几十赫兹；System 0 要盯住接触和力，所以必须跑到几百赫兹。

自动驾驶里我也踩过同样的坑。把 VLM 塞进车里，它对场景的理解确实强得吓人，学校区域能认出来，减速等孩子过马路也懂，可它没法实时应对驾驶任务。后来我们的做法是让慢的 VLM 和快的驾驶栈同车运行，这套系统现在已经大批量跑在量产车上。从自动驾驶里我学到一条：快的层负责开车，慢的层负责思考，各走各的轨道。

2023 年，我们的四足机器人靠视觉学会跑酷，之后推进到全尺寸人形，今年做到了全身跑酷——手脚并用攀爬、与环境交互。深度自己读，反应做到毫秒级，整个系统本身就是一个 System 0。跑酷给我上的第二课是：反射必须待在快的层，而且这一层要独立扛下从感知到动作的全部环节。

现实往往更麻烦，一个任务常常要几层一起配合。工业装配线固定重复，System 0 就够了；物流分拣任务固定，但每个包裹都不一样，很吃 System 1；餐厅服务要交谈、下单、端盘子，三样都得有一点；做家务任务定义复杂、跨度大，System 2 要很强，速度可以慢些，System 1 和 0 弱一点没关系。

这套分层系统还有两个关键问题待解：各层怎么才能快到跟得上自己的时钟？层与层之间到底传递什么？

讲这些时，赵行没有否定大模型用于具身智能的可能。他认可前沿模型的能力，想的是把时间延迟这个问题解决掉，从而把各类模型更好地组织起来。

“让快的层开车，让慢的层思考”，这套具身思路不只停留在学术圈。

2019 年赵行从 MIT 博士毕业，进入 Waymo，亲眼看着自动驾驶从实验室走向规模化量产。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，把视觉感知和全身控制推到极限运动的难度级别。

据AI 科技评论了解，赵行曾多次和小一届的师弟王轶伦聊起自动驾驶的痛点。两人凭着共同的技术嗅觉，自下而上促成了后来与理想汽车的合作。当时全球能把数据闭环打通的车企没几家，理想的工程基建正好给 DriveVLM 提供了土壤。

对其中区别，赵行做过剖析：L2+ 级别也许靠小模型的端到端肌肉记忆就能应付，L4 级别非大模型不可，长尾问题得靠它解决。DriveVLM-Dual 快慢双系统就是这么来的——大模型管慢思考，传统规控管快响应，这套方案如今已落地超过 40 万辆量产车。

所以当他在 CoRL 讲台上用时钟来定义层级时，台下的工业界同行会很认同。

03

要让每一层都快起来，他们做了三项工作

先说第一个问题：每一层都得足够快。

眼下 System 1 普遍偏慢，跟不上几十赫兹，原因有三个，根子都在模型的出身上。其一，动作模型如果建在视频生成模型上，视频生成本身就慢——5 秒高清视频要生成 2 到 3 分钟，根本上不了机器。其二，VLA 如果建在 VLM 上，文本推理动不动就是 5 秒，控制层面承受不起。其三，VLA、扩散策略、动作模型几乎都先把整条动作块解码完再执行，时间全白等了。针对这三点，我们有三项工作。

第一项是 Fast-WAM。世界动作模型通常要先想象未来视频再行动。Fast-WAM 让视频模型和动作模型共享权重，训练时只动一点注意力，训练时想象，测试时可以跳过，提速 4 倍以上。今年我们做出了更强的版本，参数量从 5B 扩到 16B，用混合 Transformer 架构，优化后在 RTX 5090D 上每个动作只需 60 毫秒。

第二项是 G0.5，星海图自研的 VLA 模型。它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。同一组模型权重上，推理可以简单地开或关。结果挺意外：90% 的任务上，开不开推理成功率完全一样；跳过推理，速度翻倍；推理只在长程任务上派得上用场。

第三项是 ActionCodec2。动作分块有个代价：整条动作轨迹生成完才能开始执行。这段动画出自我们的工作，机械臂在追一个不停移动的方块。左边是分块 tokenizer，策略得先解完整块动作机器人才动，于是它只能在块的边界看到方块在哪，想更及时就得再解一整块。右边是流式动作 tokenizer，每个 token 就是一小段运动，机器人收到就执行，每一步都能感知方块位置。看结尾，分块那侧跟丢了，流式那侧抓住了。这就是我们说的流式动作组织方式，有了它就能搭出流式 VLA。

这一段里赵行介绍了不少团队成员的工作。作为年轻老师，他能在学术上提出理论，又能和团队在产业界拿出 Fast-WAM、G0.5 这样硬核的成果，在我们看来，这离不开他在 Waymo 那段极限锤炼。2019 年他加入刚成立研究院的 Waymo，那里人才密集、门槛极高，坐他左边的可能是 PointNet 作者祁瑞中，管理级别最高的周寅做过 VOXnet。

在那个扁平、鼓励跨界合作的体系里，他碰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，机器人创业的时机像 2016 年的自动驾驶一样成熟，两人又一次一拍即合，成立了星海图。

赵行公开回忆过那一刻：“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“流式动作”“提速 4 倍”这些构想很快变成具身智能公司的核心壁垒。

接下来最关键的问题：各个层之间该传什么信息。

04

层间传什么：

往下走很丰富，往上走几乎空白

第二部分，聊聊层间传递什么。

三条时钟、两条边界，信息得双向走。往下传，System 2 把语言、目标、程序、动作交给 1，System 1 再把运动交给 0；往上传，System 0 回报接触、力与跟踪状态，System 1 回报进度、置信度和状态。问题是眼下多数研究只修了向下这条道，向上那条几乎空着。

向下的工作我们做过一些。WB-WAM 是给人形机器人做全身动作生成的世界动作模型，站在 System 1 的位置上，它给出全身和手的姿态，还有未来动作轨迹。再往前一步是 OMG，一种动作允许多种输入：System 2 把文字、音乐、参考姿态发给 System 1，System 1 转成可执行轨迹，System 0 负责跟踪。可 System 2 和 1 之间交互再丰富，System 1 到 0 往下传的，还是只有运动。

光有运动不够。机器人跟着轨迹走，却不知道为什么要走；交互的要害其实是力，擦桌子这种事，几乎全靠力，运动成分极少。所以现在大家开始越过运动这一层，从关节目标走到身体运动，再到接触，最后到力。

越过运动的第一关是保住接触。最早那批重定向工作也好，我们发在本次 CoRL 上的工作也好，都在设法维持机器人和物体之间的接触点与几何关系。不过说实话，这些方法守住的只是接触几何，对力仍然一无所知。

UC Berkeley 的 Ctrl-F 最近引起了我的注意。它给跟踪器下发参考动作和每只手的力指令，顶层再搭一个小规划器，按实时看到的情况调力。下面这个例子里，机器人要推一只 20 公斤重的箱子：左边 SONIC 只跟踪运动，箱子一动不动；右边他们的模型能把箱子推走。谁在决定力？是贴近物体那个小规划器，也就是 System 1，不是远在顶层的慢模型。

再看失败案例。底层系统往往自顾自地行动，已经失败了却不知道；高层系统又不够快，没察觉任务早已失败。这些失败都发生在层与层之间。跨边界的反馈今天还是缺的，我认为这套机制亟需补上。

05

分层也好，单模型也好，时钟都得考虑

最后，我认为前面有两条路。

第一条是分层路线：每层有自己的时钟，上层不精确指定接触和力，只向下发意图，下层向上发反馈。难就难在下层得自己察觉失败、自己纠正，还要主动上报。

第二条是单模型路线：统一架构、共享权重，每个时钟配自己的专家，推理时按不同时钟运行。好处是架构统一、上下文共享、KV cache 能复用。难点在联合训练：System 1、2 靠行为克隆，System 0 靠仿真强化学习，两套训练机制怎么塞进同一个环境里一起训？

不管走哪条路，时钟都必须写进模型设计里。

机器人这块，现实不会停下来等模型。系统该对哪些东西作出反应，这决定了它按什么时钟走；要挑的是配得上这个时钟的模型，而不是反过来让时钟去迁就模型。层与层之间，往下传的是意图，往上报的是失败。别单独去做一个快模型，或者一个小模型，得把整个系统做出来。最后想跟社区提一句请求：往后做机器人仿真基准，成功率要报截止时限之前的，推理耗时也要一并给出。

演讲收尾时，奥斯汀会场掌声热烈。

对台下同行来说，这不只是一次 System 0/1/2 的技术拆解，更是一份来自产业一线的深度思考。

赵行眼里，技术演进从来不是孤立的算法游戏。他曾跟 AI 科技评论聊起一个宏大的命题：什么样的技术值得投入一生？毕业那会儿，自动驾驶和 AR/VR 是最火的两个方向，他果断舍弃了后者。好友楼天城也有类似看法：AR/VR 难发展，不只因为技术不成熟，更因为它向社会输出的正向价值太小。自动驾驶和具身智能则不同，与人命息息相关、能真正替人做物理劳动，哪怕过去十年一直在烧钱，也总有行业力量一批接一批地接力。

这也解释了 2020 年回到清华后，他为什么不肯把实验室叫作“计算机视觉”或“深度学习”，而是取名 MARS，做一个纯粹的 AI 实验室。他心里清楚，神经网络正在抹平语音、图像与控制之间原有的界线。

2015 年在 MIT 修一台动不动就坏的机器狗；如今站在 CoRL 讲台上给人形机器人定时钟法则。从 Waymo 的前几名研究员，到星海图的 CTO，赵行一直走在物理世界 AI 的最前线，也始终相信：别只造一个快模型，要造整个系统；别只盯基准测试的分数，要看它对现实世界的价值。

再一次恭喜赵行老师。