清华赵行获CoRL 2026青年成就奖，演讲谈机器人时间尺度

眼下在美国奥斯汀，机器人学习顶会 CoRL 2026 正开得热闹。清华大学交叉信息研究院助理教授、星海图 CTO 赵行登上大会主会场，做了 Early Career Keynote 演讲，也就是青年成就奖演讲。

CoRL 和动辄上万人的 AI 大会不一样，它是泛具身领域里极为严肃、专注的会议，台下坐的基本都是全球最懂机器人学习的那批学者。

这个 Early Career Keynote 不接受自荐，得由同行提名，只颁给博士毕业十年以内、已经在机器人学习领域做出实质成果的年轻研究者，算得上该领域给新星研究者的最高规格认可之一，也是每年 CoRL 主会场定调的重头戏。

今年全世界只有三位学者拿到这份荣誉，赵行是其中唯一的中国面孔。

台上，赵行一边回顾自己的学术历程，讲从学术走向产业的思考；一边回应近期 GPT-6 Astra 接入机器人带来的行业焦虑。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，给行业提供了一个新鲜的角度。

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，整理出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。

我的起点是 Waymo 的轮式自动驾驶，七年前发出第一篇 CoRL 论文；后来转到有腿机器人，几年里琢磨怎么让四足和人形机器跑起来、跳起来、在复杂地形上走稳；如今在做带手臂的机器人。说白了，就是想让机器人接过人类那些实打实的体力活。

昨天我到奥斯汀，街上到处是 Waymo 和 Cybercab。对从自动驾驶起步的人来说，这感觉很棒——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。可现实中，机器人等不了模型想这么久。

前沿模型很好，我们该怎么用？为了弄清楚，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。

五种控制方式我都试过。第一种是编程策略：先让前沿模型把任务弄明白，再由它写代码，部署时直接跑程序，不再去问模型。第二种是编程加询问，代码跑挂了才找模型，平均每回合调一次。第三种叫编排策略，由前沿模型来调度各项技能，每回合约 4 次。第四种是直接策略。第五种是智能体策略，每一步都能控制机器人，也能调工具做计算，代价是 token 消耗更大。

思考时间不设限的话，这几种方法表现都还行：编程策略 45%，其余成功率均在 60% 以上。可一旦把真实时钟加进来，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，人形机器人似乎还停在另一个时区。那么，自动驾驶有什么经验可以迁移？也许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。

这段经历让他比谁都明白：实验室里的 demo 要变成产业级产品，中间横着一道叫“鲁棒性”的深渊。因此他在演讲里说大模型直控的成功率会在真实时钟下大幅下滑，并不是空谈，背后是他自己踩过的坑。

02

时钟定义层级

层与层之间的线该划在哪儿？按老派做法，是照功能分：感知、规划、控制。我的看法不一样：让时钟来定层级，时钟一变就划线。这里说的 System 0/1/2，不是指思维上的快与慢，而是时间尺度上的分层。

要判断一件事归哪一层，得分两步走。第一步看这一层必须对什么东西作出反应，这决定了时钟需要多快；第二步再由时钟定层级。System 2 靠过往经验理解当下，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手和物体的相对运动，频率在几十赫兹；System 0 要盯住接触与力，所以得跑到几百赫兹。

自动驾驶里我也撞上过一模一样的难题。VLM 装上车后，看懂场景的本事让人吃惊：学校区域、减速、孩子过马路，它都能识别，可要它实时响应驾驶动作就做不到。于是慢的 VLM 和快的驾驶栈被塞进同一辆车，这套组合眼下已经大批量跑在量产车上。自动驾驶教给我的是：开车交给快的层，思考交给慢的层，两条轨道各跑各的。

2023 年，我们的四足机器人靠视觉学会了跑酷；之后做到全尺寸人形；今年又实现全身跑酷——手脚并用攀爬、跟环境交互。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：反射必须待在快的那一层，而且这一层要独立把从感知到动作的事全办完。

现实还要更绕，一个任务常常得几层一起上。设想几个场景：工业装配线固定重复，System 0 就够了；物流分拣任务固定、包裹却个个不同，需要很强的 System 1；餐厅服务要交谈、下单、端盘子，三样都得沾一点；做家务任务定义复杂、跨度大，System 2 必须强，速度可以慢，System 1 和 0 弱一些也无妨。

这套分层系统还有两个关键问题待解：每一层怎么快到自己那个时钟的要求？层和层之间又该传什么？分享中，赵行没有否定大模型用于具身智能的可能，他反倒认可前沿模型的本事，想的是把时间延迟解决掉，让各类模型组织得更好。

“让快的层开车，让慢的层思考”，这条具身思路不只停在学术圈。2019 年赵行从 MIT 博士毕业，进了 Waymo，亲历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。

据AI 科技评论了解，赵行曾跟小一届的师弟王轶伦多次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。彼时全球把数据闭环打通的车企数得过来，理想的工程基建正好给 DriveVLM 提供了土壤。

赵行曾剖析过其中差别：L2+ 级别或许能靠小模型端到端的肌肉记忆应付过去，L4 级别却必须靠大模型解决长尾问题。DriveVLM-Dual 快慢双系统就这么出来了，大模型管慢思考，传统规控管快响应，这套方案如今已经实打实落到超过 40 万辆量产车上。

所以当他在 CoRL 讲台上抛出用时钟定义层级的说法时，台下工业界的同行相当认同。

03

让每一层跑得快起来的三项工作

先说第一个问题：每一层都要够快。

今天的 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，动作模型要是基于视频生成模型，你就知道视频生成其实很慢，5 秒高清视频得花 2 到 3 分钟，上不了机。其二，VLA 要是基于 VLM，文本推理动不动 5 秒，控制根本等不起。其三，几乎所有工作——VLA、扩散策略、动作模型——都是先把整条动作块解码完再执行，白等一场。我们有三项工作分别应对。

第一项，Fast-WAM。世界动作模型往往在动手前先生成未来视频。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，测试时能跳过，速度提升 4 倍以上。今年我们做出更强版本，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，G0.5。这是星海图自研的 VLA 模型，输入是视觉和文本，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，速度快一倍；推理只在长程任务上派得上用场。

第三项，ActionCodec2。动作分块的成本在于，必须等整条动作轨迹生成完才能开始执行。这段动画来自我们的工作，画面里机械臂在追一个不停移动的方块。左边是分块 tokenizer，策略得先解码完整的一块动作，机器人才能动，所以它只在块与块的边界处看得到方块的位置；想更及时，就得再解码全新的一块。右边是流式动作 tokenizer，每个 token 都是一小段运动，机器人一收到马上执行，因此每一步都能感知方块在哪。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。这就是我们说的流式动作组织方式，用它就能搭出一个流式 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，他能在学术界提出理论，又能和团队在产业界交出 Fast-WAM、G0.5 这样硬核的成果，在我们看来，这离不开他早年在 Waymo 受的极限锤炼。2019 年他加入刚成立研究院的 Waymo，那里人才密集、bar 极高，坐在他左边的可能是 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，他遇上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“流式动作”和“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，是各层之间该传什么信息。

04

层间传什么：

往下传的挺丰富，往上回传几乎空白

第二部分，就说说层间传什么。

三条时钟、两条边界，信息要双向跑。往下走，System 2 把语言、目标、程序、动作交给 System 1；System 1 再把运动交给 System 0。往上走，System 0 回传接触、力、跟踪状态；System 1 回传进度、置信度和状态。可眼下大部分研究只修了向下这条路，向上的通道几乎是空白。

向下的工作我们手里有一些。WB-WAM 是给人形机器人生成全身动作的世界动作模型，它站在 System 1 的位置上，输出全身和手的姿态，还有未来的动作轨迹。再往前一步是 OMG，一个动作能接多种输入：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。System 2 和 System 1 之间交互已经够丰富了，但 System 1 到 System 0 这一段，往下传的仍然只有运动。

光有运动不够用。机器人跟着轨迹走，却不知道为什么要走；何况交互的实质是力，擦桌子这种活儿，基本只剩力，运动几乎可以忽略。所以现在已经有人开始越过运动这一步：从关节目标到身体运动，再到接触，再到力。

越过运动的第一关是维持接触。不管是早期那批重定向工作，还是我们发在本次 CoRL 上的研究，都在努力守住机器人和物体之间的接触点与几何关系。不过说实在的，这些方法只留住了接触几何，对力还完全没概念。

UC Berkeley 的 Ctrl-F 最近引起了我的注意。它给跟踪器送去参考动作，还给每只手配上力指令；顶层再挂一个小规划器，按实时看到的情况去调力。机器人推 20 公斤重箱子就是个例子：左边 SONIC 只管跟踪运动，箱子一动不动；右边他们的模型能把箱子推动。谁在拍板力的大小？是那个贴着物体的小规划器，也就是 System 1，不是远在顶层的慢模型。

再看失败案例。底层系统多数时候自顾自地跑，失败了也不自知；高层系统又不够快，任务黄了也没察觉。这些失败都卡在层与层之间。今天跨边界的反馈是缺位的，我认为这套机制急需补上。

05

分层也好，单模型也罢，时钟都得算进去

最后，我看到未来有两条路。

一条是分层路线：每层跑自己的时钟，上层不必精确指定接触和力，往下发意图就行，下层往上回反馈。难就难在下层得自己能察觉失败、自己纠偏，还要主动上报。

另一条是单模型路线：统一架构、共享权重，每个时钟配自己的专家，推理时按不同时钟跑。好处是架构统一、上下文共享、KV cache 能复用。难题在联合训练：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一起训？

不管走哪条路，时钟都得是模型设计的一部分。

收个尾：机器人这行，世界不会等模型。系统要对什么作出反应，就决定了它的时钟；该挑配得上时钟的模型，而不是让时钟去迁就模型。层间要往下发意图、往上报失败。别只造一个快模型或一个小模型，要造整个系统。最后我恳请社区：以后做机器人仿真基准，请把截止时限前的成功率和所需推理时间一并报出来。

演讲收尾时，奥斯汀会场的掌声响了很久。

台下同行听到的不只是 System 0/1/2 的技术拆解，还有一份来自产业一线的深度思考。

在赵行眼里，技术演进从来不是孤立的算法游戏。他曾跟 AI 科技评论聊过一个宏大的命题：到底什么样的技术值得投入一生？当年毕业时，自动驾驶和 AR/VR 是最火的两个方向，他果断放弃了后者。类似的观点，他的好友楼天城也讲过：AR/VR 难以发展，不只是技术不成熟，更在于它向社会输出的正向价值太小。自动驾驶和具身智能跟人的生命息息相关，能真正替人干物理劳动，哪怕过去十年一直在烧钱，也总有行业力量前赴后继地接力。

这也是为什么 2020 年回到清华后，他不肯把实验室叫作“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、图像与控制之间的传统界限。

从2015年在MIT修理那台总出故障的机器狗，到如今以星海图CTO的身份站上CoRL讲台为人形机器人定下时钟法则，赵行此前还在Waymo做过前几名研究员。物理世界AI这条路上，他始终走在前沿，也始终认一个理：只做一个快模型不够，得把整个系统做出来；只盯着基准测试的分数不行，得看它在现实世界里值多少。

让我们再次恭喜赵行老师。