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 (公众号：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：
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。
02
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。