清华教授押注机器人ICL：我看到了Scaling Law的信号

本周「十字路口」嘉宾是清华叉院助理教授徐梦迪。她本科读清华车辆工程，后赴Johns Hopkins、CMU，再到Stanford吴佳俊、李飞飞组做博士后，2024年初回国加入清华交叉信息研究院。她的核心命题是机器人的In-Context Learning：让机器人到新环境后，通过一两次交互当场学会新任务，且越学越快。

节目录完第二周，Generalist发布GEN-1.5，只给机器人看3-12秒动作示范作为“physical prompt”，不做微调、不更新参数，就能当场尝试新任务，10项任务平均成功率约59%。ICL随即成为全球具身智能最受关注的话题之一，也正是徐梦迪持续押注的方向。

除ICL外，节目还聊到预训练的天花板、真正的泛化、Scaling Law的信号与陷阱、跑通稳定的数据闭环、叠衣服demo的误导、行业泡沫与进步、年轻PI的真实生活与研究选择。穿越技术话题后，这还是一期关于人生选择、环境与长期主义的对话，希望给站在中美之间、学术与产业之间、跟随热点与坚持长线之间的年轻人一份参考。

徐梦迪今年30.5岁，INTJ，摩羯座。她当前花时间最多的研究方向是让机器人从现实场景中持续提升自己。到CMU后她开始做Robot Learning，把机器学习方法用到机器人上。她很喜欢MAML，认为它能让机器人学到没见过的任务，是机器人未来的方向。

她本科读车辆工程，认为这是正确选择，因为汽车系学得全面，涵盖机械设计、汽车电子和算法课程。真正转向Robotics的契机在大二，她跟着机械系阎绍泽老师做Bio Robotics，研究蜜蜂翅膀的超弹性恢复。大三暑研去了CMU Howie Choset教授组，设计爬管子的蛇形机器人，工作重心从机械设计转向机器人算法。

她高中就读衡水中学，是竞赛生，主攻物理。她认为衡中体验挺好，竞赛班管理要求与高考班不同，更需要自主motivation。竞赛班同学每个人都有极强个人想法，后来一部分出国成为优秀researcher，一部分在国内发展也很好。她小学过得轻松，没上过补习班，喜欢拼四驱车，还和小朋友捡废品卖钱买车。这埋下了后来选车辆工程的种子。

在CMU读机械工程时，她获得系里最佳PhD论文奖，那一届两人获奖。论文题目是《Building Adaptable Generalist Robots》，核心是让机器人适应动态变化环境。她相信scaling和预训练有用，但预训练不是全部。现实是开放世界，任务不断变化，机器人必须适应变化并自我迭代。主要解题路径有两条：In-Context Learning和Test-Time Training，目标都是让机器人摆脱单纯对预训练的依赖，通过context和interaction在现实场景中持续学习。ICL这条线源于她2021年的工作Prompt Decision Transformer，动机是看到GPT-3的上下文学习能力，传统ML遇到新任务要fine-tuning，而GPT-3可根据prompt直接调整输出。