bingdada徐梦迪是清华姚班2026级四位新生班主任之一，本科毕业于清华车辆工程，后在CMU获机械工程博士。她的核心观点是通用机器人不能只依赖Scaling Law，还需具备适应能力，这一理念正在影响姚班的人才培养方向。
2026年秋季学期，清华大学姚班（计算机科学实验班）迎来了一批新生，而站在讲台上向他们介绍人工智能方向的，是一位刚回国不久的年轻学者——徐梦迪。这位本科毕业于清华车辆工程专业的助理教授，于2025年9月从斯坦福大学回到母校，如今已成为姚班四位新生班主任之一。她的到来，不仅是个人的学术回归，更折射出姚班在人才培养理念上的新变化。
徐梦迪的学术背景颇为独特。2017年从清华车辆工程专业毕业后，她先后在约翰斯·霍普金斯大学学习机器人学、在卡内基梅隆大学（CMU）攻读机械工程博士，并于2024年获得博士学位。在CMU期间，她师从Safe AI Lab负责人赵丁，研究机器人学习与人工智能安全。
这条看似「绕远」的路径，最终指向了一个核心问题：如何让机器人真正适应现实世界。博士毕业后，她前往斯坦福视觉与学习实验室从事博士后研究，与吴佳俊、李飞飞合作。一年后，她选择回到本科母校，加入清华交叉信息研究院——这个由姚期智于2011年创办的机构，正是姚班的培养单位。
徐梦迪的博士论文《构建可适应的通用机器人》获得CMU机械工程系最佳博士论文奖，其核心观点直指当前AI领域的热门议题。过去几年，大模型在语言和图像领域的成功让许多人相信：只要模型足够大、数据足够多，泛化能力就会自然涌现。但徐梦迪对此持保留态度。
她认为，真实世界的任务空间近乎无限，训练集永远无法覆盖所有可能遇到的情况。因此，通用机器人不能只依赖scalability（可扩展性），还必须具备adaptation（适应能力）——即在面对新环境时，能根据少量新信息快速调整策略。
这一判断基于她的多项研究实践。在ICML 2022发表的论文《Prompting Decision Transformer》中，她将自然语言处理中的prompt范式引入强化学习，让智能体通过少量示范快速适应新任务。此外，她与CMU、Google DeepMind等机构合作开发的RoboTool，则展示了如何让机器人创造性地使用工具——例如机械臂够不到远处物体时，会用锤子当钩子将其拉近。
从徐梦迪的研究路线可以看出，她所倡导的「下一代智能」并非简单的模型规模竞赛，而是包含三个维度：
1. 快速适应能力：通过少量示范或上下文学习，让机器人迅速理解新任务，无需重新训练。
2. 技能迁移与复用：让机器人发现不同任务之间的共同结构，形成可组合的「技能库」，而不是为每项任务单独训练。
3. 大模型知识与物理世界的结合：利用大语言模型已有的常识，通过分析、规划、计算和代码生成等环节，解决复杂的物理操作问题。
2026年2月发布的CoVer-VLA研究，进一步探索了机器人理解指令与实际行动之间的偏差——系统会在行动前生成并比较多组候选方案，从中选择最符合人类指令的动作。
徐梦迪的加入，只是姚班学术版图扩展的一个缩影。2026级四位新生班主任的研究方向涵盖了机器学习理论、AI安全与对齐、多模态生成、社会模拟、离子量子计算等多个领域。
姚班自2005年创办以来，从最初的「软件科学实验班」到2009年更名为「计算机科学实验班」，再到2019年设立人工智能班、2021年成立量子信息班，2022年三班合并统一培养，其边界一直在扩展。如今，姚班不仅强调「重基础」，更注重「广交叉」——计算机科学正与物理世界、人机交互、量子系统等更多领域深度融合。
徐梦迪在迎新现场邀请新生「共同定义智能的下一站」。她自己的经历提供了一个具体样本：下一代智能，可能诞生在算法与机器、模型与身体、能力与可靠性的交叉地带。
徐梦迪的研究方向与国内具身智能领域的快速发展形成了呼应。近年来，国内多家企业和研究机构在具身智能领域投入巨大。例如，智谱AI在2026年8月发布了GLM首个原生多模态模型，并采用国产算力卡训练；优必选等企业则联合发布了PhanthyMotus计划，推动具身智能的开源共建。
与海外研究相比，国内团队在机器人硬件制造和场景落地方面具有供应链优势，但在基础算法和模型训练方面仍有追赶空间。徐梦迪提出的「适应能力」路线，恰恰是解决机器人从实验室走向真实场景的关键——这一点对于国内众多试图将人形机器人商业化的企业尤为重要。
徐梦迪本科就读于清华大学车辆工程专业，2017年毕业。此后她转向机器人学和机器学习方向，先后在约翰斯·霍普金斯大学、卡内基梅隆大学深造。
她的博士论文《构建可适应的通用机器人》提出，构建通用机器人不能只依赖Scaling Law（模型规模扩大），还必须具备适应能力——即在面对新环境时能根据少量信息快速调整策略。该论文获得了CMU机械工程系最佳博士论文奖。
RoboTool是徐梦迪与CMU、Google DeepMind等机构合作开发的研究项目，它让机器人能够创造性地使用工具解决问题。例如，机械臂够不到远处物体时，会用其他工具将物体拉近。这被视为验证机器人「创造性」能力的重要实验。
据公开统计，2026级姚班录取约90人，其中约66人通过竞赛保送等渠道提前进入，另有24人从清华新生中选拔。学生中包括约27名信息学竞赛顶尖选手、国际奥赛国家队成员以及高考高分考生。
徐梦迪的研究方向包括机器学习、机器人学、人机交互和人工智能安全。她目前正在组建跨学科研究团队，涵盖机器人硬件设计、大模型训练、机器学习和控制等领域。
参考链接：
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
资本狂热与真实作业之间的鸿沟揭示了物理智能的规模化困局。华为联合多家机构发布的报告指出，云边端协同是破解实时性与复杂性两难的系统路径，三域协同与一网贯通构成核心架构。
当VLA模型在物理扰动下频频失效，世界模型成为具身智能跨越商业化门槛的新路径。美梦空间联合索辰科技发布Physical-WAM与RoboTwin-Phys，从物理Token表征到物理漂移评测，为机器人补上"物理课"。
Skild AI 用自我对弈训练人形机器人踢足球，只给进球奖励却自发涌现盘带护球等技能。本文拆解其技术路线、基础模型布局与仿真到现实的落地挑战。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
