ALL INTELLIGENCE
机器之心 (微信公众号)T2·Agents

Tao Dacheng's Team Proposes Dual-Brain Embodied Framework for Reusable Robot Experience

Original title: 陶大程教授最新技术文章:一台机器人犯过的错,怎样让另一台少走弯路?
38AI Score

Tao Dacheng, chief scientist at Daxiao Robotics, published a technical article outlining a "dual-brain embodied" framework in which SenseNova handles task understanding, planning and skill organization while the Kaiwu world model predicts physical states and action consequences. The goal is to distill real-world interaction experience, together with evidence and applicability conditions, into knowledge reusable across tasks, scenes and robot bodies. The piece is conceptual and provides no parameters, datasets or quantitative results.

Full Report

大晓的双脑协同探索:从真实交互到可复用的物理经验

近日,大晓机器人首席科学家陶大程教授发布具身双脑协同探索:让一台机器人付出的探索,为更多机器人提供依据;让今天获得的经验,减少明天必须重复的试错。以下为陶大程教授技术文章原文,欢迎阅读。

“让后来者从前人止步之处继续。”

"by the last beginning where those before them had left off"

—— 勒内・笛卡尔

一台机器人犯过的错,怎样才能让另一台机器人少走弯路?

设想一次普通的取杯任务:机器人找到了水杯,规划好接近方向,却在抬起时发生了滑移。它调整接触位置,重新抓取,最终完成任务。对于使用者,这件事到此结束;对于一个能够持续学习的系统,更值得追问的问题才刚刚开始:为什么会滑?这次调整在什么条件下有效?换一只杯子、一副夹爪,甚至另一台机器人,这段经验还能发挥多大作用?

一次失败如果只留下日志,一次成功如果只留下标签,相似的试错就可能随着部署规模扩大,在不同设备、不同项目中反复发生。将交互中的有效认识连同证据和适用条件一起提炼、保存,并在新的任务中验证,才能让真实经验逐步积累为能力。

这也是具身智能发展到今天,一个越来越值得关注的问题。通用模型正在增强机器人理解目标、组织技能和处理复杂任务的能力;世界模型为预测动作后果、比较候选方案提供了新的方法;感知与控制技术则让这些能力能够进入真实的物理过程。当它们逐步连接起来,我们有机会进一步追问:机器人能否在完成任务的同时,改善后续行动?获得一项新能力的成本,能否随着经验积累而降低?

真实交互与仿真在这里承担着相互补充的角色。真实世界能够暴露模型尚未理解的条件,为物理判断提供依据;经过校准的仿真可以扩展探索,帮助系统比较方案,把有限的真机时间用在最需要确认的问题上。这个循环的价值,最终要回到真实任务中检验:预测是否更可信,失败是否更容易恢复,新的场景是否需要更少的重复试错。

对于中国具身智能产业而言,较为完备的制造与供应链体系、丰富的作业场景,为这条路径提供了重要机会。从生产线上的装配,到仓储中的搬运,再到复杂条件下的抓取,大量交互都有可能揭示值得复用的物理关系。产业优势能否进一步转化为智能优势,取决于我们能否把分散在设备与项目中的经验,转化为能够跨任务、跨场景、跨本体发挥作用的知识。

大晓的双脑协同,正是围绕这一目标展开的探索。我们希望将大脑 SenseNova 的任务理解、推理规划与能力组织,同开悟世界模型的物理状态判断和行动后果预测连接起来,再通过具身 Harness 组织感知、记忆、技能与控制,让真实反馈进入下一次判断,也进入后续能力的改进。

我们希望双脑协同能够推动这样的积累:让一台机器人付出的探索,为更多机器人提供依据;让今天获得的经验,减少明天必须重复的试错。

一、从完成任务走向积累能力

要让一次抓取成功成为可复用的经验,系统需要进一步分析:接触位置是否合适,夹持是否稳定,动作调整解决了什么问题;当物体或夹爪发生变化时,这些判断是否仍然成立。

同样一次滑移,背后可能有不同原因。杯子表面的状态、杯中液体带来的载荷变化、夹爪的接触位置,甚至最初的定位误差,都可能影响抓取结果。单次观察往往不足以区分这些原因。系统需要将原先的预测、实际执行的动作和获得的反馈联系起来,通过补充观察、可获得的接触信息或有针对性的试探,逐步缩小不确定性。证据不足的判断,也应当保留为待验证的假设。

这一步决定了经验能够以什么形式被留下。假如后续验证发现,在某类物体和接触条件下,抬升前的一次短距离试探有助于判断抓握是否稳定,那么值得保留的就包括:这项试探适用于哪些条件,需要观察什么信号,出现什么结果时应该调整动作,以及哪些情况仍然无法据此判断。这样的认识,才能在下一次任务中帮助机器人作出选择。

真正可迁移的经验,是连同证据和适用范围一起被保留下来的认识。它可以体现为一个可调用的技能、一条可检索的经验记录,也可以通过训练进入策略或世界模型。无论采用哪种形式,都需要建立从交互记录到后续行为改善的联系。系统还应当识别哪些经历提供了新信息:反复完成已经掌握的动作,与一次揭示原有判断缺陷的交互,可能具有很不相同的学习价值。

当另一台机器人面对相似任务时,过去的经验可以帮助它更快找到值得尝试的方案,也可以提示哪些条件需要优先确认。例如,对抓握稳定性的认识可能为新任务提供参考,具体夹持力度、动作幅度和控制参数则需结合新的夹爪、传感器与执行能力进行适配。经验复用的意义,在于缩小探索范围、减少重复试错,同时保留对新条件的判断能力。

这种积累最终需要在后续任务中体现出来。在可比较的条件下,掌握一项相关技能后,学习下一项技能是否需要更少的示范和真机试验?换一个物体或一种本体,适配过程是否更快?面对扰动,是否更容易发现偏差并恢复?加入新能力之后,已有技能是否仍然可靠?这些结果,能够帮助我们判断系统是否真正从过去的交互中获益。

从完成任务走向积累能力,意味着机器人获得的每一项经过验证的认识,都有机会成为后续学习的起点。随着这些起点不断丰富,系统应当能够更有效地组织已有技能,更有针对性地探索未知条件。要建立这样的路径,就需要把任务理解、物理判断、行动执行和经验学习连接起来。

二、为什么我们采用 “双脑” 协同

要让过去的经验真正帮助下一次行动,机器人需要同时回答两个相互关联的问题:为了完成目标,下一步应该做什么?在眼前的物理条件下,这一步可能带来什么结果?前一个问题涉及目标、计划与技能组织,后一个问题涉及状态、接触与动作后果。可靠的行动,需要这两类判断在执行过程中不断相互校正。

在大晓的双脑协同设计中,云端大脑 SenseNova 侧重理解任务、组织能力。它需要判断用户希望完成什么,将目标拆解为可执行的步骤,从已有经验和技能中选择合适的方法,并在情况变化时调整计划。面对一次失败,它还需要结合任务过程进行复盘:原先的目标是否合理,技能选择是否恰当,哪些判断需要重新确认。

端侧开悟世界模型则侧重物理状态的理解、生成与预测。它根据当前观测和交互历史,判断物体的位置、运动和接触状态,在需要时构造候选的演化过程,为不同动作可能带来的后果提供预测依据。这些预测也应当保留不确定性:哪些条件已有充分观测,哪些判断依赖尚未验证的假设,哪些地方需要通过新的交互才能进一步确认。

这样的分工,与两类判断对资源和时间的不同要求有关。任务推理需要调用较广泛的知识、记忆和技能,云端有利于这些能力的共享与更新;物理状态判断需要紧贴现场变化,端侧部署有助于及时利用新的观测与反馈。更快的接触调节、姿态稳定和动作执行,则由相应策略与实时控制器承接。模型、策略和控制器各自承担适合的职责,共同形成完整的行动过程。

以取杯任务为例,协同可以这样展开:大脑 SenseNova 根据目标选择取杯技能,并提出接近方向和抓取方案;开悟结合当前观测,预测这些方案可能带来的状态变化。如果遮挡使接触位置难以判断,或者已有信息不足以估计抓握稳定性,这种不确定性就应当进入任务决策。SenseNova 据此选择改变观察角度、安排一次试探,或者调整抓取方式。新的观测再返回物理侧,帮助更新判断,随后决定是否继续执行。

双脑协同的关键,是让任务推理不断接受物理反馈,也让物理预测围绕任务需要展开。候选方案应综合任务逻辑与当前物体、场景和本体条件进行评估;物理预测也应说明结果如何影响下一步选择。二者通过明确的接口交换目标、候选行动、预测结果和不确定性,才能把各自的能力用于同一个决策。

这种协同还应当延续到任务结束之后。执行前的判断、提出的预测、实际采取的动作和最终结果,可以共同构成复盘的依据。预测与现实之间的偏差,帮助系统识别需要进一步调查的问题:是状态理解有误,物理条件发生了变化,技能选择不合适,还是执行没有达到预期?这些线索经过分析与验证,再决定进入经验记忆、技能调整或模型训练,为后续行动提供更可靠的起点。

我们用 “双脑” 组织这两类能力侧重,同时保留实现方式演进的空间。两者可以共享表示和部分模型能力,具体的模型组织与云端、端侧分工,也应根据任务、算力和时延要求调整。需要持续检验的是,这种协同是否帮助机器人更早发现关键不确定性,选择更有效的动作,并把真实交互中的有效认识带到后续任务中。

要让这些信息在模型之间准确传递,并进一步连接感知工具、经验记忆、技能调用和动作执行,还需要一套完整的系统机制。双脑协同由此进入下一个问题:怎样把模型之间的配合,转化为机器人身上稳定运行、能够持续积累的能力。

三、从模型协同到系统协同

当大脑 SenseNova 提出一个抓取方案、开悟给出相应预测之后,系统还需要完成一系列具体工作:确认当前观测是否足以支持行动,将目标转换为机器人能够执行的指令,调用适合的技能,并在执行偏离预期时及时处理。模型之间的判断,需要经过这些环节,才能成为真实世界中的有效行动。

在大晓的系统设计中,具身 Harness 承担这样的组织与协调职责。它维护任务状态,连接记忆、技能库、感知与三维重建等工具,明确各个模块交换什么信息、在什么条件下调用,以及怎样处理执行反馈。通过这套运行机制,大脑 SenseNova 的任务计划、开悟的物理预测和控制器的实际执行,才能对应到同一个任务阶段。

以取杯为例,感知工具提供的物体位置,需要转换到当前机器人的坐标与动作接口中;所选技能需要说明适用的夹爪、输入参数和执行条件;系统还需要判断什么观测代表抓取完成,什么信号意味着滑移或接触异常。一个可以稳定调用的技能,应当连同这些条件和判据一起进入技能库。这样,SenseNova 在组织任务时,才能知道一项能力何时可用、执行到了哪里,以及失败后还有哪些恢复路径。

动作执行也需要恰当的分工。学习型策略可以结合视觉、任务目标和历史状态生成动作参考,解析控制器则依据本体特性,完成位姿跟踪、接触调节和执行约束处理。较快的反馈在相应控制环中得到响应;当偏差影响任务继续进行时,Harness 将状态变化传回 SenseNova 与开悟,由它们重新判断是否补充观察、调整方案或调用恢复技能。这样的组织方式,使不同时间尺度上的判断能够衔接起来。

Harness 还需要为经验积累保留可追溯的依据。一次任务中的场景条件、本体配置、所用技能、模型预测、执行反馈和人工介入,都可能影响对结果的解释。将这些信息与具体执行阶段对应起来,有助于识别问题来自观测不足、预测偏差、技能选择,还是动作执行,并据此选择合适的改进对象。

现场恢复成功之后,得到的是一段值得分析的经验。它对其他任务是否有用,还需要进一步验证。因此,运行中的纠偏与后续的能力更新,可以按照不同节奏进行:当前系统先完成必要的调整,交互记录随后进入筛选与复测;得到支持的认识再进入记忆、技能或模型,证据发生变化时,也能够修订其适用范围。经验由此拥有从产生、验证到再次使用的清晰路径。

当机器人本体发生变化时,这套机制同样重要。共同的任务描述和技能意图,需要通过接口映射到新的感知方式、动作空间和控制能力;与接触、载荷和执行精度有关的条件,则需要重新校准。适配与复测应当帮助系统明确,哪些已有认识可以继续使用,哪些部分需要补充学习。更换一个本体,由此成为有依据的能力迁移过程。

系统协同的价值,在于让模型、工具和控制器能够各自演进,也让经过验证的经验拥有持续复用的路径。当感知工具升级、策略更新或机器人接口改变时,系统可以检查受到影响的技能与经验,保留仍然成立的认识,并针对变化的部分进行验证。

这样的系统设计,为双脑协同的落地提供了基础:将任务规划、动作执行、反馈记录与经验管理连接起来,为后续能力的验证和持续改进创造条件。在此基础上,当前任务的纠错、长期能力的积累,以及学习与研发方法的改进,才有机会形成相互衔接、逐步深入的闭环。

四、三个递进闭环:

让行动、学习与研发相互促进

真实反馈进入系统之后,可以推动不同层次的变化:纠正当前行动,改善后续能力,进一步优化获得能力的方法。我们以三个递进闭环组织这些变化,分别明确它们改变什么、如何运行,以及需要用什么结果证明改进确实发生。

第一个闭环是自主执行,让机器人更可靠地完成当前任务。

机器人在行动中持续获得新的观测,据此更新状态判断、调整计划,并在必要时补充感知或调用恢复技能。取杯过程中出现遮挡、接触变化或滑移时,系统需要及时识别偏差,结合当前条件决定怎样继续。较快的执行反馈由相应控制环处理,影响任务推进的变化则进入 SenseNova 与开悟的协同判断。

这个闭环可以在模型参数保持不变的情况下运行。它改善的是当前任务中的决策与执行,使机器人能够利用刚刚获得的信息处理变化。任务完成率、偏差发现与恢复时间、人工介入量,都可以帮助衡量它是否有效。执行过程同时留下观测、预测、动作与结果,为后续学习提供依据。

第二个闭环是经验学习,让一次交互改善后续能力。

进入这一层之后,系统需要从执行记录中筛选值得学习的内容,分析它们揭示了哪些新条件、修正了哪些旧判断,再选择合适的方式保留这些认识。有些经验可以先成为带有适用条件的长期记忆,在后续任务中被检索和调用;有些经验需要转化为技能调整;涉及动作生成或物理预测的问题,则可能需要对策略或世界模型进行有针对性的训练。

例如,某次抓取恢复的方法,经过进一步验证后,可能对一类接触条件相近的物体有效。系统便可以将相关条件、判断依据和恢复方式保留下来,在遇到相似情境时优先参考。换用新的夹爪或面对不同载荷时,它仍需确认这些经验的适用范围,并通过新的反馈继续修正。

学习闭环是否成立,要看收益能否延续到后续任务。在独立测试中,系统是否减少了重复错误,是否用更少的新增示范和真机试验完成适配,是否在获得新技能的同时保持已有能力?这些结果决定一项更新是否值得进入部署,也决定这段经验应当在多大范围内被复用。

第三个闭环是递归自我改进,让获得能力的方法也能够持续优化。

当系统能够持续执行和学习之后,还会遇到更深一层的问题:哪些失败最值得调查?下一批数据应该采集什么?当前的训练方法是否有效?同样的真机时间,怎样才能带来更多能力收益?这些问题指向数据选择、实验设计、训练流程、评价机制,以及模型与 Harness 的组织方式。

我们希望让研发智能体逐步参与这些工作。它可以汇总反复出现的失败,提出可检验的原因假设,选择能够区分这些假设的实验,并为数据补充、模型训练或系统调整提出候选方案。世界模型与经过校准的仿真可以帮助比较方案,真实任务则用于确认改进能否兑现。有效的方法经过验证后,再进入下一轮学习与研发。

这一层需要更严格的对照:在可比较的任务和资源条件下,调整后的流程是否更快获得了可靠能力,是否减少了人工、计算或设备时间,以及收益能否在后续任务中继续出现。自动化实验能够提高流程效率;递归自我改进还需要检验:系统能否依据结果优化实验选择和学习方法,并让改进后的能力继续参与下一轮改进。

这也是我们希望持续推进的研究方向。它需要跨任务、跨轮次的证据,逐步回答一个更有挑战性的问题:系统能否在增长能力的同时,提高自身获得能力的效率?

三个闭环可以按照不同节奏运行。执行中的纠偏需要及时响应,长期能力更新需要经过验证,研发方法的变化则需要更充分的比较与复测。它们共享真实交互提供的证据,也相互提供条件:更可靠的执行让系统进入更多任务,更有效的学习减少重复试错,更好的研发方法则提高下一轮改进的效率。

更有价值的进步,是让下一次进步更容易发生。双脑协同希望建立的,正是这样一条从行动延伸到学习、再延伸到研发的路径。而这条路径能否持续运行,还取决于我们怎样使用有限的真实交互,以及怎样让仿真为这些交互提供更有针对性的帮助。

五、真机与仿真:

把真机时间用在关键问题上

在真实机器人上推进三个闭环,需要面对具体的时间与资源约束。一次试验可能涉及设备调试、场景布置、人工复位和故障恢复,持续运行还会带来磨损与环境变化。因此,提升学习效率,需要认真选择每次交互要回答什么问题,并让已经获得的记录产生更多训练与验证价值。

真实交互为系统提供了理解物理世界的依据。对于取杯任务,三维重建可以帮助确定杯子的形状、位置和周围空间;载荷、表面状态、接触形变等影响抓取的条件,还需要结合动作与反馈进行估计。系统应当逐步确认哪些参数与当前任务密切相关,哪些判断已经得到支持,哪些仍存在较大的不确定性。

这些认识可以成为构建仿真环境的起点。世界模型从交互数据中学习状态如何变化,三维重建工具提供场景与物体的几何信息,物理仿真器则提供可干预、可重复运行的实验环境。它们需要通过真实记录相互校准:在相近的初始条件和动作输入下,预测或仿真中的关键变化,能否与实际观测对应起来?对于暂时无法确定的物理属性,可以保留与现有证据相容的参数范围,进一步检验不同取值对任务结果的影响。

一段真实轨迹由此有机会成为一组可控实验的起点。系统可以改变物体位置、载荷范围、接触条件或执行扰动,比较不同方案在哪些情况下仍然有效,哪些条件会使原有技能失效。仿真也应覆盖容易出错的动作,帮助系统学习如何识别失败、何时需要恢复,以及什么情况下应该补充观察。经过校准的模型,让已有交互中的信息能够延展到更广的训练与评测空间。

仿真还可以帮助选择下一次真机试验。假如几个与现有观测都相容的物理模型,对同一个动作给出了不同预测,这种分歧就指出了一个值得调查的问题。系统可以围绕它设计新的观察或试探,优先确认最可能改变行动选择的条件。这样,真机交互既承担任务执行,也承担消除关键不确定性的作用。

我们希望形成的 Real2Sim2Real 循环,便沿着这条路径展开:真实交互提供证据,模型与仿真据此建立和修正物理认识;仿真扩展练习、比较候选方案,并暴露需要进一步确认的问题;筛选后的方案再回到真实任务中接受检验。新的结果继续用于校准环境、调整策略和更新经验,使下一轮探索建立在更充分的认识之上。

真实任务检验改进是否有效,仿真扩展比较与练习的空间。因此,评价一个世界模型或仿真环境,应考察它对实际行动的帮助:能否正确区分候选方案的优劣,能否预见关键的接触失败,能否让仿真中获得的改进在真机上兑现,以及能否减少达到同等能力所需的真实交互。任务相关的预测与决策收益是这条闭环的主要验证内容,视觉表现可以辅助检查场景。

验收还需要保留独立的真实任务与条件,检验系统能否将改进带到新的物体、场景和本体上。总成本也应一并计算,包括新增数据、人工操作、计算、设备占用和恢复时间。只有把这些投入与实际收益联系起来,才能判断一次仿真扩展或模型更新是否提高了能力获取效率。

随着循环持续推进,经过校准的场景、验证过的物理条件和可靠的技能测试,可以逐步成为后续任务共同使用的基础。已有经验帮助系统更快找到值得尝试的方向,仿真把这些方向展开为更充分的比较,真实交互再确认哪些认识能够成立。双脑协同希望推动的能力积累,也将在这种相互校准中获得越来越扎实的物理依据。

六、走向具身智能的 “Transformer 时刻”

前面讨论的双脑协同、三个递进闭环,以及真机与仿真的相互校准,最终指向一个共同目标:让机器人在真实交互中获得的经验,成为更多任务和本体可以复用的基础。

Transformer 的重要启发,在于共享的基础架构能够承载多种能力,并支持持续扩展。我们期待具身智能也迎来这样的 “Transformer 时刻”:机器人领域逐步形成广泛可复用的共同底座,使不同任务和本体能够共享经过验证的物理认识,让一次部署积累的经验服务更多后续场景,并支持模型、工具与控制器在这一基础上持续演进。

这一目标在物理世界中面临更复杂的条件。机器人拥有不同的身体、传感器和执行能力,同一个任务也会受到空间、接触、载荷与环境变化的影响。因此,共同底座需要连接可共享的物理关系与各自的执行条件。它既要支持不同任务利用已有认识,也要帮助系统识别迁移中的差异,判断何时可以复用、何时需要重新观察和学习。

我们把世界模型视为构建这一底座的核心环节。物体如何运动,接触如何改变状态,一个动作可能产生什么后果,这些认识能够为规划、控制、仿真和学习共同提供依据。如果真实交互可以不断校准这些认识,而校准后的模型又能够帮助更多任务选择行动、组织练习和发现未知条件,物理经验就有机会进入一条持续扩展的学习路径。

双脑协同是大晓围绕这一目标选择的系统探索。SenseNova 组织任务、技能与已有知识,开悟围绕物理状态和行动后果提供判断,具身 Harness 将它们连接到感知、记忆和执行过程。我们希望通过这样的协同,让一次任务中得到的反馈能够被分析,让有价值的认识获得验证,并以适合的形式进入后续任务与模型版本。

这条路径能否形成共同底座,需要回答几个关键问题。随着经验覆盖更多物体、场景和接触条件,同一套核心机制能否在更广泛的独立任务上持续获得收益?换用新的本体时,已有认识能否减少适配所需的数据与工程投入?模型和工具更新之后,经过验证的技能与经验能否继续发挥作用?这些结果决定了系统的积累能否跨越单次任务、单台设备和单个版本。

尤其值得观察的,是能力获取成本的变化。在可比较的条件下,掌握一项相关新能力所需的真机时间、人工投入和计算资源,是否随着经验积累而下降;获得这些收益时,系统能否保持已有技能,并在新的条件下可靠运行。这样的证据如果能够跨任务、跨本体、跨轮次重复出现,就能够说明共同基础正在产生持续价值。

这种价值还会进一步改变机器人开发的方式。新的本体可以借助已有的任务组织与物理认识,更集中地解决自身感知和执行上的差异;新的应用可以利用经过验证的技能、场景与评测工具,更快找到需要探索的关键问题;不同团队也可以围绕清晰的接口与验证标准贡献成果,让各自的进步被更多后续工作承接。

形成这样的共同底座,需要架构上的探索,也需要可扩展的学习方法、可靠的工程机制和持续的真实验证。双脑协同能否为此作出贡献,最终要由这些结果回答:越来越多的机器人能够带着已有经验进入新任务,也能够把新的发现带回共同基础,让后续能力拥有更好的起点。

结语:让下一台机器人少走弯路

回到最初的那只水杯。

取杯任务结束后,这次交互的价值仍有机会继续延伸。一次滑移可能暴露了尚未理解的接触条件,一次调整可能提供了值得检验的恢复方法。经过分析与验证,这些经历能够帮助系统更清楚地认识:什么条件下可以继续行动,什么时候需要改变策略,还有哪些问题必须交给下一次交互来回答。

明天,另一台机器人面对相似任务时,需要观察眼前的环境、确认自身的执行条件,也可以借助已有经验,更快找到值得尝试的方案,更早注意到容易忽略的变化,并更有针对性地安排试探。当这些认识帮助它减少了重复错误、缩短了适配过程,今天这次交互就开始产生超出单次任务的价值。

双脑协同希望建立的,正是这种能够延续的联系。任务推理与物理预测通过真实反馈相互校正,执行中获得的认识经过验证进入后续学习,学习与研发的方法也在持续实践中得到改进。不同模型、工具与机器人本体,可以沿着这条路径各自演进,并继续利用已经积累的有效经验。

这份期待,需要由可重复的结果逐步支撑:新的任务是否用更少的真机试验学会,新的本体是否以更低的成本完成适配,系统是否在增长能力的同时保持可靠,以及这些收益能否随着经验积累而延续。把这些问题变成清晰的实验、可追溯的证据和持续的改进,是大晓推进双脑协同需要完成的工作。

我们希望,有一天,机器人进入一个新场景时,能够带着更充分的认识出发;离开这个场景时,也能为后来者留下经过检验的经验。每一项能力的获得,都由此有机会帮助更多能力生长。

让一台机器人付出的探索,为更多机器人省下重复试错的代价。这是我们希望双脑协同能够推动的进步。

作者简介

陶大程教授为大晓机器人首席科学家,同时亦为澳大利亚科学院院士、新加坡南洋理工大学杰出教授。他负责大晓机器人的研发战略,带领团队实现具身智能的长期愿景。

陶大程教授是人工智能领域全球知名的学者。他是 2014 年以来工程领域高被引论文、2015 年以来计算机科学领域高被引论文的作者;2019 年,他入选斯坦福大学 “全球前 2% 顶尖科学家榜单 “;2025 年,国际知名学术平台 Research.com 发布的最佳计算机科学家榜单中,陶大程教授位居新加坡第一。

陶大程教授于中国科学技术大学取得学士学位,香港中文大学取得硕士学位,英国伦敦大学取得博士学位。毕业后,先后在香港理工大学、南洋理工大学,悉尼科技大学、悉尼大学等高校任教。曾担任优必选人工智能首席科学家,京东集团高级副总裁、京东探索研究院创始院长。

© THE END

转载请联系本公众号获得授权

投稿或寻求报道:[email protected]

跳转微信打开