快问快答：30.5 岁的 INTJ 与他的研究方向

主持人介绍徐梦迪的学术背景，嘉宾用快问快答形式交代年龄、MBTI、星座，并说明当前最重要的研究方向是让机器人从现实场景中持续提升自己。

从 MAML 到机器人学习：泛化方向的起点

徐梦迪讲述在 CMU 接触 robot learning 的契机，MAML 让他看到机器人学到未见任务的可能性，并由此确立泛化作为长期方向。

衡水、竞赛班与四驱车：成长经历

嘉宾回忆河北衡水的小学与衡水中学竞赛班经历，以及拼四驱车、捡钢铁零件赚钱的童年爱好，解释这些如何埋下车辆工程的种子。

竞赛生的路径与同伴关系

徐梦迪描述衡中竞赛班的管理方式与学习节奏，强调竞赛生有很强的自主想法，班级氛围更像战友抱团而非竞争。

博士论文：让机器人适应开放世界

他解释博士论文 Building Adaptable Generalist Robots 的核心思路，介绍 in-context learning 与 test-time training 两条路径，以及 Prompt Decision Transformer 和 Hyper Decision Transformer 两个工作。

适应能力为何直到现在才成为共识

徐梦迪分析此前主流做法是 scale 数据和模型，adaptation 被忽视；随着实际应用场景的考量，大家逐渐意识到机器人模型需要强适应能力，同时对 base 模型提出更高要求。

斯坦福博士后：Behavior benchmark 与两位导师

他讲述在斯坦福参与 Behavior benchmark、可 steerable 机器人和创造性工具使用 benchmark 三个工作，并对比李飞飞 vision-driven 与吴佳俊 hands-on 两种指导风格。

Research brand 与回国决定

徐梦迪解释 research brand 来自长期研究一个重要问题，并讲述 2023 年面试清华叉院、在工业界与学术界之间权衡、最终因自由度选择教职的过程。

面试问题与「幸运」的成长观

他回忆被问「为什么五年后能成为顶尖 researcher」时回答不够好，以及姚先生建议他 focus；他把自己的一路发展总结为幸运，强调环境和支撑网络的作用。

如何选择环境与最 tough 的十字路口

徐梦迪谈选择环境的标准是能否最大化自己的兴趣与能力，并坦言最 tough 的选择是回国，用「no free lunch」说明每个决定都要承担代价。

国内具身创业：有进步，也有泡沫

他判断国内具身领域从材料、sensor 到本体、数据、模型各层面都有实际进步，但事情尚未收敛导致焦点不断转移，泡沫必然存在，并用控制里的超调作比。

Scaling Law 的信号与 loss 的陷阱

徐梦迪说看到其他公司数据从十万小时 scale 到一百万小时后在 held-out 集上有效果，但指出机器人 loss 与成功率不直接挂钩，真正想见到的是未见任务成功率随规模上升。

机器人的 GPT 时刻与 benchmark 的必要性

他把当前机器人模型类比为 GPT-1 阶段，期待 GPT-3 式的 in-context learning 时刻，并认为具身领域比语言模型更需要 benchmark 来界定能力边界，推荐 Behavior。

in-context learning 的落地与数据闭环难题

徐梦迪用叠衣服和做菜的例子解释 in-context learning 要让模型被终端用户定义，并指出最 risky 的是能否跑通稳定数据闭环，目前从桌面任务和真机双臂场景做起。

离线模仿与融合派的数据观

他对比离线模仿与 in-context learning 的区别，说明不同数据来源适合不同训练阶段，并解释数据定义应由模型能力反推，而模型能力本身尚未收敛。

遥操作、仿真、UMI 与 human data 的取舍

徐梦迪逐一分析四类数据的适用阶段，强调自己是融合派，认为 human data 成本低、可大量铺场景，人本身就是一种 morphology，关键是构建数据与模型能力的正确链接。

给年轻研究者的建议与组会形式

他建议学生多看、多交流、实际上手干活，并介绍自己面试 PhD 的必问问题——最感兴趣的一篇文章是什么，以及组会以 tutorial 形式组织、本科生可以参与。

INTJ 的共情与实验室氛围

徐梦迪说自己共情能力强，会在集体中照顾别人情绪，并讲述如何从零搭建实验室、与学生建立信任、组织团建，希望伙伴不只是工作关系。

日常 AI 工具与论文大爆发的应对

他分享自己轮番使用多个聊天机器人、最近开始与 AI 做非工作对话，并谈到机器人论文翻倍、AI 写论文质量参差，自己更依赖关注 researcher 的筛选式阅读。

马拉松跑到十公里：未来三到五年是关键

徐梦迪判断具身智能这场马拉松才跑到四分之一，通用智能机器人真正落地尚未出现，但未来三到五年可能通过 scaling 看到明确范式转变，整体保持乐观。