对话 Saturday Robotics 创始人朱俊帆：机器人论文发表时，技术路线可能已经过期

图片展示的是Saturday Robotics举办的一场Robotics Research Night活动场景。场地内多人围坐，部分人使用笔记本电脑，还有人手持手机。一位身着白色上衣和绿色裙子的女性站在前方，似乎在进行演讲或介绍。背景中可见多扇门和墙上的装饰。该图片与上下文紧密相关，直观呈现了活动的现场氛围，与文档中提到的活动报名人数、持续时间及参与人员构成相契合。

在机器人行业，一篇论文正式发表时，它试图解决的问题可能已经过期了。朱俊帆把两年前的研究观念形容为「白垩纪」。

2026 年 9 月 28 日，IROS 在匹兹堡举行期间，Saturday Robotics 办了一场 Robotics Research Night。白天的学术日程结束后，研究者、创业者和投资人换到另一个场地，用十分钟左右的闪电演讲继续讨论机器人安全、强化学习、世界模型和具身智能。据活动的报名记录，近 400 人报名，来自 16 个国家和地区的 200 多家机构。

图片展示了Saturday Robotics举办的Robotics Research Night活动信息。活动于2026年9月28日，5:30 - 9:30 PM在匹兹堡举行。报名人数380+，来自215+组织，16个国家和地区。参与者中53%为学术界，32%是机器人和AI初创公司等。演讲者包括Caltech、Rhoda AI等，代表公司有Carnegie Mellon、Amazon等。该图与上下文紧密相关，直观呈现了活动规模、参与者构成及重要信息。

两天前，他还在旧金山主持周六的读书会。活动结束后，他坐红眼航班经芝加哥转机到匹兹堡，接着参加 IROS、见研究者，再把晚上的活动搬到线上。朱俊帆说，自己「已经快到带宽的极限」。

这个节奏与机器人研究本身很像。一个研究者用半年完成实验，等完投稿、审稿和发表，最初的想法可能已经落后一年。GPT-6 Astra 这类通用模型的能力又在改写一批原有课题的价值：过去需要机器人研究者手工完成的场景建模、代码和评估工作，开始可能被更通用的 computer agent 接管。

「白垩纪」并不是说过去的论文突然全部失效，而是研究者需要频繁重新评估：自己正在解的问题，还是不是问题；一篇被顶会接收的论文，是否还站在能力前沿上。

这也解释了一个机器人读书会为什么在半年里迅速长大。

Saturday Robotics 于 2026 年 3 月底在旧金山湾区发起。第一期原本只打算在一间狭小的配电房里聚集 30 人；报名链接发出两天后，接近 100 人注册，团队只好临时换场地。

图片展示了Saturday Robotics读书会的相关信息。其为旧金山湾区的一个每周读书会，也是硅谷最大的社区驱动机器人研究组织之一，聚集了来自Google DeepMind、NVIDIA等知名机构及斯坦福大学、加州大学伯克利分校等高校的研究者。还列出了其在Luma、X、LinkedIn、X等平台上的订阅和关注者数量，以及合作伙伴如Samsung Research America、Dyna等。该图片与上文提到的Saturday Robotics读书会在半年内迅速增长，报名人数爆满相呼应，直观呈现了其影响力。

据公开活动页，截至 10 月 3 日已举办 32 期；朱俊帆称，截至 10 月中旬，Luma 订阅者已超过 3,700 人，其中约一半是创业者，另一半是研究者。这些数字是社群规模，不等于每场的实际到场人数；但活动的频率和演讲者名单，已经足以说明它对湾区机器人圈子的吸引力。

作为创始人兼程序主席（Program Chair），朱俊帆负责读书会的技术内容：每一期选什么题、请哪位讲者、用什么形式，以及现场主持讨论。讲者包括 NVIDIA Cosmos 机器人与世界模型方向的技术负责人 Zhaoshuo (Max) Li、Dyna Robotics 联合创始人兼首席科学家 Jason Ma、三星北美研究院机器人智能实验室负责人 Kris Hauser 教授。

三星北美研究院、Dyna Robotics 等机构曾与读书会合办活动；三星北美研究院的 Nan Tian 在领英上写道：「很高兴和朱俊帆一起合办 Saturday Robotics 第 20 期读书会。昨天三星北美研究院座无虚席。」

这张图片展示了一场学术交流活动的室内场景，是类似研讨会或社交餐会的场合。画面中有数十位参会者，有的围坐在餐桌旁，桌上摆放着餐盘、纸巾、电子设备、活动相关的纸质资料，还有小型蜡烛装饰；另有不少人在会场内站立交流，部分参会者佩戴着带有身份标识的胸牌，整体氛围是参会者在活动间隙互动、整理材料的状态，和文档中提及的CVPR 2026期间的研究之夜、ACM SIGGRAPH 2026专场等学术活动的场景相契合。

CVPR 2026 期间在丹佛举办的研究之夜收到 624 份报名，录取 317 人；43 份闪电演讲提案中，朱俊帆选出了 6 个。

7 月，他还在 ACM SIGGRAPH 2026 上组织了世界模型主题的 Birds of a Feather 专场「World Models for Robotics: Bridging Graphics, Simulation, and Physical Intelligence」，该专场经大会录用，并以他的名字列入官方日程。

朱俊帆曾学习数学和计算机，做过量化和自动驾驶相关工作。他的研究关注如何评测在物理世界中运行的 AI 系统。

图片展示的是Saturday Robotics创始人朱俊帆。他站在户外，阳光明媚，天空湛蓝。朱俊帆戴着黑色眼镜，穿着白色外套、红色内搭和蓝色裤子，背着黑色背包，面带微笑。背景中有一幅色彩鲜艳的壁画，画中是一只戴着眼镜的羊驼，旁边有“LAM”字样及“DISCO HUAYLLAS COLOR 1-WAL HOLIDAY LULU MARANA 2022”等文字。该图片与文档中介绍朱俊帆的内容相关，直观呈现了朱俊帆的形象。

朱俊帆，Saturday Robotics 创始人兼程序主席

他参与合著的自动驾驶交互数据集与分层评测基准 IEDD 于今年 7 月被 Scientific Data（Nature Portfolio）接收；他为多机构联合的长程智能体评测基准 Agents’ Last Exam 贡献了量化金融方向的任务，该基准入选 NeurIPS 2026 评测与数据集赛道。

他担任这一赛道和 EMNLP 2026 Industry Track 的审稿人，Manning 出版社也两次请他评审世界模型方向的书稿选题。

这次 IROS，他是物理世界模型 workshop（PWMS）的程序委员会委员，并主持了全部两场口头报告和 WorldArena 2.0 挑战赛环节。今年 7 月，他还受邀在 AUTONOMOUS 2026 峰会上主持制造业 Physical AI 的 CEO 圆桌。

他形容自己在 Saturday Robotics 里既是「校长」，也是「学生」：他不是为行业给出一条确定路线，而是把不同路线的人叫到一起，看哪些争论能被实验和部署结果推进。

我们在匹兹堡 IROS 期间与朱俊帆聊了一个多小时。话题从读书会的起点，逐渐转向中美机器人生态的差异，以及 GPT-6 Astra、仿真、触觉、benchmark 和数据公司的价值正在怎样变化。他对不少问题都没有给出确定答案。在他看来，不足以证明或证伪的阶段，让分歧充分暴露，比过早建立共识更有价值。

以下是 42 号电波与 Saturday Robotics 创始人朱俊帆的对话，略经编辑。

一个读书会，两天里从 30 人变成近 100 人

**42 号电波：**Saturday Robotics 只成立了半年，为什么能这么快形成规模？

**朱俊帆：**最开始并没有想要做成这么大。

我们 3 月 28 日开始第一期。那时我刚从南湾搬到旧金山，一开始只想做一次非正式的朋友聚会。我当时住处的楼里有一间 electric power room，非常狭小，也没有阳光，是真正的「小黑屋」。原来想从 30 人开始，再慢慢扩到 60 人。

我在周四发了 Luma，到周六已经有接近 100 人报名。那个小黑屋肯定放不下，Aurora 找到了一个 VC 提供的场地，一次朋友聚会就这样变成了正式活动。

第一期的主题与 JEPA 有关，杨立昆也点赞和转发了。我们后来发现，大家确实需要这样一个 forum。行业进展很快，每家公司的路线又没有收敛，大家需要一个地方讨论最前沿的工作。

这张图片呈现了Saturday Robotics活动的现场场景，中国科学院李培岩正在进行演讲。画面中，李培岩手持麦克风，身着浅灰色上衣搭配黑色长裤，正在进行分享；他身后的投影屏幕上显示着英文标题“Rethinking Generalist Robotic Manipulation”，下方标注了演讲者为“Peiyan Li”，屏幕内容对应了他在活动现场的演讲主题，与文档中“中国科学院李培岩在Saturday robotics活动现场演讲”的内容相吻合。

中国科学院李培岩在 Saturday robotics 活动现场演讲

**42 号电波：**但一次活动撞上热门话题，可能有偶然性。你自己总结，半年里最重要的增长原因是什么？

**朱俊帆：**我们没有最 fancy 的场地，经费和人手也有限，所以把精力都放在内容上，形式够用就好。真正重要的是两件事。

第一是内容必须足够前沿，要有 hot take。只有这样，才能吸引真正的 researcher 和 builder 过来辩论。如果只是普通的 startup demo day，硅谷到处都有，不会成为大家每周六专门开车参加的活动。

第二是自媒体。我很勤快地在 LinkedIn 和 X 上发布内容，让旧金山以外的人也能看到。后来慕尼黑、苏黎世的研究者会来联系我，中国研究者也会在小红书上刷到活动。技术品位决定什么人愿意来，持续传播决定这个圈子能不能越过一间屋子。

**42 号电波：**一个学术社群增长太快，也可能变成少数人相互认可的小圈子。你怎样避免同温层？

**朱俊帆：**这是我一开始就在考虑的问题。硅谷有很多所谓的小圈子，一群人只在自己里面讨论。我想把这件事做得更 open，尤其要吸收年轻人。

互联网时代，一个人经验积累很久，他的话语权会更大。机器人不完全一样。很多年轻研究者正在新工作里扮演关键角色。我们挑选分享者的标准是他有没有 hot take：这项工作是否足够新，是否有 insight，或者是否引起了重要争论。

一个人可以只是刚毕业，也可以只是实习生。我们请他，不是因为他是资深教授，而是因为他做了一项对行业有 impact 的工作。

**42 号电波：**但「hot take」也容易变成追逐新概念。你们如何判断一个新方向值得讨论？

**朱俊帆：**现在的问题是，很多路线还无法被证明或证伪。

例如我们第五期与第六期的分享者，做的东西非常不同，甚至可以说技术路线大相径庭。他们各自都会对对方有问题。我们做的是先让一方讲 keynote，再让另一群人向他提问。这些方法可能都已经 scale 出一些能力，但我们还不能因此宣布谁是最终赢家。

只要这项工作本身重要，而且其中存在可以展开的分歧，就值得拿出来讨论。不是读书会替大家选出答案。

**42 号电波：**你把自己定义为一个活动组织者，还是研究者？

**朱俊帆：**两者都是。我一直在做独立研究，方向是物理世界里 AI 系统的评测，写论文、做审稿；读书会是我现在投入时间最多的事。

机器人是一门很难全栈掌握的学科。我更多从算法和 world-action model 角度看问题，但硬件、仿真、触觉、电机同样是机器人的重要组成部分。其中很多方向并不是我的专长。

所以我既是「校长」，也是「学生」。每个人都有自己的知识盲区，想成为一个全栈的机器人学家太难了。

**42 号电波：**三年以后，Saturday Robotics 会仍然是一个社区，还是会变成某种行业基础设施？

**朱俊帆：**我希望它能在机器人的不同领域都做出一些贡献。

科研方面，我们已经在与一些社群成员合作做 research，也有研究者在准备新的 benchmark。产业方面，我们想从理论性较强的读书会往 deployment 走。比如办硬件黑客松，让硬件公司、数据公司和研究者一起做出东西，而不是只讲论文。

再往后，它也可能变成一个 Venture Studio，成为创业者、VC、数据、算力和硬件之间的桥梁，帮湾区的早期机器人团队把研究更快地变成真正落地的产品。但现在我不想把形态定死。我们会先做一次尝试，收集 feedback，再迭代。

中国不只有硬件，美国也不只有模型

**42 号电波：**你一直强调 Saturday Robotics 是连接中美机器人生态的桥梁。这两个生态真正互补的地方在哪里？

**朱俊帆：**中国公司在硬件、供应链和产业链上确实有非常大的优势，很多美国公司需要与中国公司合作，或者到深圳找供应链和人才。

但中国绝不是只有硬件。从 NeurIPS 等顶会的作者构成中，可以看到中国大陆、香港高校和中国公司有很强的研究力量。我在北京做 WRC 活动时，也能感受到很多研究者的观点非常前沿。

湾区特别的地方，是它有很多规模很小、但在一个 niche 上很强的公司。这些 founder 有各自的 insight，又与 Google DeepMind、英伟达、OpenAI、亚马逊等大公司的研究者处在同一个生态里。我们想做的，是让硅谷成为全球机器人研究者交流的中心：来自中国的研究者和工程师带来硬件、供应链和产业一线的经验，湾区的团队带来前沿的模型和算法，大家在同一个房间里比较什么真正 work。

**42 号电波：**你第一次尝试把两边直接接起来，是 WRC 期间在北京办的那场活动？

**朱俊帆：**对。那次我们邀请了一些北美业界和学界的研究者远程加入。问题是，要同时照顾北京和加州的时区，活动只能放在「两国都很困」的时刻。

我在旧金山早上 6 点起床，有些 speaker 7 点刚上线；北京那边从晚上 10 点一直讨论到凌晨，听说有人待到 1 点。大家白天已经逛了一天展，还愿意留下来听讨论，我很感动。跨国社区并不是把两边的名字放在一张海报上，最先遇到的往往是这种非常具体的时间和组织成本。

图片展示的是2026世界机器人大会现场。画面中人群密集，大家穿着各式服装，有的背着包，有的手持资料，似乎在交流或参观。背景中有蓝色横幅，上面印有“2026世界机器人大会”及英文“WORLD ROBOT CONFERENCE”字样，还有“WORLD PARTY”标识。该图片与上文提到的朱俊帆在北京WRC和匹兹堡IROS做活动相呼应，直观呈现了机器人大会的热闹场景。

**42 号电波：**你在北京 WRC 和匹兹堡 IROS 都做过活动。对比中美两边，最明显的差异是什么？

**朱俊帆：**我不想简单地归纳成「中国硬件、美国软件」。

这次 IROS 有很多来自苏州、北京、上海和深圳的中国公司。有些公司很低调，但已经很有实力。CES、CVPR、IROS 都能看到越来越多中国公司。它们不只展示供应链，也在展示自己的研究和创新能力。

美国硬件生态相对欠缺一些，但有很强的学术、基模和创业生态。两边不是一方向另一方输出能力，而是各自有比较优势。

**42 号电波：**但「连接中美」很容易停留在活动和社交。你希望产生什么可见的结果？

**朱俊帆：**我们已经看到一些成员之间形成了合作，有学术合作，也有湾区的创业团队在这里找到了客户、投资人，以及数据、硬件和算力上的合作伙伴。

我们在旧金山有一个相对稳定的社区，也在北京、丹佛、匹兹堡做过尝试，下一场研究之夜会在 CoRL 2026 期间的奥斯汀。未来可以去西雅图、波士顿，以及伦敦、慕尼黑、苏黎世这些研究重镇。

现在核心团队还很精简：我负责选题、邀请讲者和主持讨论，联合主办方和志愿者一起执行。要真正变成一个世界范围的网络，需要更多人手，也需要更稳定的组织方式。

GPT-6 Astra 提高了仿真的权重，但没有消灭现实世界

**42 号电波：**这次 IROS 最值得关注的技术议题是什么？

**朱俊帆：**GPT-6 Astra 带来了很多新的想法。其中一个是 real-to-sim-to-real 可能会变得更重要。

它在 computer use 和 Blender 这类 3D 工作上表现得很强。过去构建 3D 资产、写场景和做仿真，需要大量人工。如果这样的 agent 能稳定地把工作拆成更小的 atomic action，自动完成一部分场景搭建和调参，过去需要大量人工的实验就会便宜很多，一些以前不可行的研究也可能变得可行。不过这还需要实际结果来证明。

我以前并没有把 simulation 的权重放得这么高。GPT-6 Astra 发布以后，我会更重视这条路线。但现在仍然有两派观点：一派认为它会真正改变机器人研究，另一派认为它只是激起了一点水花。我还在观察。

**42 号电波：**除了仿真，这次你还重点提到了 in-context learning。为什么它在这个时点变得重要？

**朱俊帆：**Skild AI 和 Generalist 的 GEN-1.5 都在强调 in-context learning。它的理想状态是，不再为每一个新任务做一轮完整训练，而是给机器人一个或少量几个示例，它就能在 context 里学会新任务。

但这也是一个有争议的 topic。有人认为 in-context learning 是机器人基础模型必须获得的能力；也有人认为，真正的 foundation model 应该直接追求 zero-shot，不应把现场示例当成必需条件。我觉得还需要更多研究和部署结果，才能知道它究竟是通往泛化的路，还是另一种现场适配方法。

**42 号电波：**你之前说机器人还需要一个类似 ImageNet 的 benchmark moment。Astra 出现后，你又弱化了这个判断。是它改变了你的想法吗？

**朱俊帆：**这是两个 topic。我这次加了一些 GPT-6 Astra 的内容，之前关于 benchmark 的表达被淡化了，但我仍然认为 benchmark 很重要。只是现在非常难做。

语言模型能从互联网获得大量训练数据，评估方式也相对简单。机器人涉及接触、力和非常高的自由度。比如拆开一块幸运饼干，视频里两次动作看起来几乎一样，施力稍微多一点，饼干就碎了。这种差异很难靠常规视频和单一分数捕捉。

**42 号电波：**所以机器人不会出现一个统一 benchmark？

**朱俊帆：**我认为会出现很多 benchmark，而且这是必要的，但不太可能由一家公司做一个 benchmark，就 rule for all。在自动驾驶上，我和同一个研究团队合著的两项工作也是这个思路：今年被 Scientific Data 接收的 IEDD，把交互密集的驾驶场景整理成一个带分层评测基准的数据集；后续的预印本 SSP，把同一个安全攸关事件（比如加塞、横穿）分别在合成数据、仿真和物理世界里构造出对应的版本，看驾驶模型在三种条件下的表现是否一致。结果挑战了一个常见假设：模型在物理域的表现并不必然更好。两项工作里，我负责的是评测设计。

不同 benchmark 会关注不同问题：有的关注 safety，有的关注 dexterity，有的关注长程任务。现实世界还有很多难以定义的 context。一只猫跳到机器人身上，机器人应该把它拿下来，还是继续让它待着？一个婴儿向水杯伸手，他是想喝水，还是想拿杯子玩？

一个机器人在 A benchmark 排第一，在 B benchmark 排第三，不能只看分数比较。即使都被记为失败，完全做错与已经非常接近成功，意义也不同。机器人的 benchmark moment 还没有到来。

这张图片呈现了一场关于具身AI技术探讨的分享场景，一位佩戴参会胸牌的男性正在手持麦克风发言，他身旁的投影屏幕上显示着标题为“What's Next for Embodied AI？”的内容，下方列出三点核心观点：高质量无规则机器人数据采集比模仿更重要、强化学习（RL）比DAgger更重要、零样本能力比ICL更重要，这些内容与上下文探讨机器人技术路线、benchmark相关的话题呼应，聚焦具身AI发展的关键方向。

破壳机器人创始人许华哲在 Saturday robotics 活动现场演讲

**42 号电波：**如果通用模型已经能够提供越来越强的感知、推理和仿真能力，机器人公司还应该把价值放在哪里？

**朱俊帆：**真正有价值的公司和产品，最终一定要服务于人。它可以进入家庭做家务，照顾老人；也可以进入工厂，提高生产力、释放劳动力。

但真正进入生活，reliability 非常难。Demo 里可以把衣服或毛巾叠得很好，真正进家以后，不能三天两头打碎一个杯子。成功率每多一个 9，需要的工作都可能成倍增长。这也是我自己最想推进的方向：在机器人真正进入家庭和工厂之前，用更好的评测方法提前找出它会在哪里失败。具体来说，就是做能区分「差一点成功」和「完全失败」的测试，检验在仿真里有效的模型到了真实世界是否依然有效，并把失败数据变成测试用例，而不是直接丢掉。我希望这些方法是开放的，让高校实验室和创业公司都能用，而不只是最大的几家公司。

我觉得 deployment 本身会是一种护城河。尤其是家庭，公司需要真正进入家庭，才能形成数据和产品迭代的飞轮，但一开始又必须先有足够好的可靠性。这是一个鸡生蛋、蛋生鸡的问题。

**42 号电波：**这是不是意味着，真正有价值的公司会更靠近接触、触觉、灵巧操作和最终执行？

**朱俊帆：**触觉是一个被低估的方向。很多 omni model 已经处理视觉、语言等模态，但还没有真正把触觉纳入一个可以 scale 的体系。大家可能都在等第一个吃螃蟹的人。

另一个方向是 agentic robotics。GPT-6 Astra 强化了大家对 code-as-policy 的关注。但 agentic 能力是否也能放到 dexterity 上？它能否像调用工具一样，通过 language prompting 学会过去没见过的灵巧任务？现在这方面的工作还比较少。

最后一段 deployment gap 可能还需要 RL 和 fine-tuning。现在一些公司直接丢掉失败数据，我认为这是很大的浪费。怎样把 suboptimal policy 和失败数据变废为宝，既是业界问题，也是学界问题。

**42 号电波：**那么 GPT-6 Astra 更适合做机器人的「大脑」，还是一个负责调度和评价的「主管」？

**朱俊帆：**这个问题可以转化为：未来是大模型公司接管机器人，还是机器人公司发展出自己的 backbone？

昨天晚上不同研究者也在讨论这件事。机器人公司当然更希望自己接管整个系统，大模型只是辅助。但我现在还在观察。

我办读书会，有点像当一个「美食家」：不同的研究、观点和派系，我都来品尝一遍，希望能形成一张整体的 landscape。另一方面，这也帮我判断 Saturday Robotics 和我自己的研究，接下来该押注哪条路线。

现在新技术出现，会让我 swing，也会让我重新调整对原有观点的权重。Vision 与 language model 还处在一种并行互动、左脚踩右脚向上走的状态。我还不知道最后谁会接管谁。

**42 号电波：**如果 agent 能自己搭建仿真环境、生成训练数据，再由 AI 评价这些结果，会不会形成一个错误的闭环？系统自己产生错误，又自己把它强化了。

**朱俊帆：**这是一个非常重要的问题，我也不确定答案。

现在一些公司非常重视 simulation，通过仿真和自己的 evaluation pipeline 挑选数据。有的团队称几乎不使用遥操数据，也展示了搬箱子、按电梯按钮等能力。所以这条路线有一些可观察的结果支持，并不只是设想。

但关键是 diversity。如果系统只用自己生成的 simulation 左脚踩右脚循环迭代，完全可能 garbage in, garbage out，数据多样性还会不断下降。

例如我把一个便签本扔到对面的椅子上，它弹回来砸到我的头；或者机器人用肘关节顶开咖啡店的门，门因为有回弹力又撞了回来。这些事不常见，但在真实世界中完全可能发生。纯粹靠仿真很难找到这些 out-of-distribution 数据。

特定、窄小的任务，比如 pick and place 或工厂里重复的操作，可能可以主要靠 simulation 做到很熟练。如果想走向更通用的机器人，我不确定仿真本身能不能提供足够的多样性。系统还需要一种能力：面对没见过的场景，能够快速学习，而不是预先把世界上所有数据都包含进去。

论文还没发表，研究问题可能已经变了

**42 号电波：**GPT-6 Astra 这类通用能力出现后，会不会让 IROS 上一部分原本有价值的机器人论文，突然失去意义？

**朱俊帆：**会。这个时代变化太快，几年前 bet 的一件事，很可能被新技术降维打击。一个人用很长时间钻研的课题，甚至作为职业生涯的一部分，可能很快被改变。

我不是特指 GPT-6 Astra，而是指很多新技术都可能发生这种影响。它们让一部分旧课题失去权重，同时也会催生新问题。总体上它仍然在推动行业往前，但研究者会感到疲惫和眼花缭乱。

你必须不断评估：这项研究在今天的行业中处于什么位置？两年前的观念，放在今天的机器人领域，有时已经像白垩纪或者石器时代的东西。

**42 号电波：**那研究者是不是干脆等两年？等到模型能力更清楚，再决定值得做什么。

**朱俊帆：**有人开玩笑说，现在躺平、去睡觉，过两年像坐时光机一样醒来，可能已经是 GPT-10，过去很多工作都不必做了。

但我还是觉得必须留在浪潮里观察。观察本身很累，也很消耗脑细胞，但如果你不持续看新论文、新模型和新部署，就更难判断这个行业正在往哪里走。

**42 号电波：**这是不是也在削弱传统学术会议的价值？

**朱俊帆：**传统会议和论文仍然很有参考价值，但今天的迭代速度已经快到，一篇论文公开时，它反映的可能是一年前的 idea。

研究者先花半年做出来，再经历投稿、审稿和发表。审稿人自己可能也不理解这个新方向，或者观念仍然停留在两年前。某些非常新的工作，现有的评审机制很难及时认出它的价值：它可能因为与既有想象的 gap 太大而被拒，过一段时间才得到应有的关注。

所以大家会更关注 workshop、X 上的讨论，以及读书会这类快速交流。Workshop 里讲的可能是今天正在发生的事，不是一年前的研究截图。

图片展示了一张幻灯片，内容为“Why not combine generalization capability of general-purpose representation models and control awareness with minimalist annotation at test time”。幻灯片分为两部分，上半部分讨论将通用表示模型的泛化能力和控制意识结合，以及在测试时进行最少注释；下半部分分别介绍了通用奖励模型（劳动密集型注释/仍对未见场景OOD/控制意识）和通用表示模型（可泛化至未见场景/不控制意识）。该图片与上下文讨论的机器人研究中通用模型泛化能力及控制意

UC Berkeley 的 Haoyi Niu 在 Saturday robotics 活动现场演讲

**42 号电波：**学界和产业界之间的分工会因此改变吗？

**朱俊帆：**学界有很多新颖的 idea，但往往缺少工业化 scale-up 所需的资源。

例如学界发现 egocentric human video 对机器人很有用，研究团队只能在有限显卡和数据规模下证明它在这个范围里有效。当数据和算力扩大 1,000 倍、1 万倍，它能不能继续提高，是否存在 scaling law，还要交给工业界验证。

这也是为什么很多年轻研究者会快速进入产业界。在学校里，他可能觉得施展空间不够；到公司以后，他可以调动千卡甚至更多算力，把更宏大的想法真正 scale 起来。

但机器人研究最后还要面对 deployment gap。无论 foundation model 多么 fancy，最后都要进入现实世界，让机器人真正做事。学界和产业界不是谁取代谁，而是必须建立更快的循环。

**42 号电波：**如果通用模型能一次生成几百、几千个仿真变体，数据公司原来的护城河会不会被大幅削弱？

**朱俊帆：**一些传统 3D 资产的价值可能会变化。过去需要人手工设置大量物理参数，例如打开微波炉时，前面需要多大的力，后面门如何自然滑出来。如果 computer agent 能完成人今天所做的建模和调参，我会重新考虑这类资产还值不值得买。

但另一种可能性是，数据需求反而会更大。黄仁勋过去讲过一个放射科医生的比喻：医疗影像技术提高以后，放射科医生没有消失，因为检查变得更便宜、更容易获得，使用它的人反而更多了。

机器人也可能发生类似的事。灵巧手、触觉和不同本体会要求更多维度的数据。生成数据的成本下降后，公司可能不是少买数据，而是使用更多数据。

被重新洗牌的可能不是「数据」这个生意，而是传统靠人工堆积 3D 资产和物理参数的生态位。但这件事现在还没有答案。

**42 号电波：**你做这个读书会，是否也是为了帮自己找到一个答案：哪些事值得当成长期技术路线？

**朱俊帆：**是。我希望有一种「深邃的目光穿透历史的云烟」，看到未来真正重要的路线。这句话说得很高级，但说实话，我现在也是雾里看花。

我能做的，就是尽量把最新的 research、不同派系的观点，以及学界和产业的反馈放在一起看。新技术出现后，我可能会摇摆，会修改自己的判断。这不一定是坏事。一个还没有收敛的行业，过早坚信某一条路线，可能比承认自己正在雾里更危险。