本文来自微信公众号： 智源社区 ，作者：智源社区，原文标题：《清华于超专访丨具身智能下一步，走向“模型 + 系统”协同》
许多VLA模型或许能精准地完成每一次抓取，却往往难以流畅地跑通一整段复杂任务。
原因其实并不晦涩：抓取、插入这类精细操作固然是VLA的强项，但寻找目标、移动定位、失败重试等长程逻辑，若全压在同一个端到端模型上“硬扛”，往往力不从心。
清华于超团队提出的Harness VLA，正是为了解决这一痛点——“我们不再把VLA当作一个纯粹的端到端执行器，而是在它外面加了一层Harness Layer，并与code policy agent结合，结果系统自己学会了如何分配任务。”这是一项具有范式转变性的尝试。探索的背后，源于于超对强化学习角色的重新审视：“强化学习在VLA里的核心作用，是产生交互数据，并从中学习物理世界的运行规律(重力、摩擦力、质量等)。”
回顾她的学术生涯，每一个阶段都留下了掷地有声的代表作。硕士期间，她的DS-SLAM成为语义SLAM领域的早期标杆；博士期间，她的MAPPO算法在多智能体强化学习中开创了on-policy流派；博后期间，她的RLinf框架成了英伟达Isaac Lab中唯一由中国团队开发、且唯一面向具身大模型的强化学习引擎。如今，她最新的Harness VLA，则试图为具身智能开辟一条“模型+系统”协同的新路径。
今年，她刚在清华拿到教职，又投身具身智能创业。作为正行创新的联合发起人，她掌舵技术航向，致力于依托真实数据构建高质量的具身基模，并持续深耕Agent Infra建设，探索技术新范式，推动产品在真实场景中实现落地。
而目前行业面临的问题仍然林林总总，仿真与真实的鸿沟如何跨越？具身智能的Scaling Law将通向何处？“模型+系统”的协同范式能否成为通往通用具身智能的有效路径？在这篇深度专访中，于超将围绕这些关键问题，分享她从研究到创业的系统性思考。
采访&编辑：梦佳程赞熊宇轩
要点速览
研究路径与转折点：跨学科的背景给了我两个很实际的好处：一是让我对不同行业有了基本的判断力；二是让我在不同阶段结识了不同领域的人，能够在需要的时候找到合适的合作伙伴。
代表作三部曲：硕士期间完成语义SLAM系统DS-SLAM，博士期间提出MAPPO算法，博后期间构建RLinf框架。
具身智能的范式转变：Harness VLA标志着从追求单一强大模型向“模型+系统”协同的转变；通过在VLA外围增加Harness Layer并与code policy agent结合，使系统自主学会任务分配。
仿真到现实的鸿沟：多智能体强化学习从虚拟走向真实时，稳定、同步、低成本、可重复等基本假设在物理世界中普遍失效，异步性、硬件成本与变量控制成为核心挑战。
强化学习在VLA里的核心作用：“纸上得来终觉浅，绝知此事要躬行。”强化学习在VLA里的核心作用，是产生交互数据，并从中学习物理世界的运行规律(重力、摩擦力、质量等)，只有这样才能把决策做到100%可靠。
具身智能的Scaling Law：坚信具身智能存在其独特的Scaling Law，不仅涉及模型与数据的规模化，更关键的是机器人本体数量的规模化；认为双重规模化可能带来新的泛化能力增长。
未来五年领域发展：具身智能方面，未来五年基模一定会真正具备泛化性。今天，大家的基模过拟合可能更严重一些，但行业内已经看到了这个问题，也都在想办法解决。五年内，更好的基模、更好的数据使用方式，一定会出现。
AI时代的创业：AI时代确实是年轻人的时代，创业是正常的，也是对的。但是对创业要有敬畏心。成功的人确实上新闻、被宣传，但那是凤毛麟角，可能只有1%。更多的是那99%的失败者。
智源专访栏目意在展现行业顶尖技术研究者和创业者的研究经历和故事，记录技术世界的嬗变，激发当代AI从业者的创新思维，启迪认知、关注突破性进展，为行业注入灵感光芒。本次专访为总第39期。
简介：于超，清华大学电子工程系博士，现任清华大学深圳国际研究生院具身决策智能实验室（EDI Lab）助理教授（特聘研究员），并担任清华大学深圳国际研究生院-智元具身认知与决策系统联合研究中心（JCES）主任。同时，她是物理智能创业公司正行创新（Striding AI）的联合发起人，入选中国电子学会青年人才托举工程，其研究长期聚焦于基于强化学习的决策智能。曾以第一作者或通讯作者身份，在ICML、NeurIPS、ICLR、CVPR、ECCV、CoRL、IROS、ICRA、TMLR、RAL等顶级国际会议和期刊上发表论文50余篇，谷歌学术引用超过7,000次。其代表作包括多智能体强化学习算法MAPPO（谷歌学术引用逾4,000次），以及面向具身智能的大规模强化学习训练框架RLinf（GitHub星标累计超过4,000）。
01
从SLAM到决策：一次基于产业判断的学术转型
Q1：在您的学术生涯中，有没有对您影响特别大的人？学术转折点有哪些？
于超：我的经历相对比较干净。本科来自北理工，后来推免到清华机械系。硕士毕业后，我读了普博，进入电子工程系汪玉老师门下，之后又跟吴翼老师做联合培养博士，方向是多智能体强化学习。接着，我又做了两年博后，今年拿到了教职。学术上该有的身份——硕士、博士、博后、教师，我都经历了一遍。
回过头看，我每个阶段都遇到了贵人。硕士导师刘辛军老师录取我到清华，给了我很好的平台，我可以心无旁骛地做研究。博导汪玉老师在博士期间对我的人生节点给予了很多指导，包括研究方向的选择和价值观的塑造，同时也为我提供了更广阔的平台和更丰富的资源，以及他后来作为我的博后导师，在团队管理、对外合作、开展有价值的研究以及方向选择上也给了我很多建议。同时，我非常感谢吴翼老师在我最需要学术指导时提供了很多帮助，并且让我看到了国外前沿科研青年学者的状态，可以说是言传身教。博士毕业时，我的角色从单人作战的博士转向团队管理者，需要指导学生、做独立PI、维持实验室运转，他对我拿到教职后如何与学生打交道也有影响。
我始终感谢生命中的贵人，庆幸在不同阶段都能遇到引领我前行的师长，让我少走了许多弯路。
图注：清华大学具身决策智能实验室官网
Q2：聊到您的跨学科路径转变——本科自动化、硕士机械工程、博士转向电子工程和强化学习。这个过程中，有没有具体的哪些问题，让您意识到机器人的核心瓶颈可能是学习决策？
于超：跨学科的经历让我对机器人有了较深刻的认知。我本科学的是自动化专业，熟悉了自动控制原理，知道如何让机器人稳定地执行准确动作。在硕士阶段，我在机械工程的实验室接触到机器人的物理本体。当时，实验室做的是并联机构学，我系统学习了动力学、执行边界和稳定性方面的知识。也是在这个时间点上，我开始做SLAM。当时师兄们搭了很多机器人本体，但智能层面基本缺失，我的工作就是给这些机器人加上感知和决策能力，比如定位导航、图像识别等。所以从那时起，我实际上已经在接触“智能”这件事了。
硕士毕业时，我选择继续研究强化学习和决策方向，并不是因为我当时就意识到机器人的核心瓶颈，而是觉得SLAM已经相对成熟了。2019年，各家扫地机器人已经在市面上普及，SLAM技术基本完成了产业落地，作为博士课题空间不大，所以我转向了强化学习。当时汪老师给我定的课题是协同智能，出发点很简单：单体智能已经到了瓶颈期，接下来应该发展多体智能。多体智能无非两个方向，一是多传感融合，靠多个机器人协同提升感知能力；二是多体决策，研究机器人之间的博弈和合作。我当时判断，多传感器融合已经有很多人在做。我起步晚，很难做出差异化；而决策方向上，整个行业都还处于摸索阶段，待解决问题多，更适合作为博士研究的主攻方向。现在回过头看，每个阶段都在塑造我对机器人领域的认知，但当时只觉得是阴差阳错，也就一路走了下来。
现在想想，我可能注定要做具身智能这个方向。这个领域很庞大，覆盖机械、自动化、计算机视觉、强化学习、决策等等，是一个多元、综合的领域。想要在这个领域做出真正好的工作，有时是需要交叉学科的。而跨学科的背景给了我两个很实际的好处：一是，让我对不同行业有了基本的判断力；二是，我在不同阶段结识了不同领域的人，能够在需要的时候找到合适的合作伙伴。
当时年轻，觉得自己走了一些弯路，比如读普博花了七年，而直博只要五年。但最近越来越觉得，人生没有白走的路，每一步都算数。
02
代表作三部曲：DS-SLAM、MAPPO与RLinf
Q3：您能介绍一下过往的代表作吗？
于超：这个问题也可以按照人生阶段来梳理。硕士期间，我做了一个语义SLAM系统DS-SLAM。这个工作是领域内比较早地把深度学习和SLAM系统结合起来的尝试，同时也是比较早地利用语义信息来处理动态场景的方案。DS-SLAM的文章发表在IROS 2018上，当年是会议里讨论热度第二的文章，我自己也没有预料到业内会这么认可它。到今天，那篇文章的谷歌学术引用大概在1300到1500次之间，在SLAM领域里算是小有名气的工作了。后来它也成了很多方法的对比基线，不少后续研究都是基于它做的改进。这是我硕士阶段的一个代表作。
到了博士阶段，代表性工作是MAPPO，一个多智能体强化学习算法。我觉得它最大的贡献是建立了多智能体强化学习的一个新流派，我们称之为on-policy流派。在此之前，大家主要探索的是off-policy算法。MAPPO的出现相当于开启了一条新的路线。MAPPO是2022年发表在NeurIPS上的，现在谷歌学术引用接近4000次，在多智能体强化学习领域算是近几年引用最高的论文之一。
博士后阶段，我做了一个具身智能领域相对比较熟悉的框架，叫RLinf。这个名字有两层含义：RL代表强化学习，Inf代表Infrastructure，同时Inf也是Infinite的前三个字母，象征无限的智能。RLinf是在2025年9月1日发布v0.1，到现在迭代到了v0.3，已经有十个月左右的时间。目前GitHub上star数4.3k，fork数6k多。一般来说，fork乘10大约等于star数，我们仓库的fork明显高于这个比例，说明很多人确实在用，可能只是没给我们star。RLinf在面向具身智能的强化学习基础设施层面，国内外都比较领先。它已经被英伟达的Isaac Lab仓库收录，该仓库共收录了四个强化学习引擎，我们是其中唯一由中国团队开发、同时也是唯一面向具身大模型的，其他几个都是国外开发、面向小模型的方案。
图注：Rlinf官网
另外，我们还和英伟达团队开展了合作。基于RLinf训出来的成果在今年的英伟达GTC上做了展出。RLinf也入选了PyTorch Ecosystem。PyTorch Ecosystem对框架的审核相当严格，对代码合规性、开源维护、社区治理都有很高要求，而RLinf全票通过，这至少说明其在代码质量层面获得了认可。同时在工业场景里，RLinf也有一些合作，比如智元机器人就在和我们合作，他们内部有一个RLinf的定制版本用来做场景落地。前段时间我去悉尼开RSS会议，和国内外的用户交流，发现大家确实已经把RLinf用起来了。从这个角度看，我认为它可以称之为一个代表作。另外，RLinf相关的工作也中了OSDI（计算机系统领域的顶会）。早年OSDI每两年才开一次，每年只收四五十篇，今年扩到一百篇，我们团队中了两篇。同时我们也中了机器人领域的RSS两篇。所以RLinf既有工业价值，也有科研层面的认可，算是“上书架、上货架”各完成了一半。
Q4：说到MAPPO，最引人注意的结论是“经过正确实现和调参的PPO”，您认为主要价值是提出算法，还是揭示复杂方法未必优于可靠基线？
于超：我觉得这个问题可以从两个层面来谈。第一个层面是工作本身的价值。通过这项工作，我们证明了一个正确实现、经过充分调参、训练得当的算法，在多智能体任务中具有很强的竞争力。而在我们之前，领域里普遍的做法是设计各种复杂的算法，调参也非常不稳定，即使这样也未必比我们做得好。所以这项工作的直接贡献，就是提供了一套相对可靠、可复现的多智能体强化学习基线。
第二个层面，我觉得这项工作对强化学习领域的研究方法也有一定的启示。一个朴素的道理是：大道至简。自古以来真正留在研究历史上的工作，往往不是那些非常复杂的设计，反而是那些符合人类直觉的简单方法。最近我在Kimi的技术报告访谈里看到杨植麟也有类似的表达：算法的复杂度并不天然等于性能的提升。同时，任何新方法都必须和充分优化后的基线进行公开比较。说实话，过去那个领域确实有些乱象，大家的对比未必公平，到今天，很多方向或多或少都存在类似的现象。
当时，我们那篇文章其实中稿的过程很曲折，大家会觉得这只是一个纯工程的工作。但今天回头看，大语言模型领域的核心恰恰就是工程。这个领域真正的创新，现在看起来并不像想象中那么多，反而是一些实现细节、训练的稳定性、数值的稳定性、评测的公平性，这些本身就是当下最关键的科研问题。这种科研范式的启示，其实在我们那个时代就已经出现了。
Q5：说到RLinf研究，它把强化学习的瓶颈从单纯的算法问题，扩展到了异构计算、训练调度和系统效率问题。具身智能是否也存在类似大模型的Scaling Law？如果存在，真正应该被规模化的是算力、仿真交互、真实数据、任务多样性，还是机器人数量？
于超：这个问题确实很好。首先，具身智能领域肯定存在Scaling Law。当下的具身智能领域本身就是依托深度学习这个大领域发展起来的，也属于人工智能下的一个子领域，所以我相信它有自己的Scaling Law。同时我也认为，具身智能会有一个区别于数字世界的Scaling Law，这个特殊性就在于机器人本体本身。
“数据越多、模型越大、性能越好”，这件事情在数字空间已经被充分验证了。到了具身智能，我们相信它同样成立，只是今天还有两个问题没有解决：数据从哪里来，以及什么样的模型架构能更好地吸收这些数据。即使大家目前对VLA架构还没有完全达成共识，但我们看到loss在持续下降，这本身就已经验证了Scaling Law的存在。
我还想提另一个维度。当机器人被规模化之后，它可能会带来更多样性的优势，这时可能会衍生出新的Scaling Law。这也是我们团队目前在探索的方向：在真实世界里把机器人规模化。为此，我们搭建了一套Infra来支撑真实世界里的大规模在线交互。我们在探索的是，当模型规模化的同时，机器人的数量也被规模化，这种双重规模化是否会让泛化能力进一步增长。我认为这可以算是具身智能领域自己独特的一条Scaling Law：数字空间里没有本体，只有模型变大、数据变多；而具身智能除了这两点，还有一个规模化维度，也就是机器人本体本身的数量。
03
具身智能研究范式转变——Harness VLA
Q6：Harness VLA的核心思想是什么？
于超：在我看来，Harness VLA代表着具身智能研究范式的一次重要转变。这里需要先澄清一点：我所说的VLA是广义上的具身操作模型：输入vision和language，输出action。今天，很多工作里提到的VLA是狭义的，特指以VLM为backbone的一类模型。但我在这里讨论的，是广义的VLA。
视频来源：于超团队
这个范式转变的核心，是从过去单纯追求一个更强的端到端执行模型，走向“模型+系统”能力协同的方案。可以类比一下数字空间里的coding agent。今天我们有很强的基模，比如GPT，但真正构成一个coding agent的，不只是模型本身——模型只是内核，外围还有一层Harness Layer，负责能力编排、上下文管理、工具调用等等。我们发现，具身智能领域也存在类似的规律。
在Harness VLA的工作里，我们不再把VLA当作一个纯粹的端到端执行器，而是在它外面加了一层Harness Layer，并与code policy agent结合，结果它的泛化性得到了显著提升。而且这种分工不是我们定义的，系统自己学会了如何分配任务：VLA更倾向于处理那些局部接触丰富、需要精细操作的任务；而对于长距离移动这类任务，系统则倾向于用解析类动作原语去执行。这套组合方案在LIBERO-Pro上跑出了80%以上的成功率，是目前已知的最高分，而且是以zero-shot的方式实现的。所以我个人对“代表作”的判断标准是，要么它解决了一个领域的核心问题，要么它引领了新的研究范式。我希望Harness VLA能成为后者。
04
虚拟到真实，多智能体强化学习如何进入物理世界？
Q7：说到多智能体强化学习进入真实世界这个问题，从星际争霸、足球、狼人杀等虚拟环境，到无人机编队、机器狗足球和多机器人协作，真实系统会增加通信延迟、硬件差异、磨损、碰撞风险以及人工介入。您认为传统多智能体强化学习的哪项基本假设，在真实世界中最先失效？
于超：这个问题不一定是多智能体特有的，单智能体强化学习也面临类似的困境。本质上，这是仿真世界与真实世界之间的基本假设失效问题。
在仿真环境里，我们默认智能体与环境之间的交互是稳定、同步、低成本且可重复的。然而，真实世界中天然存在不平稳性。到了多智能体场景下，这个问题更棘手，智能体之间天然就是异步的，现实中你不可能让两个机器人精确地同时完成同一个动作，但仿真环境下确实可以通过控制实现某种程度的同步，而这种事情在真实世界本就不应该存在。
另外，仿真世界的成本更低。仿真里机器人撞坏桌子，重启就行；真实世界里假如机器人损坏了，维修的时间和经济成本都很高。
再有就是环境的可重复性。在仿真世界中，我可以随时将环境重置到完全相同的状态；真实世界里，严格意义上不存在“完全相同”这件事。即便是两张看上去一样的桌子，它们的摩擦系数、表面光反射都有差异。完完全全一致在真实世界几乎不可能做到，低成本的可复制性也很难实现。
所以不论单智能体还是多智能体，仿真强化学习与真机强化学习之间，大量基本假设在真实环境中都面临失效。
Q8：说到世界模型，World4RL尝试在冻结的世界模型中优化策略，而WoVR进一步正视幻觉和长时误差累积，并引入世界模型与策略的共同演化。这似乎说明：世界模型不需要完美，但必须以一种“对策略可靠”的方式犯错。您会如何定义“足够好的世界模型”？
于超：世界模型的不同用途，决定了我们评价它的标准。最近我们团队也在思考这个问题：评价一个世界模型是否足够好，得先搞清楚它要用来做什么。在我的概念里，世界模型有三个主要用途。
图注：WoVR简介图
第一个用途是作为模拟器（simulator）。强化学习需要与环境大量交互，过去这种交互主要在仿真环境里进行。有人会说，仿真和真实的gap永远弥合不了，所以干脆把训练搬到真实世界去做真机强化学习。但真机成本太高，于是有了另一条路：用神经网络把真实世界建模成一个世界模型，让强化学习在里面做交互。作为仿真器，这个世界模型需要满足两点：第一，图像要足够真实，否则policy的输入就是错的；第二，要同时给出observation和reward。也就是说，你得用神经网络同时替代真实世界的感知和反馈。此外，作为simulator还要求能够长时间仿真：仿真1000步、1万步甚至更长，仍然符合物理规律，图像也仍然可信。问题在于，当前世界模型的物理规律可能与真实世界不一致，图像也可能存在mismatch，而且它不可靠，会产生幻觉，长时间仿真后图像会逐渐模糊，甚至变成类似马赛克的状态。这些都是世界模型当前做得还不够好的地方。
第二个用途是做评估（evaluation）。大家通常认为真机评估最好，因为没有gap。但我们最近发现未必如此。真机评估存在一个根本问题：你无法控制变量。假设你只有一台机器人，开机一分钟时测模型A，测了一段时间记录成功率为50%，然后切换到模型B：这时候机器人已经不是同一个状态了，电机有了磨损，表面温度也变了。我们确实观察到同一个模型、同一台机器人，早晨、中午、晚上测出来的结果不一样，饭前饭后不一样，窗边和远离窗边也不一样。甚至，机器人在测试中可能直接坏掉，送修回来之后已经不是原来那台了，螺丝的松紧都会影响结果。并行测试也有问题，两台机器人之间的一致性同样无法保证。所以真机评估不仅耗时，还不能控制变量。我现在对真机评估持相当怀疑的态度，也许应该探索替代方案，而世界模型就是其中一种。作为评估工具，我们对世界模型的要求和对它作为仿真器的要求类似：图像要足够真实，物理属性要足够真实，但它可以在可控变量下快速完成测试。
第三个用途是作为预测器（predictor），也就是world action model，用来预测未来、辅助决策。这个场景下的要求和前两个完全不同。它不需要在视觉细节上完美，不需要还原整张图像，只需要让策略的学习和决策足够可靠。在隐空间里学习，把状态转换方程学对就可以，不一定要在视觉层面做到完美。说到底，世界模型怎样才算足够好，是一个很开放的课题：答案完全取决于你希望它服务于什么目的。
Q9：当前具身智能大致存在模仿学习、VLA、世界模型和强化学习等不同路线。您认为它们是相互竞争的技术范式，还是一个完整训练流程中的不同阶段？如果把未来机器人模型拆成感知、规划、动力学理解、动作生成和反馈学习，强化学习承担的不可替代角色究竟是什么？
于超：刚才提到了很多概念，大家经常把模型和算法混在一起，把它们说成是不同的技术路线。但实际上，它们在层次上至少应该分成两层：模型层和算法层。强化学习、模仿学习、监督学习，这些都是算法。VLA、世界模型，这些都在模型层。所以它们本身并不是竞争关系，也不是替代关系。算法的任务是训练模型，通过调整参数来提升模型的能力，而参数怎么调，取决于你用的是哪种算法。
在这个框架下，强化学习是一个算法。它通常是先用模仿学习把模型的成功率拉到某个阈值，然后再用强化学习做后训练。所以强化学习的作用基本是在后训练阶段，它和VLA、世界模型不是竞争关系，相反，它是对这些模型的一个不可或缺的补充。
当然，到了今天，大家对强化学习已经比较熟悉了。2025年初的时候，这个领域关注的人还没那么多，反倒是大模型领域火起来之后（尤其是从DeepSeek R1出来后）强化学习开始变得无处不在。但我想强调的是，强化学习在VLA时代和在大语言模型时代的作用是不一样的。今天，我们将强化学习用来训练语言模型或coding agent，主要是为了解决推理能力、长上下文处理这类问题。而在具身智能领域，推理反而更少，也不需要那么长的文本。
图注：Harness VLA简介图
我经常用一句诗来表达这个区别：“纸上得来终觉浅，绝知此事要躬行。”在具身场景里，学习必须来自在线交互的数据。你得摸了杯子、抬了杯子，才能知道里面装了多少水、重量大概是多少、该用多少力去抓。只有交互数据才能提供这类信息。所以，强化学习在VLA里的核心作用，就是产生交互数据，并从中学习物理世界的运行规律(重力、摩擦力、质量等)，只有这样才能把决策做到100%可靠。单靠模仿学习很难达到这个程度：如果你的杯子里原本有水，后来水被倒掉了，模仿学习还是会用同样的力去抓，因为它不知道水已经没了，无法适应这种变化。
05
从实验室到正行创新：探索学术逻辑与产业闭环的边界
Q10：今年从博后转助理教授，又成为正行创新联合发起人，什么让您觉得现在必须进入产业一线？
于超：从大的趋势来看，我觉得有几个点值得讲。
第一，具身智能领域的科研技术条件正在发生变化。大家可以看到，整个行业都在向大模型方向倾斜，具身智能领域的大部分人也认同“模型变大之后泛化能力会更强”这个判断。但基模这类工作，实验室条件已经很难支撑了，需要依托产业或资本市场才能继续推进。
第二，具身智能本身涉及大量硬件问题，而实验室的同学在解决硬件方面并不专业。专业的事需要专业的人来做。实验室团队规模有限，我们的优势在算法，一旦遇到硬件瓶颈，单靠实验室很难解决。这时候需要更大的团队来支持方向上的持续探索。所以说，实验室层面的资源已经不太能满足科研继续往下走的需求了。
第三是数据。高校在数据获取上有天然劣势，这也是为什么今天产业界往往能比学术界做得更好：因为它们有真实场景的数据。算力、数据、硬件，这些关键资源都不在学术界手里；学术界能提供的，主要是智力和算法。但要让智力和算法真正发挥作用，就需要去找一个能提供这些基础资源的地方。从今天来看，那个地方就是产业界。
Q11：创业初期遇到什么挑战？
于超：我始终认为，学术和产业有着相对独立的运行逻辑，两者之间应该有边界，同时形成互补。但这个互补的界面到底在哪里？如何让不同背景、不同专长的成员围绕共同目标协作？
技术上遇到的困难，我倒觉得都不是真正的问题。技术本来就是科研路上要解的题，如果它不存在了，科研也就没有存在的必要了。所以创业初期真正的困难，是如何找到科研创新与产业落地之间最有效的结合方式。过去，无论是读博、做博后，还是带领实验室团队，我更熟悉学术研究的组织方式。现在我们有了更大的资源，如何用好它，这是一个全新的挑战，也是一个全新的学习过程。
Q12：根据公开报道，正行创新已完成近亿美元天使轮系列融资，提出“真实数据—世界动作模型—Agent Loop”的路线，并计划推进百万小时级真实数据积累。在这些目标中，目前哪些已经完成可重复验证，哪些仍处于方向性判断或工程建设阶段？
于超：落地方面，我们学术团队在具身强化学习的后训练阶段经验相对丰富。在业内已有的基模基础上，部分结构化场景，比如工业级场景，模型落地已经相对成熟。正行目前已经和重要的伙伴建立了战略合作，这些主要基于团队前期的技术积累，相对确定。方向性预判方面，团队主要在探索两个方向：一个是隐世界模型的预训练。不管是正行还是其他公司，模型预训练今年都是大热话题，但具体怎么做、有哪些有效的know-how，行业内还没有形成共识，我们也还在判断。第二个方向是Agentic Infra在具身上的应用，也就是Harness VLA那项工作。目前这个领域还是空白，但我们已经看到了一些泛化能力的潜力，希望能把这个方向持续做下去，看看有没有机会形成数据飞轮、开启新范式——这个目前也还在预研阶段。
Q13：落地方面，公司的第一个商业落脚点会是什么具体任务？为什么这个任务适合新一代具身智能，而不是传统机械臂、自动化设备或遥操作方案？
于超：正行目前强调的是先进入零售和工业级场景。通过先进入真实场景形成早期的数据飞轮，再逐步扩大落地的scope，最后获得通用能力。
06
下一站：未来五年，具身智能基模会真正具备泛化性
Q14：站在当下这个时间点，往后看五年，你认为强化学习和具身智能领域会发生怎样的变化？对于你个人和实验室，以及正行创新，你分别有怎样的期待和规划？
于超：目前强化学习在数字空间已经发挥了该有的作用。往后五年，我非常期待它能真正在物理世界的具身领域发挥更大作用。今天，大家看到了一些进展，但还没有那种让整个行业惊讶的破圈时刻。我本身是做强化学习的，我会把强化学习和具身智能分开来看：具身智能是一个庞大的领域，强化学习是其中一个工具，强化学习本身还有很多值得研究的问题。
具身智能方面，未来五年基模一定会真正具备泛化性。今天，大家的基模过拟合可能更严重一些，但行业内已经看到了这个问题，也都在想办法解决。五年内，更好的基模、更好的数据使用方式，一定会出现。
实验室方面，我希望它能成为一个多元化的团队。如果我们要做面向物理世界的通用具身智能，单靠强化学习或决策这一个方向是有局限的，我们发现很多问题不是强化学习能解决的。所以现在实验室里已经有了做Infra的人、做算法的人、做机器人本体的人、做应用的人。大家多元化地向前走、互相讨论，才可能产生真正的创新。如果只局限于一个方向，scope会越来越小，创新的力度也会越来越小。
在正行，我作为首席科学家，主要负责技术部分。技术上，我希望正行能够依托收集到的数据，做出一个好的基模。同时，我也希望正行能把具身智能的Agent Infra做下去，探索新的范式，并在场景中有实际落地。
Q15：当下AI赛道热度很高，不少年轻人下场创业，但也存在鲁莽跟风的情况。结合您自身的经历，对于想要走入创业赛道的年轻人，您有哪些建议？
于超：第一，AI时代确实是年轻人的时代，创业是正常的，也是对的。但大家确实需要谨慎——每个人的性格不同、擅长的东西不同，更重要的是要合作。我举个例子，我之前和导师汪老师聊过创业的可能性，他直接告诉我，你更适合当科学家。创业要有敬畏心，它除了技术本身，更多是人的管理、商业判断，所以一个创业团队应该能够更好地“搭班子”。大家都有创业的想法，想做一番事业，这很好，但要多想一下自己擅长什么、不擅长什么，找到志同道合的伙伴，组成互补的团队，路才能走得更远。第二，对创业要有敬畏心。成功的人确实上新闻、被宣传，但那是凤毛麟角，可能只有1%。更多的是那99%的失败者。要做好失败的准备，如果能接受失败，就去创业；如果很难接受，就不大适合去。