“我看到了 Scaling Law 的信号” | 对谈清华叉院助理教授徐梦迪：具身智能、世界模型、真正的泛化

具身智能的核心在于让机器人具备类似人类的快速学习与自适应能力，而非仅仅依赖预训练。徐梦迪指出，开放世界任务多变，机器人需通过 “上下文学习”（In-context Learning）和世界模型，在部署环境中根据环境反馈、人类演示及修正指令不断自我提升。当前具身智能领域虽处于快速发展期，但仍面临数据闭环构建与安全性挑战。机器人模型需从单纯的动作记忆转向对物理世界规律的理解，通过融合仿真数据、人类数据及机器人本体数据，实现从任务相关到任务无关的通用性突破。尽管目前行业存在泡沫，但随着模型规模化（Scaling）与数据质量的提升，未来三到五年将是具身智能实现范式转变的关键拐点。