高阳

一、一个像机器人的人

来源：晚点聊 LateTalk 第112期 / 2024年12月

高阳在媒体上有一个流传很广的描述：「一个像机器人的人」。

他每天7:30开机，骑轣31到33分钟去实验室，每周固定时间运动，不熟夸，所有事情都按照「COT」（Chain of Thought，链式推理）一步步拆解。他自认是ISTJ（物流师型），面对问题的第一反应永远是拆分、分析、执行：

「所有事情都可以按照COT一步步解决，不管是生活、科研还是创业。」

这种像机器人一样的确定性，和他的研究方向产生了一种奇特的呼应：他研究的核心问题，恰恰是如何让机器人变得不像机器人——更泛化，更自适应，更像人。

高阳本科就读于清华大学姚班，毕业后赴UC Berkeley读博，导师是计算机视觉权威Trevor Darrell。期间还在Intel Research与Vladlen Koltun合作研究端到端自动驾驶，并在Waymo做过摄像头感知实习。博士毕业后在伯克利做博士后，合作者是强化学习领域最具影响力的两位学者：Pieter Abbeel和Sergey Levine。

2020年，他作为「伯克利归国四子」之一回到清华IIIS，另外三位是吴翄、徐化哲和陈建宇，四人在清华IIIS形成了一个密度极高的具身智能研究群落。

二、EfficientZero：用2小时超越人类玩游戏

来源：NeurIPS 2021论文 / 上海期智研究院 / John Schulman公开评价

2021年，高阳以通讯作者身份在NeurIPS发表了EfficientZero，在强化学习圈引发了广泛关注。

问题的核心是「样本效率」。深度强化学习是出了名的「数据饵蛮」——训练一个能打Atari游戏的AI，需要数亿次游戏互动。在游戏里这还可以接受，但如果要在真实物理世界里训练机器人，每一次互动都消耗真实时间和成本，这条路根本走不通。

EfficientZero的解法是：让模型自己学会预测「未来会发生什么」，通过构建世界模型（World Model），机器人可以在脑子里「想象」动作的结果，大幅减少真实互动需求。

结果令人震惊：EfficientZero用相当于剠2小时真实游戏数据，在Atari 100k基准上达到了超越人类的水平，比此前最好的方法效率提高了500倍。OpenAI联合创始人John Schulman公开表示高度赞赏，称其为样本效率强化学习的里程碑进展。

2024年，EfficientZero V2在ICML以Spotlight论文（全会前3.5%）发表，将方法从 Atari扩展到连续动作控制，在50k-200k交互预算下击败了DeepMind的DreamerV3。

三、ViLa：被Figure AI采用的那篇论文

来源：知乎 / Figure AI Brett Adcock公开评价 / 2024年

2023年底，高阳团队发布了ViLa——让机器人用视觉语言大模型做任务规划的框架。

问题来自一个显而易见的矛盾：LLM已经有了强大的推理能力，但对物理世界是「盲」的——它们通过文字描述理解世界，无法真正「看见」机器人面前的场景。ViLa的解法是用GPT-4V作为视觉语言理解的骨干，让机器人直接从摄像头画面提取信息，结合自然语言指令做出分步推理和任务规划。

论文发出后，Figure AI的CEO Brett Adcock在社交媒体公开点赞，并表示Figure在实际研究中采用了ViLa的方法。这个细节后来被反复引用——千寻智能被称为「中国版Figure」，不只是因为商业模式像，连技术方法论都有直接的交汇点。

同期其他重要工作：ATM（RSS会议，满分评价）、OneTwoVLA（与上海人工智能实验室合作）、CoRL 2024 X-Embodiment赛道最佳论文奖。Google Scholar引用总量超5000次。

四、RobotGPT路线图：4年后到达3.5阶段

来源：量子位 MEET 2025演讲 / 2025年1月

2025年1月的MEET大会，高阳提出了RobotGPT路线图——用GPT的发展史来类比具身智能的演进：

• RobotGPT 1.0（2025年初，现在）：基本原理已确立，端到端VLA是正确路径，机器人展现出早期能力，但在大多数人看来仍然有限。就像GPT-1发布时，只有少数人看到了它的意义。
• RobotGPT 3.5（剠4年后，2029年）：机器人将展现出「让人惊讶的能力」，在多数场景下真正有用，虽然仍有明显局限。
• 10年愿景：「10%的人类能拥有自己的机器人」，机器人从工厂走进家庭。

他明确拒绝用L1-L5类比自动驾驶等级：

「定义具身智能L1-L5没有意义，很长时间内都只能停留在L2.99。」

当前最大的瓶颈是数据规模。语言模型训练用了超过100万亿个token，而当前最大的机器人操作数据集只有几百到几千条轨迹。解法是「数据金字塔」：底层用海量互联网人类视频（便宜、规模大），中间层用遥操作和可穿戴设备采集，顶层用真机部署数据。端到端VLA的优势，就是能把三层数据统一放入一个Transformer里训练。

「走向具身智能肇定是端到端，行业内可能只有少数人不这么认同。」

五、「不擅长的事，我会承认，然后去补」

来源：36氪 / 晚点聊 / 2024-2025年

从清华大学教授到联合创始人，高阳对这个转变的描述是清醒的：

「科学家追求真理，是兴趣驱动的工作。但是创业……是关乎怎么去服务好客户。」

他承认自己不擅长很多创业者必备的事情：「我在不断承认自己的局限性，我知道我不擅长什么，然后我再尝试去弥补。」这个态度解释了他为什么要找韩峰涛——一个在工业机器人行业做了这十年、交付20000台机器人的产业老兵来负责CEO和商业化。

2023年夏天，两人各自在找合伙人，各自从另一个方向出发：高阳想找有硬件和产业背景的人，韩峰涛想找AI研究的人。见面后发现彼此都在找对方——一次「双向奔赴」。

被问到是否享受创业，这个像机器人一样规律生活的人，给出了一个出乎意料的答案：

「我觉得我还挺享受的，它是个挺有意思的游戏。」