"包括Physical Intelligence在内，如今的北好意思头部具身智能公司离训诲都还有不短的距离。通盘域大同塑料挤出设备 ，也还没出现实在的奠基职责。"
"实在先的，恰正是机器东谈主硬件。好意思国雷同莫得训诲谜底，公司又何急着把我方称为‘版XX’？"
这是量子位来到悉尼参加RSS 2026后，几天交流下来听到让东谈主不测的两个判断。
但有说，这是后话。
刚到RSS会场时，先冒出来的其实是另个问题：
为啥天下模子在国内都火了快半年，奈何到了机器东谈主顶会，大还在征询VLA？
这是我们此次线下的"感受"。
在周的日程里，天下模子还要和记挂放在起，组成场45分钟的Session。
到了周二，师法学习与VLA关系证据从下昼3点多路排到傍晚，结结子实占据了后半个下昼。
结实讲，这其实挺让东谈主猜疑的。
毕竟在国内，"VLA已死，天下模子当立"的说法还是传了好几轮。
天下模子也被越来越多公司放进手艺门道，被视为具身智能的新版块谜底。
以至略带戏谑地说，本年惟有有融资新闻的具身公司，基本上都在作念天下模子。
那到这，问题就来了：
为啥在机器东谈主顶会上，大如故VLA、VLA？难不成国表里真有半年时差？
在与不少同学、安分交流后，我们发现之是以这样，其实是顶会的审稿周期还是跟不上AI域的迭代了。
比如，RSS 2026在1月30日截稿，4月27日公布托付结果，7月13日在线下举行。
从截稿到会议，还是夙昔了近五个半月。
如果再算上论文从idea到实验、写稿所需的几个月，今天出目前会场上的效能，经常在泰半年以至年前就已启动。
因此，目前的顶会论文可能像夙昔段时刻的手艺切片，而很难成为夙昔几周的行业热搜。
天然，这并不是说论文不紧要，毕竟任何研究都得站在之前东谈主的肩膀上。
本年RSS的获论文，量子位还是在刚刚，机器东谈主顶会RSS三项佳论文出炉！708篇送审，仅8篇入决赛中记载，这里就不再赘述。
比较重新复述论文，在这里我们想聊些只可在线下发生的事。
RSS 2026大会方法主席Matei Ciocarlie在开场时问谈：
为什么我们要来这里？为什么不径直把论文发到arXiv，把发到X（Twitter），然后就已毕？
他的回答落在了个词上：connection，辘集。
会议实在紧要的，不仅仅台上的证据，还有东谈主与东谈主之间的聊天、征询和靠近面交流。
量子位在RSS期间不仅和现场的学生、研究者及创业者聊了聊，也联香港大学OpenDriveLab、源策异日、诺亦腾机器东谈主举办了线下行为。
除此除外，星海图、自变量、千寻、智元等公司，也把交流蔓延到了主会场已毕后的after hours和晚宴上。
不错说，就在这些线下辘集中，我们听到了些和国内热点叙事不太样的判断：
位来自Sergey Levine组的受访者直言：包括PI在内，今天的具身智能公司离训诲都还有不短的距离，通盘域也尚未出现他所认为的奠基职责。具身在硬件有弘大势，对公司称我方为版xx感到不明。
Physical Intelligence的实习生表现：VLA和天下模子并不打破，不错皆备要。不同任务需要说话理和测度两种才气；至于天下模子能否像宣传中那样测度动作后果，他反问："你真是看到它作念到这件事了吗？"
EgoVerse中枢作家Simar Kareer认为：机器东谈主域缺的未仅仅大都据，实在拉开模子差距的还出奇据如何筛选、配比和整理。
Karen Liu在放置Keynote中把机器东谈主域综合为"Model-rich, poor"：夙昔积存的仿真、有筹商和视觉模子未适径直充任机器东谈主战略，却不错相互组，成为持续分娩历练数据的安分。
李进展教化认为机器东谈主下步要处罚的不仅仅上半身操作，而是覆盖搬动、均衡、战役和操作的全身智能；这并非种单的模子才气，而是项横跨适度、感知、数据和硬件的系统工程。
Wenzhen Yuan指出，触觉目前大多仍以附加模态接入VLA，背后的贫困不仅在于数据稀缺；不同触觉传感器难以迁徙，机器东谈主的指与终局实施器形式也会径直影响触觉能否施展作用。
在与智元、宇树、擎、Seeed等厂商的交流中，多位从业者提到，在RSS展台上，来问询的仍然是校研究机构为主；先追问的内容经常不是机器东谈主展示果，而是价钱、投资申报、二次开发条目，以及居品能否进入矿山、巡检等土产货场景；现阶段，机器东谈主的硬件出海也较着走在软件和数据处事之前。
……
这些判断未代表行业共鸣，其中些以至相互打破。
但也正是这些不对，让我们重新想考VLA、天下模子、数据、执行与产业之间的关系。
天下模子和VLA，我皆备要
数据，还是被公认为现时具身智能域里紧要的话题。
但通达窗户说亮话，论是在审稿东谈主亦或是投资东谈主眼中，模子依旧感。
就本年RSS的合座情况来看，负责捏取操作、师法学习的著述仍然占据对的先地位，大promo的时候也比较提到自的模子。
那么，回到开动的问题，VLA如故天下模子？
在与Sergey Levine（Physical Intelligence）的两位博士生交谈时，我也把这个问题抛给了他们。
其中位给出的谜底是，两条门道并不矛盾，以至不错同期进（pi0.7其实就有个天下模子组件）。
在他看来，不同的具身任务，适处理它们的式也不样，有些任务适说话。
比如处理务时，机器东谈主需要先领路东谈主的教唆，再借助说话把个复杂任务拆成多个子任务，迟缓有筹商接下来的行动。
而当任务变成把物体从A点搬动到B点时，机器东谈主也不错借助图像或生成才气，测度动作结果，生成下步需要达到的视觉气象。
只不外，对PI我方而言，说话仍然承担着紧要的角。
这可能也解释了为什么从Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control到pi0.7以来，研究者耐久把Steerable放在中枢位置。
这里的Steerable，不仅仅让机器东谈主听懂句任务教唆，而是让东谈主类或表层模子能够通过说话、视觉子方针乃至细粒度的适度信号，持续引机器东谈主遴荐和组动作。
也即是说，PI并不扼杀图像或生成，但倾向于让VLM承担语义领路和任务理，再通过说话教唆、视觉子方针等接口，把层理grounding到机器东谈主的具体动作上。
有道理的是，在我们组织的晚宴上，我又碰到了他们。
我提到，在国内征询天下模子与VLA的区别时，有种颇为流行的综合：
VLA把柄数据输入和说话教唆径直输转移作；天下模子则能测度异日气象，辅助机器东谈主有筹商动作、笼罩风险。
他莫得径直认可这种分歧，而是追问了句：
"你真是见过它们这样作念吗？你真是见过个部署了天下模子的机器东谈主，说，这个动作我作念了可能有问题，我不该这样作念，我该选择其他动作"。
说真话，我时没接上话。
其后再想，这句追问其实把问题拉回了具体的地。
对天下模子而言，关键不仅仅能不可准确测度异日，还在于它究竟应该测度什么，以及这些测度能否实在匡助机器东谈主完成操作。
这个问题，在我与Simar Kareer的交谈中，有了具体的谜底。
Simar Kareer目前在佐亚理工学院读博，师从Judy Hoffman和徐丹飞教化，曾在Physical Intelligence实习，目前他正注于egocentric向的职责。
他认为，天下模子应该测度什么，要由它终处事的卑鄙任务决定。
如果方针是让机器东谈主完成动作，那么理的向，是让测度（video prediction）与动作测度（action prediction）联学习，而不是只历练模子生成异日画面。
对此他举了个例子，现阶段的测度大概能生成视觉上理的异日气象，却未知谈机器东谈主的手有多大、要捏取的物体有多大。
短少这些与真实动作关系的信息，测度出来的再传神，也很难径直鼎新为可靠的操作。
因此，至少在现阶段，测度还法取代动作监督。它不错匡助机器东谈主联想异日，而动作测度与动作监督，则负责把这种联想落到真实、可实施的动作上。
此外，来自香港大学的陈立博士在Robot World Models研讨会上又补充了另层：
即便确定了测度对象，"生成异日"和"判断这个异日是否有效"，也不定要交给同个模子。
"测度会发生什么，和评估这对我是否有效，须解耦。"
在他的RISE框架中，能源学模子负责生成异日气象，价值模子则判断这些气象是否符任务方针。
机器东谈主由此不错先在模子生成的异日中尝试不同旅途，再诈欺价值信号改动战略，减少在真实天下中试错的本钱与风险。
天下模子的价值，也就不单在于能否"联想异日"，还在于这些联想能否为动作提供有依据。
追想来看，天下模子天然紧要，但对具身智能而言，它并不是VLA的绵薄替代，两种法也并不矛盾。
实在的问题在于，天下模子应该测度什么，以及这些测度如何处事于机器东谈主动作。
值得提的是，在RSS会场表里，还是有不少研究者开动探索VLA与天下模子结的混架构，前边提到的π0.7正是其中之。
数据量很紧要，但Curation紧要
虽然模子上的立异可能好发论文，也勾引眼球，但数据还是毫争议的成为了具身域紧要的问题。
在poster神志，我们也列队问了Simar几个数据问题。
Simar这几年从EgoMimic路作念到EgoVerse，研究的都是奈何把视角东谈主类数据用到机器东谈主上。照理说，他应该是看好Egocentric Data的那批东谈主。
但当我问起数据该奈何scaling时，他的建议却是：
Egocentric数据天然有效，但我其实不建议你们径直从数据公司买（笑）。
在回答中，Simar举了大模子域的例子。他提到像OpenAI，anthropic，他们不光是数据多，紧要的是数据的清洗、筛选、配比和组织数据，机器东谈主域雷同如斯。
也即是说，比较单纯的堆数据量，数据的curation可能紧要。
但具体奈何个curation大同塑料挤出设备 ，若干数据量才够，Simar顿了下，并莫得给出径直的谜底，仅仅建议参考π0的历练边界（1万小时）以及公开数据集。
也即是说，这个数字仅仅个参照，不是条还是得到考据的Scaling Law。
类似的幕其实也发生在论文禀报的QA神志。在论文中，研究得出的论断是：
跟着VLA预历练数据边界和各类的培育，东谈主类数据向机器东谈主战略的迁徙才气缓缓显现。
于是，现场有不雅众追问：这种数据各类应该如何测度？
Simar表现，他们会在不同Checkpoint和数据上作念实验，寻找果好的组。但具体如何配，他莫得跳跃闪现。
其后我和诺亦腾机器东谈主的职责主谈主员聊了这个问题，他的看法是：
对于模子公司或者Lab来说，架构不错写进论文，数据却像那份不会应酬示东谈主的recipe。
这大概解释了我们前边提到的，简直总共东谈主都在谈数据，论文里显眼的东西却仍然是模子。
是以，诺亦腾也提到了另种可能：
异日的数据公司未只按小时出售原始素材，还需要我方历练模子、作念对照实验和评测，终向机器东谈主公司托福经过筛选、能够径直进入历练过程的数据案。
到了这步，数据公司的价值就不再是"采了若干小时"，而是"知谈哪些数据实在有效"。
天然，劝大不要径直买数据，不代表Simar不看好Egocentric Data。
在「Centric Robotics：What Data Do Robots Really Need？」研讨会上，他重新画了遍机器东谈主域的数据金字塔。
夙昔，东谈主们频繁认为，底层是边界大的互联网，中间是仿真数据，表层才是数目少、本钱的机器东谈主遥操作数据。从数据边界来看，这样的金字塔莫得问题。
问题出在它示意的关系：互联网和东谈主类似乎组成机器东谈主学习的基础，一丝机器东谈主数据只负责后适配。
EgoVerse的实验给出了另种图景。
只使用机器东谈主数据与解放形式东谈主类数据，培育有限；只加入与任务对皆的东谈主类示范，雷同不大。较着的培育来自三类数据共同出现：
机器东谈主遥操作数据；
与机器东谈主任务对皆的Episodic Human Data；
覆盖场景和长尾步履的Free-form Human Data。
机器东谈主数据和任务对皆的东谈主类数据共同提供了"锚点"，告诉模子东谈主类步履与机器东谈主动作空间如何对应。
是以，数据各类并不是把不同来源的数据倒进同个池子。实在决定果的，可能是Data Mixture中有莫得满盈的对皆区域。
但岂论奈何筛，真实机器东谈主数据和具身东谈主类数据都很难限汇注。那能不可换种想路，让模子我方分娩数据？
机器东谈主Data Poor，但Model Rich
在Karen Liu的放置演讲Data Poor，Model Rich中，这位来自斯坦福大学有筹商机系、从有筹商机图形学和物理仿真路作念到东谈主形机器东谈主适度的教化，就回话了上头这个问题。
Karen提到，机器东谈主虽然Data Poor，却并不缺模子。
Data Poor，不单意味着依靠数采员"力大砖飞"汇注数据很难scale。
与此同期，跟着机器东谈主任务从桌面捏取走向灵敏操作和全身适度，数据汇注的难度也在持续加多。
紧要的是，这种式还藏着个默许假定：每条示范数据，都能坐窝对历练产生作用。
Model Rich则意味着，我们不错换种想路，把已有模子变成数据引擎，用它们分娩历练数据。
有筹商机图形学积存了物理仿真、动画和数字东谈主模子，有筹商机视觉有3D重建和几何模子，机器东谈主学也有轨迹化、领路有筹商和能源学模子。
这些模子各有长处，很难径直充任个通用的机器东谈主Policy。但在Karen看来，可能不是模子没用，而是我们直给它们安排错了职责。
它们不错退到历练阶段充任Teacher，把已有学问鼎新成质地的机器东谈主示范。
夙昔几年，辘集传统仿真模子和机器东谈主学习两头的手艺也开动训诲。
头是3D Gaussian Splatting，不错重建真实环境，为天下钞票提供Real-to-Sim的部领悟；另头是全身动作追踪战略，不错把领路学轨迹鼎新成真实机器东谈主的动作，异型材设备为机器东谈主步履提供Sim-to-Real的部领悟。
目前短少的，即是把两头辘集起来。
Karen团队在VLK中搭建了条Real-to-Sim-to-Real Pipeline。
整套系统不需要东谈主类示范，在重建的室内环境中自动成了4.8万条视觉、说话和全身领路学轨迹，历练出的战略还能迁徙到真实的Unitree G1上，完成航和物体搬运。
虽然这还不可取代真实数据，但至少讲授了件事：
机器东谈主Scaling的起始，未只但是招多东谈主遥操作机器东谈主，也不错让夙昔积存的模子先把数据飞轮转起来。
数据决定硬件
那么再往前步，如果数据如斯紧要，机器东谈主是不是也应该围绕数据汇注来遐想？
Sunday Robotics先遐想Skill Capture Glove和机器东谈主手，再围绕这只手遐想整台机器东谈主，可能即是具体的回答。
在周的研讨会上，Sunday Robotics创举东谈主Tony Zhao提到，他们并不是先买来台机器东谈主，再想宗旨给它采数据。
（Tony Zhao与Cheng Chi分别是ALOHA、ACT和Diffusion Policy、UMI的中枢作家，2024年共同创办Sunday Robotics，现分别担任CEO和CTO）
Tony和联创举东谈主Cheng Chi先确定了Skill Capture Glove与机器东谈主手的形式，让两者在结构上尽可能对应，再围绕这只手遐想机器东谈主的其他部分。
也即是说，数据不再仅仅机器东谈主造好之后汇注的历练材料。它反过来开动界说传感器、机器东谈主手，乃至整台机器东谈主的形式。
来自UIUC的Wenzhen Yuan在演讲中也提到了类似的不雅点。
机器东谈主手指的步地、相机、光源和材料，都应该与感知模子和操作战略协同遐想。触觉智能不仅仅个传感问题，还需要传感器、数据、模子与机器东谈主形式共同化。
如果说前边的征询还辘集在双手上，那么诺亦腾展位上的全身动作捕捉，又把同个问题膨大到了整具形体。
从手臂、躯干到双腿，机器东谈主要学习的不再仅仅如何收拢物体，还包括如何搬动、保持均衡，并在战役中协作全身。
这也引出了本届RSS上另个不可刻薄的向：全身智能。
迈向全身智能
在本年RSS Early Career Spotlight的演讲中，来自香港大学、源策异日的李进展教化建议了个新的向：全身智能（whole-body intelligence，WBI）。
（注：全身智能是指让东谈主形机器东谈主从异构的东谈主类与机器东谈主警戒中学习可复用的全身协同先验，并据此在真实环境中生成安全、自相宜、可实施的步履。细目可参考https://www.archon.tech/blog/whole-body-intelligence）
眼看到这个认识，我们其实有点不测。
毕竟，宇树机器东谈主还是在春晚上跑跳起舞，本年各公司的Demo和论文又都在向考究操作发力。
下半身还是能跑，上半身也越来越会干活，为什么还要单建议全身智能？
问题可能就怕藏在"能跑"和"颖慧活"之间。
今天的机器东谈主不错走到桌前，站稳，再伸手捏取。但真实天下里的任务，经常不会这样配机器东谈主。
搬起自行车时，双腿需要随提神量变化调理重点；伸手去够迢遥的东西时，另只手可能要主动抬起保持均衡；遭遇短促通谈，还得边侧身，边接续搬运。
到了这里，走路和操作就不可再被拆成两个互不联系的动作。机器东谈主需要把腿、腰、躯干和双手当成个合座，边搬动、边操作，还能把柄环境及时调理形体。
这亦然李进展所说的全身智能。
具体来说，领路适度处罚的是机器东谈主如何认知地从A走到B；全身适度处罚的是个给定动作如何被整具形体认知实施。
而全身智能还要接续回答，靠近个生分任务，机器东谈主该调用形体的哪些部分，如何协作搬动与操作，出了不测又能不可我方收复。
是以，李进展并莫得把但愿托福在个从图像径直输出电机电流的模子上，而是给出了套分层系统。
表层的"大脑"负责领路说话、调用记挂和长程有筹商；中间的具身模子把任务鼎新周密身动作；底层的形体模子与适度器，则负责均衡、战役和及时实施。
不同模块职责在不同的时刻圭臬上，后共同完成个任务。现场他提到的Figure Helix 02，选择的雷同是从语义理、全身动作到均衡适度的分层架构。
但问题来了，如果底层适度仅仅其中层，为什么它仍然值得参加这样多元气心灵？
北京通用东谈主工智能研究院研究科学黄想远在workshop中，给出了个很形象的譬如。
东谈主类大脑皮层约莫有160亿个神经元，而主要负责适度、均衡与协作的小脑，却有约690亿个神经元，占通盘大脑神经元数目的80以上。
机器东谈主亦然如斯。让它"知谈要作念什么"天然很难，但要让几十个重要在真实天下里同期把这件事作念好，雷同远莫得处罚。
目前看到的跑跳、空翻，许多如故针对特定动作历练出来的业才气，距离个模子旁边各类动作，还有格外长的距离。
黄想远给出的旅途，是先为跑、跳、攀爬等不同才气历练多个业适度模子，再让这些产生质地的领路轨迹，交给个通用的模子学习。
小模子先把单项手段练到满盈好，大模子再接纳它们的警戒，取得加粗俗的形体才气。
如果回头看前边的几位演讲者，会发现类似的想路直在类似出现。
Karen Liu让已有的业模子退到历练阶段充任Teacher，Tony Zhao在层战略与底层适度之间寻找适的系统接口，黄想远用多个业模子为通用适度模子提供警戒，李进展把这些才气放进套全身智能系统中， Wenzhen Yuan则试图将触觉感知融入机器东谈主的基础模子中。
（注：Tony Zhao还提到，机器东谈主不太可能只靠个从图像径直输出电机电流的模子处罚总共问题。层战略负责理衔命务、生成动作方针，底层适度负责均衡与认知实施，而两者之间应该用什么样的动作表现辘集，仍然需要门遐想）
端到端与模块化，可能从来就不是谈二选。
端到端回答的是个模块里面该如何从数据中学习，模块化回答的则是整套系统该如何单干。
大模子也莫得隐匿小模子，而是把它们重新安排成西席、形体先验和底层适度器。
模子不错端到端，系统仍然需要有脉络。
从这个角度看，全身智能不仅仅把机器东谈主的腿和手接到同个模子上。
具身智能的下步，大概也不仅仅给机器东谈主换个明智的大脑，而是搭出套能让大脑实在调理整具形体的系统。
硬件先出海，智能再跟上
说收场学术，我们聊聊背后的产业。
位来自Physical Intelligence的东谈主士告诉我们，好意思国在冒出几具身公司后，很快进入了个相对安心的阶段，国内（）却简直每天都有新公司出现，而况大多还能拿到融资。
按照他的不雅察，如果只看创业热度、硬件供给和出海进程，具身智能还是较着过好意思国。
这种互异也延续到了RSS现场。
从参会者来源看，和好意思国包揽东谈主数前两名，依旧是会场里的两支主力。但到了接济商名单，公司简直成了展厅里的对主角。
宇树、千寻智能、诺亦腾机器东谈主、Seeed Studio、智元机器东谈主，以及总部位于新加坡、同期在上海设有团队的Sharpa都出目前了RSS现场。
那么问题来了。
对于这样场以学术交流为主的会议，企业门用钱接济、搭建展位，到底值不值？
毕竟，RSS自己仍然是场学术气质很浓的、小而精的会议（每年禁受论文仅百多篇至两百篇）。
在现场，海报展示神志经常比接济展厅拥堵，展位前常出现的，也不是拿着采购单的企业客户，而是追开端艺细节问个贬抑的学生和研究者。
从我们在现场取得的反馈看，如果只有筹商出了若干台机器东谈主，这笔账可能并不面子。
前来问询的仍以校和科研机构为主，实在带着明确采购任务的企业客户并未几。
但这就怕解释了为什么具身硬件会先走出去。硬件看得见、摸得着，价钱、负载和可靠也容易比较。
即便当地还莫得训诲的具身智能产业，校和开发者也不错先把机器东谈主买且归，用于科研、教学和二次开发。
而况值得提的是，在与宇树的交流中，我们得知四足机器东谈主的现实需求反而比东谈主形加明确。
国内常见的娱乐扮演、商务疏通，在澳洲莫得那么大的市集；矿区勘探、巡检和分拣等能够明确有筹商参加产出比的任务，反而容易取得关心。
与此同期，Seeed Studio则代表了硬件出海的另条门道。
比较台完好的东谈主形机器东谈主，它提供的开源硬件和旯旮有筹商斥地价钱低，还有相对完好的社区、装置教程和二次开发疏通。
对于预算有限、具身生态又尚未训诲的外洋校来说，个满盈低廉、能够迅速上手的开发平台，经常比个满盈炫的Demo有勾引力。
这亦然为什么，比较购买台机器东谈主，外洋用户对模子和自动化案经常加保守。他们但愿先看到明确的参加产出比，再决定是否部署。
此外，不同公司也遴荐了不同的落地式。
宇树等企业多借助当地作伙伴和分销商销售居品，先缩短进入新市集的本钱；智元则遴荐在澳新地区诞生我方的团队。
智元职责主谈主员告诉我们，比较把市集交给中间商，立运营虽然重，却能快取得客户反馈，了解当地实在需要什么任务，以及机器东谈主应该如何进入已有的分娩过程。
Sharpa则从成立之初就把众人市集算作基本盘，在新加坡和上海同期布局。对于他们，参加RSS的价值也未是现场成交，而是提前战役研究者、模子公司和开发者，进入下轮手艺与数据生态。
综上，公司辘集出目前RSS，可能并不仅仅为了刷遍存在感。
它们边硬件，边寻找当地作伙伴、开发者和任务需求。顶会展位既是销售、招聘的窗口，亦然进入外洋手艺生态的张门票。
但硬件先出去，并不等于具身智能还是完成出海。
在供应链、价钱和托福才气上的势，让机器东谈主当先拿到了出海船票。模子如何相宜当地任务，数据如何酿成闭环，开发者生态如何配置，仍然需要在当地重新助长。
而况，这可能还不仅仅公司的问题。
另位来自Physical Intelligence的东谈主士告诉我们，包括Physical Intelligence在内，北好意思头部具身公司距离训诲都还有段距离，通盘域也莫得出现实在的奠基职责。
是以当我们提到具身公司总对标好意思国、把我方称为"版XX"时，他的反馈反而是不明。
在他的印象里，实在先的恰正是机器东谈主硬件。既然好意思国的谜底雷同莫得训诲，公司又何急着把我方界说成谁的复成品？
等你的Conference Buddy成为大佬
回到起原的问题，我们为什么要来RSS？
Matei Ciocarlie在开幕式上讲得很好，在扫尾与大共享原文：
后，我还想讲几句，主如若送给在场的学生们。
那些实在的大佬般都不会来听开幕式（笑）。天然，也有例外，我刚才好像看到Oliver坐在后排。不外总体来说，这些话主如若送给学生们的。
现场有若干学生？请举下手。接待大。
还有谁是次参加RSS？
哇，相配多东谈主，接待。
为什么我们要来会议？
为什么我们要来这里？为什么不径直把论文发到arXiv，把发到X，然后就已毕？
因为会议实在紧要的，是东谈主与东谈主的交流，是聊天、征询和靠近面的辘集。
是以，我想共享个小建议。
当年我如故学生的时候，我大的期许即是成为那些大牛们的Conference Buddy，和他们起聊天、喝酒、跑步。
但这其实挺难。
是以其后，我发现了个百分之百有的法，保证告捷，不会失败。
法即是：等你目前的Conference Buddy，异日变成大牛。
真是。
RSS 2012雷同在悉尼举办。那时Kris Hauser正在拍照，Dylan Shell坐在哪里，我和Anca Dragan也在。那时我们都还没什么名气，仅仅起玩、起聊天、起意志相互。
其后，Dylan穿上了RSS方法主席的夏威夷衬衫，Kris也穿过，本年轮到了我。
是以，去和着名教化聊天莫得问题。你不错径直走夙昔说："Hi，我很心爱你的职责，不错聊聊吗？"这不错。
但我实在想强调的是，紧要的是意志你的同龄东谈主，和他们配置筹商，起成长。
因为今天坐在你傍边的东谈主，即是异日通盘域的者。你们目前配置的，可能是异日几十年的作关系。
还有点，和别东谈主聊天的时候，不要直卓越对的肩膀，寻找现场有莫得资的东谈主不错聊。
不要这样。
谨慎意志你目下的东谈主。
二件事，是对于心焦。
近大都在说，机器东谈主域变化太快了。这是真是。
我进入机器东谈主域还是约莫25年，从来没见过这样多东谈主进入这个域，没见过这样多资金，没见过机器东谈主的才气增长得如斯之快。
这是个令东谈主痛快的时期，但亦然个容易心焦的时期。
许多学生都会以为："我是不是跟不上了？""我的职责是不是不够好？"
我我方也有过这种嗅觉。
为了缓解心焦，我有两样东西。
是终生教职，二是Perspective，也即是看问题的角度。
终生教职没宗旨送给大，但Perspective不错共享点。
，莫得任何东谈主的职责真是和里样。
每个东谈主的，都会比真实果看起来好。是以，当你看到个绝顶惊艳的时，请记着，真实情况莫得看起来那么。
它可能确乎相配秀，但长久莫得里显得那么。
二，你目前看到通盘域速发展，其实是全天下几千名研究者共同奋力的效能。
它不是某个实验室的产出，也不是某个东谈主的产出。莫得谁真是比你10倍。
仅仅总共东谈主的效能都被用心包装起来，再起摆到你眼前，是以你才会以为："奈何下子出现了这样多东西？"
三，请记着，如果今天你坐在RSS的会场里，你还是进入了这个域的舞台。
这里即是机器东谈主研究的顶联赛。
在这里，你天然会碰见天下上秀的东谈主。就像踢足球样，你会靠近哈兰德，也会靠近姆巴佩，他们真是很强。
但与此同期，你也正在和天下上秀的东谈主起比赛。
请享受这点。
异日，你们当中的些东谈主也会成为天下上秀的东谈主。即便莫得，你依然站在水平的赛场上，偶尔也能在大的舞台上进个漂亮的进球。
是以，请享受这个时期。
这是机器东谈主域好的时期。让我们起崇敬它，让这切变得值得。
谢谢大。
RSS 2026，慎重开（闭）幕！
键三连「点赞」「转发」「留神心」
接待在议论区留住你的想法！
— 完 —
🌟 点亮星标 🌟
科技前沿进展逐日见Q Q：183445502相关词条:储罐保温 异型材设备 钢绞线厂家 玻璃丝棉厂家 万能胶厂家
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定大同塑料挤出设备 ，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。