炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
（来源：硅星人）
作者｜李楠
邮箱｜linan@pingwest.com
最近一个月来，小红书上流行着一场Askmeanything的科技问答活动。这像是一场“所有人问所有人”的游戏，不少AI领域的专家，围绕相关话题跟网友们积极互动。
其中既有对学术问题的讲解，也有关于学习经验和科研建议的分享；谈到了对未来世界的看法，也给出了就业方向的分析。可以说既实用又有趣了。我们整理了一份涵盖十几位大佬的热门分享，或许对你有所帮助。
1
上交&创智学院AI&具身智能副教授李永露
Q：纯文科生想在高中毕业那个暑假狠补Python和Java，慢慢转计算机，还有意义吗？
A：当然有意义。未来文理科的界限会越来越模糊，就像当年计算机最初只有专业人士能用，如今人手一台电脑一样。AI也会如此普及。
Q：本科是信息专业，研究生想学具身智能，这两个跨度大吗？
A：本科学机械或控制的去搞AI都算跨度大，但其实软硬之间是对称的，交叉才是趋势。过去那种学科分界已经不太适用了。
Q：李老师您好！我即将读博，导师是做roboticmanipulation的。请问您怎么看现在非learning-based的方法？还有前景吗？我之后想去工业界。
A：这是个好问题。打基础的话，了解历史发展很重要，既然做这个方向，还是要学习和实践经典方法。其实没必要纠结新旧，关键看问题本身和上下文有没有变化。如果一个思路能推动进展，那就有价值。大模型带来了语言和视觉层面的泛化能力，这是确定的，但在planning类任务上，真正玩真机的现在还是要用传统方法的。
Q：我是海外硕士医学信息专业，现在在做AI4S（面向海外医院的模型开发，偏ML）。我想回国读博转到大模型方向，会不会跨度太大？目前对纯AI更感兴趣。
A：读博的话，现在LLM已经进入应用阶段，主阵地主要在大厂。去学术界做，要看实验室的品味和方向选择。五年后的格局可能变化很大，建议谨慎规划。
1
前OpenAI研究员、清华交叉信息研究院助理教授吴翼
Q：您觉得什么样的学生适合往学术界发展？什么样适合去工业界？
A：喜欢写论文、教学生、愿意写本子的适合当老师；想多赚点钱的适合去工业界；有理想、想做自己喜欢的事情、喜欢动手快速迭代、愿意牺牲短期收益的适合创业。
Q：如何培养深度思考的能力？
A：用GPT-5的时候记得开启thinking模式。其实核心还是多思考、多反思，少被碎片化信息牵着走。
Q：请问如何提高自己的科研taste？现在做AIGC方向是不是相对ML方向更难落地？感觉AIGC现在做agent的很少。
A：科研taste就是要多接触高质量的内容和报告，减少噪音，多思考。AIGC的落地其实很多，尤其在图片、视频等方向商业化很成功。AIGC和agent我理解上并不冲突，只是应用逻辑不同。
Q：您觉得下一个爆款agent产品会出现在游戏领域吗？
A：我不太觉得。游戏的逻辑和agent的逻辑差别很大。
Q：您觉得强化学习和大模型结合的场景，未来五年哪个方向最值得深入研究？
A：agent。
Q：新手只能看懂模型的数学结构（比如Transformer和Diffusion的原理、Loss设计、理论推导），但完全看不懂代码怎么办？
A：可以去Coursera上找AndrewNg（吴恩达）的课程学习一下。找一些讲得清晰的人带着你做作业、动手实现，入门会快很多。
Q：您如何看待《RewardisEnough》这篇论文，以及近年来越来越多将强化学习模型应用于心理学、社会行为和语言等领域的研究？强化学习是否正在成为一种“大一统”的机制化解释框架？
A：大一统”听起来很诱人，但在工程实践里，大多只是个梦。
1
南京大学智能科学与技术学院助理教授、博士生导师任宇翔
Q：端侧Agent有什么优势？
A：端侧Agent不是优势，而是在端侧设备算力受限的情况下，部署大模型不可避免会带来端云协同、数据隐私、个性化等新问题，这些都需要被解决。
Q：学统计学转AI有什么优势吗？目前把吴恩达的全套课程自学完了，基础的网络也能搭出来，但感觉工程能力很差，比不过计算机专业的同学。
A：我觉得统计出身的同学基础很好，可以考虑做一些跨领域课题，比如生物信息、运动健康等。这些领域目前传统机器学习和统计方法仍然能发挥作用，结合深度学习可以形成优势。工程能力就只能靠多动手，多参加一些数据挖掘比赛。
Q：我是人工智能专业大一学生，感觉现在课程学不到东西，《人工智能导论》的老师完全照着PPT念，还没系统学过C++，该怎么办？
A：大学阶段还是要多自学。代码必须自己多写。我本科入门编程时，主要是跟着一个培训机构的视频学习的。
Q：想请教一下，实践中有哪些比较有效的方法来判断哪些历史对话该保留、哪些可以丢弃？或者说如何进行记忆管理？
A：关于长短期记忆的更新管理，目前做法很多，但并不统一。我个人认为可以先对历史上下文进行识别，把长期高频的记忆转化为压缩后的文本或索引，存入记忆库，从而实现实时压缩。至于记忆判别，现在很多研究也在尝试融合脑科学范式和推荐系统中的“兴趣时钟”等方法。
Q：图学习未来的方向您觉得在哪块？
A：Science方向目前有不少令人兴奋的结果。另外，图基础模型的突破也值得期待，但可能需要对现有GNN做革命性改进，并在不同流形上进行新的探索。
Q：多模态大模型未来转向世界模型容易吗？
A：我认为多模态大模型是通往世界模型的一个关键里程碑。
1
华东师范大学计算机学院教授林绍辉
Q：计算机相关专业饱和了，那新生值得去这类专业吗？
A：人工智能技术越发展越需要计算机人才。
Q：现在的发展趋势，孩子小学还要学编程吗？或者应该学人工智能？
A：学学编程可以的，编程是AI基础，而且能锻炼很多能力，如逻辑、动手，关键还得小孩能接受。
Q：AI的未来方向会是“超级智能体”，还是以分散的AI工具为主，通过智能平台协作？
A：这是一个非常好的问题。目前这几年，AI仍会以分散的工具形态为主，不同模型和服务在各自领域协同工作。但随着多模态融合和自主决策能力的增强，未来的趋势确实会逐步走向“超级Agent”——具备更强的上下文理解、长期记忆与多工具协作能力的系统。
1
星海图联合创始人、清华交叉信息研究院助理教授许华哲
Q：在当下，您觉得人的智能的本质是什么？（脑洞题哈）
A：结构化压缩，并通过经验反馈判断哪些信息可以被舍弃。
Q：老师如何看待PhD、Research、Sleep、Life之间的“不可能三角”？
A：那就——少睡一点吧。
Q：我在做多模态数据质量评价，想请问您觉得在具身智能研究中，哪些因素真正重要？是否有需要我们进行类似质量评价的要素？具身智能之间的通信是否是一个关键方向？
A：通信我觉得重要，但不是核心。关键还是看能否真正落地，以及是否具备泛化能力。
Q：在如今的算力时代，经济金融专业的学生应当朝哪个方向努力？怎样才能将两者融合，最大化地把经济学理论应用于实践，创造更大的价值？
A：加入创业大军，当CFO。
Q：AI专业细分方向中，哪个更好就业？
A：大模型~
Q：具身智能商业化落地有多大的可能性？
A：100%！但是时间待定。
1
清华大学网络研究院副教授邱寒
Q：您怎么看待AI安全和可信AI之间的关联与区别？在可信AI领域，除了安全，还有哪些方向在中国的大背景下值得去做？
A：一定要先讲定义。我认为“可信AI”（TrustworthyAI）是最终的愿景——也就是我们能像相信家人一样去相信AI。因此，国外很多课程其实叫TrustworthyMachineLearning，而不是单纯的“AI安全”。
Q：您怎么评价“检测AI生成文本”这件事？感觉学界目前并不太认可，而且这方面的研究也没有统一的benchmark。
A：我觉得从长远来看，根本无法准确检测一段文本是不是AI写的。因为以目前的技术路线，很显然无法跟上模型的进步；而希望又看不到，这就是问题所在。
Q：关于可解释性AI这个方向，您有什么建议或看法？
A：这是一个好方向。过去每当大家卷不动模型能力的时候，就会投入精力做可解释性。但在大模型时代，这个问题变得既重要又困难。可以多关注一下Anthropic在这方面的研究。
Q：我是网络安全方向的研究生，想问邱老师：在大模型安全方面，除了传统的对抗样本、训练投毒、后门攻击等针对模型本身的威胁外，现在大规模引入Agent是否会带来更严峻的安全挑战？关键风险可能集中在哪些方面？
A：Agent安全确实是一个很好的课题。但目前还处于初步阶段，大家在概念和共识上都还不够统一。
Q：想请教一下，图神经网络、RAG和时间数据分析这三个方向，就未来发展而言，您更推荐哪个？
A：我个人更看好RAG或者DeepResearch方向。
Q：想讨论一个具体问题：如果在一篇A区期刊的论文中，作者只讲了思路，却没有代码，也没在GitHub提交任何实现，但我非常好奇想看他们是怎么做的，老师有什么建议吗？
A：直接给作者写邮件，礼貌地询问。如果不回，就再发一封，并cc通讯作者。这是常规且合理的做法。
Q：当前大语言模型最亟待解决的安全漏洞是什么？对于偏见、对抗攻击、失控自主决策等不同风险，优先级应如何划分？
A：这要看具体背景和诉求，很难有统一的答案。我个人认为幻觉（Hallucination）仍然是最有价值、但也最难解决的问题——甚至可能永远无法彻底解决。
Q：老师，我在对大模型进行Fine-tune之后，反而效果更差了，问题可能出在哪？
A：这很正常。你能拿到的开源模型，基本都是大公司花了巨额成本训练出来的SOTA（state-of-the-art）版本。自己微调，稍不注意就会“调坏”，效果更差是常见现象。
1
香港中文大学（深圳）理工学院助理教授韩晓光
Q：激光雷达如何与3DGS融合比较好？看到很多论文基本上都是在做SLAM，但现在手持式扫描仪已经很普遍了。手持融合雷达与相机输出3DGS，学术界好像还没看到特别好的方案，这是个纯工程问题吗？业界看起来也就几家公司做得比较好，这个课题有研究价值吗？
A：我在想，激光雷达的点云对3DGS能提供什么帮助呢？因为3DGS总归是要拍摄多视角图像的，而在已有多视角图像的情况下，激光雷达得到的点云似乎并不能带来实质性的提升，反而还会引入激光点云与相机之间的校准问题。
Q：怎么去制定研究计划呢？我是本科生，准备申请PhD，但感觉四年的3DV研究计划很难确定下来。
A：作为刚入门的学生，其实我不太建议一开始就做一个长期计划。现在这个时代，计划往往跟不上变化。如果确定想做3DV方向，就先动手去做，不管做什么都可以。只要在做事，就会有收获。先把知识和技能积累好，这样就够了。
Q：韩老师觉得未来3D在LargeVisualModel或者WorldModel中会承担什么样的角色？
A：我觉得3D/4D肯定是需要的，只是看它会以显式还是隐式的方式存在。举个例子，我可以用点云作为媒介来构建WorldModel，也可以直接用VGGT的特征作为媒介，后者就是一种隐式表达。
Q：VGGT和MapAnything一出，3DGS和NeRF是不是就不太好搞了？3D会不会也像LLM那样，性能靠ScalingLaw堆数据和参数？
A：3D有两个根本问题不像图像那么容易解决：第一，表达方式还不统一；第二，数据很难scale。
Q：通常晚上无人机表演属于计算机视觉范畴吗？
A：应该更多还是控制和通信的范畴，还不太需要视觉智能。
Q：韩老师对未来想找教职的博士生同学有什么建议？
A：如果确定是要走教职路线，那博士期间的工作能不能形成一个清晰的“故事”很重要。
Q：如果我想基于VGGT做一个从Image到Mesh、GS等多表示的Feed-forward重建，您觉得有意义吗？我看现在很多问题都建模成生成问题，包括您组里的一些工作。
A：如果是端到端的多视角Image到Mesh或GS，我觉得是有意义的。现在VGGT只能输出点云，那么核心问题还是如何用Map的形式去表达Mesh。
Q：请问老师怎么看待3D数字人这个方向？比如人体、头部的重建和动画，现在还值得做吗？
A：我认为数字人一定是构建世界模型的基础，因为“人”很重要。关键问题在于走3D路线还是2D路线。如果数字人的目标只是“给人看”，那视频生成或许已经够用了。但如果未来的数字人是可交互的、可以触碰的，那3D仍然是不可或缺的。
1
浙江大学长聘副教授、微分智飞创始人高飞
Q：老师觉得具身智能的技术路线五年内会收敛吗？
A：用不了五年。
Q：我目前研一刚进组，对无人机路径规划和自主避障感兴趣，应该先从哪方面入手学习？能否推荐一些相关的书籍或论文？
A：可以先从高Star的开源项目入手。
Q：您觉得未来无人机方向的VLA应该是什么样的？未来可以与物理世界交互的无人机会成为趋势吗？
A：无人机当然可以具备交互能力，并与操作能力结合。而且即便不考虑交互，大模型的能力对于实现泛化决策也是不可或缺的。
Q：高老师，多机器人研究还有希望吗？
A：还是要看兴趣。就业市场哪个方向热，真的很难提前几年预测。多机器人可能只是还没到时候。
Q：将来机器人的方向到底是VLA还是WorldModel？VLA是不是真的走不通了？
A：端到端的VLA我比较悲观，但让WorldModel进入决策环路，使机器人具备“大脑”能力，我认为是必然的。
1
南方科技大学助理教授、微分智飞联合创始人周博宇
Q：老师您好，我是某2本院校机器人专业的大二学生，想问一下您觉得我还能在剩下的大学时光里学习什么、做些什么来提升自己的竞争力？
A：国家级竞赛、实验室科研，这两个最能快速提升你。
Q：想问一下如果和社科交叉，可以往哪个方向做？
A：机器人社会影响是个很大的研究问题，可以重点关注。
Q：周老师怎么看学术界和工业界？
A：反正我喜欢高校，生病了还能摸鱼刷刷小红书。
Q：轮足机器人的运控相比四足有没有独特的切入点？
A：应该有不少，比如灵活切换轮/腿模式，兼顾效率与适应性。
Q：请问具身智能中，大模型和3D视觉哪个方向就业更好？
A：这两个都不错，但几年后的就业形势确实难以预测。
Q：什么时候机器人能代替我上班、帮我养老？
A：班还是得上，不过会变高级，比如指挥一堆机器人“小弟”干活。
Q：现在无人机定位还有什么值得做的方向吗？
A：可以考虑一些更复杂的场景，比如高速、高空、弱光等条件下的定位。
Q：工业界对操作和运控哪个方向的落地需求更多？
A：我个人感觉，运控是“基础设施”，几乎到处都有需求，但发展相对成熟；操作的需求也很多，但目前能真正落地的还不多，前途无量。
Q：机器人工程本科毕业后如果去做技术岗，有哪些岗位比较合适？如果想未来从技术岗转到应用岗做产品经理，有什么建议？
A：多培养场景洞察力，学会发现机器人在哪些实际问题中能发挥作用。
Q：周老师，我目前是无人机方向的研究生，正在找工作，想转到机器人方向。但因为不太了解，不知道该如何准备，请问您有什么建议？
A：无人机本身也是移动机器人，很多技术是相通的。如果想转到操作类方向，可以补一下机械臂的基础，并入门最近很火的模仿学习。
1
清华大学电子系副教授姚权铭
Q：请问为什么同样是顶尖团队，师兄师弟之间毕业时的差距会很大？除了个人的动力之外，还有哪些通用因素？您更愿意指导什么样的学生？有没有什么是您读博时觉得不重要、但现在觉得很重要的？
A：对第一个问题，我觉得有四点：1.自驱；2.事事有反馈；3.放下傲慢；4.不要在同一个地方跌倒两次。
Q：请问老师，未来的行业热点都会是“人工智能+”吗？普通硕士或博士该学些什么，才能在未来的就业市场上保持不可替代的竞争力？
A：要学会磨炼自己的眼光，做一个懂得延迟满足的人。
Q：请问《西部世界》在未来有没有可能成为现实？
A：影视作品借了人工智能的外壳，本质上是在讨论人性。
Q：我是通信专业研一学生，也是这个方向，想问应该怎么入手？Python需要学到什么程度？他们说的“阅读代码”是指要看懂每一行、每一个字的意思吗？
A：代码不是逐行理解的，而是要结合上下文去看。
Q：硕士刚毕业先在工业界做NLP算法，再去读海外博士（AI/管理学交叉）可以吗？硕士学历在工业界做算法会不会受“35岁危机”的影响？
A：首先别担心年龄问题。那是“卡底线”的，不是“卡上限”的。
Q：请问在人工智能领域，编程能力真的很重要吗？
A：分析问题的能力更重要。
1
中国人民大学高瓴人工智能学院教授赵鑫
Q：老师怎么看DLM、MLLM、VLA的未来？
A：我觉得大家关注DLM，主要有两点：一是它是否具备更强的建模能力，二是它的生成方式是否更灵活。对于多模态模型来说，这类结构可能更契合多模态数据的特性。不过我认为还需要更强的实验证据。目前确实有一些令人期待的迹象，至少多了一个可以并行探索的路径。我对多模态融合生成不算特别熟悉，但整体来看，还需要更多的实验去验证。
Q：目前不少学校都在做法律大模型研究。法学是RUC的优势专业之一，您觉得AI会对法律行业（如律师、法务）产生颠覆性影响吗？
A：我觉得正在朝这个方向前进。
Q：在校期间做过前大模型时代的NLP（魔改Transformer），工作后只做过行业大模型应用，有什么结合的方向或研究建议吗？
A：可以先系统学习一下大模型的整体框架与方法。
Q：老师觉得DeepSearch的研究与应用未来有哪些主要挑战？
A：我觉得主要问题在于终极目标还不清晰，而且训练数据比较难获得。
Q：可以推荐一些不需要很多卡也能开展的大模型研究方向吗？我现在条件有限，只有几张卡。
A：可以考虑智能体方向，尤其是不需要微调的那种。
Q：老师觉得大模型真的是通向AGI的好路径吗？
A：现在的我觉得可能不是。
Q：我是数学专业大一新生，如果想转向AI，需要提前做哪些准备？比如项目或实习？
A：重点放在人工智能编程上。
Q：该如何跟进学术前沿？有时看一篇新论文半天发现是水文，感觉浪费时间。
A：可以优先看科研大厂的论文。它们通常质量更高，也更具方向性。
Q：老师怎么看待拿大模型造数据、微调小模型，然后声称“小模型在某领域超过大模型”这种做法？
A：我觉得数据才是核心，用什么模型造数据可能没那么重要。但真正有价值的是能让大模型持续提升。
Q：您觉得大模型接下来在哪些方面更可能产生质的突破，而不仅仅是堆数据或魔改？您觉得三年后大模型还会这么热吗？
A：架构和训练方法。
1
上海交通大学人工智能学院副教授陈思衡
Q：能问问您的作息吗？大概几点睡几点起？如何保持比较高效的学习状态呢？
A：念博士的时候一般是12点半睡，8点半起。想要高效，一方面要有足够的motivation，另一方面也需要一定的外部压力来制造适度的焦虑感。紧迫感一上来，效率自然就高了。另外，长期高强度地搞研究确实是个体力活，有空健身会有帮助。
Q：您认为具身智能最容易落地、在工业界最有前景的方向是什么？
A：最终还是养老和家庭服务领域吧。现阶段技术还不成熟，可以先从科研开发、导游展示、货架取物等方向做起。
Q：目前有没有结合AI的宠物类产品？
A：之前看到过一个例子，用AI把宠物的声音翻译成人类的自然语言。
Q：我是大三计算机专业学生，刚开始接触宇树人形机器人的项目，目标是让机器人学会拳击动作。但我没有什么头绪，网上也没有教程，我该怎么做？
A：先搞一台G1机器人，然后看看相关的论文，比如OmniH2O、HOVER、ASPS等等，把这些方法都能在真机上复现出来。
Q：大模型的本质是不是预测下一个词？如果是，那它生成的上下文为什么会有逻辑？它能预测后面很多个词吗？
A：有一种观点认为智能的本质是压缩——把所有过往的信息压缩到下一个词里。就像Ilya打的比方：一本侦探小说，最后一个token是凶手的名字。要预测出它，模型必须理解整本书的所有情节，这个过程本身就体现了智能。
Q：普通文科硕士能干什么？有没有普通人可以学习的渠道？
A：AI可以加速阅读和创作，比如在财务、内容生成等领域。文科生也可以做AI产品经理，有很多发展方向。
Q：您觉得多智能体这个方向未来会有什么样的想象空间？
A：单一模型或智能体必然存在局限，不可能成为“全能战士”，必须依靠多智能体系统协作。但当单体太弱时，多体协作也很难实现。所以现在大家重点是提升单体能力。未来多智能体协作一定会大有可为。
Q：文献一般怎么读才能记住？
A：重要的论文最好完整复现一遍。
Q：现在这么多企业都在热招LLMAgent岗位，但LLM本身的幻觉问题还很严重，这样下去会不会最后都做不出来？
A：幻觉严重有点被夸大了。现在最强的语言模型幻觉率在逐步下降，Agent的定制化也能进一步减少幻觉。而且有些任务对幻觉的容错度较高。总体来说，这是可解的问题，前景仍然很乐观。
1
香港科技大学（广州）助理教授梁俊卫
Q：我想问一下，边缘计算和具身智能结合，通过将计算任务卸载到边缘端来解决终端算力问题，这个方向有实际前景吗？还是说目前云计算已经能为具身智能场景提供足够低延迟的算力，不需要边缘计算？
A：这个方向肯定有研究价值，但具身智能技术现在还没收敛，很难判断未来的计算形态。我个人觉得家庭服务类场景大概率需要一个“家庭算力盒子+机器人”的组合，才能满足低时延和隐私保护的需求。
Q：如何看待LLM和非LLM的学习方法在机器人应用上的边界？我始终觉得语言并不是机器人获取精细技能的必经之路，但现在业界似乎不用LLM都不好意思叫自己具身智能。
A：现在的VLA大多是基于VLM后训练的，比如gr00T、Pi0等，它们其实不是LLM。我认为具身智能和传统自动化机器人最大的区别在于“泛化性”。目前来看，具备泛化能力必须依赖多模态大模型。这是机器人操作方向的关键。而像locomotion这类运动控制任务，主要还是基于纯仿真RL的小模型，是另一条路线。
Q：您觉得一个博士生一周应该投入多少有效工作时间？
A：我挺同意Karpathy说的那句话：如果你能坚持每天8小时、每周5天，四五年下来，没什么是做不成的。博士更像是一场长跑，做科研最重要的是规律性和持续性。
Q：想请教您：（1）目前在做多模态大模型的理解与推理，该怎么往具身智能方向靠？感觉未来迟早是具身智能的天下。（2）如果只做多模态LM，将来能去具身智能公司吗？能说自己是在做机器人的“大脑”吗？还是得真的去做VA相关的？
A：多模态大模型很有必要。建议看看gr00T、Figure机器人的快慢系统架构，还有Pi0，它们都是从VLM出发再训练出VLA的。要有实机经验才有竞争力，光停留在模型层面是不够的。
Q：本科生如果想学机器人或具身智能，该看哪三本书？
A：现在看书有点落后了，建议直接去搜“EmbodiedAI”的斯坦福或UCBerkeley课程和tutorial，多看star数最高的开源项目和资料。
1
复旦大学青年研究员、石智航联合创始人、首席科学家丁文超
Q：您估计什么时候可以大批量应用家政机器人？我还有十几年退休，赶得上吗？
A：哈哈，按照十几年的时间尺度，应该赶得上，甚至可能更早。
Q：现在机器人能做这么多复杂的动作，比如跳舞，是用强化学习训练的吗？这些奖励函数怎么设计？还是用模仿学习做的？
A：一般是模仿学习加强化学习结合。模仿用于实现动作风格（styling），强化用于实现平衡（balancing）。
Q：对于机器人具体的任务或应用，比如manipulation、navigation和人形locomotion，这些方向在业界的岗位需求分别如何？前景怎么样？
A：通常来说，越难的问题需求越大，也越有价值。在这几个方向中，manipulation是最难的。当然，这些任务未来都会逐渐融合成一个完整的系统。
Q：如何看待自动驾驶在强化学习（RL）上的落地与瓶颈？
A：我个人认为RL是自动驾驶技术栈中最后几块拼图之一。RL依赖环境动力学（envdynamics），如果要和端到端学习结合，就需要非常强的worldmodel。这块目前仍然存在不少技术上的开放问题。
Q：在机器人科研过程中，您是怎么决定去创业的？
A：具身智能是一个非常大的赛道，甚至比自动驾驶还大。科研和落地是分不开的，最终都要走向实际应用。
点个“爱心”，再走吧
海量资讯、精准解读，尽在新浪财经APP 编辑： 来源：
