最爱喝奶茶的AI科学家，要做最能懂你的“智能体”

文｜富充

编辑｜苏建勋

无论是在学校的科研中，还是在与蚂蚁集团这样大公司的合作项目里，吴翼都希望他的团队能保持创业心态：不怕踩坑，快速迭代。

作为清华大学交叉信息学院助理教授，AReaL项目负责人，吴翼聚焦强化学习算法和AI应用创新。其清华团队和蚂蚁研究院一起于2025年5月开源了首个异步强化学习训练框架AReaL-lite，能显著提升AI训练效率，减少GPU的浪费。

作为90后的技术负责人，吴翼要求团队“在试错中成长”。他现在最不喜欢的借口就是“没有资源，所以工作没法做”，因为从0到1的本质，正是创造资源。

今年9月的外滩大会上，吴翼阐述的产品观也体现了这一点：做出来就赶紧发布，即使市场反馈不好，也要知道问题在哪里并做出相应改善，不要等待一个完美开局。

这份对创新的体悟，源于吴翼此前的创业经历。2023年，他的团队创办了基于强化学习的AI Agent公司边塞科技，这也是AReaL的前身。

因在AI领域相似的背景与研究经历，吴翼与星动纪元创始人陈建宇、千寻智能联创高阳、星海图首席科学家许华哲三位留美AI学者并称为“伯克利四子”。

鲜为人知的是，吴翼是四人中最早决定回国的，也正是他的建议与推动，促成了其他三位的归来。

吴翼喜欢做有开创性的事情。在清华，他常告诫学生“创新就是要到无人区去”。他坚信，AI创新不能靠多点布局“赌一把”，而是要源于深度的思考与长期的坚持。

他对AI的未来有独特判断：智能体必将能理解人类的模糊意图，完成长程任务，并最终从数字世界走向物理世界，成为具身智能的“大脑”。

今年WAIC上的演讲中，他举例描述，未来只需对机器人说“整理一下房间”，它便能花上数小时，妥善完成。

对于这个目标，吴翼认为，自己正在从事的强化学习训练方法，将是大幅提升AI的智能水平的关键。

因为强化学习的训练的特点是让AI在实践中自主学习，并培养出探索的能力。而之前的监督学习，需要人一直告诉AI如何工作，这种方法难以适用于长时间执行的任务。

△在杭州参加机器人学术会IROS后，吴翼发了个小红书，照片里他手捧奶茶笑得很开心，图片：采访人提供

在专业领域态度严谨的吴翼，在社交媒体上却展现出另一面。

这位自称的“高能量I人博导”，经常在小红书上分享科研进展，也乐于回复有关AI求职与发展的提问。

因为喜欢喝奶茶，吴翼不仅会认真评选Top5奶茶口味，还会专门拍照打卡喜欢的奶茶品牌。

△吴翼喜欢奶茶，在小红书上发的招聘信息，配图也是一杯奶茶，图片：网络截图

近日，吴翼接受了《智能涌现》的专访，分享了很多对AI前景、创业的思考，其中也包括帮自己快速决策、提升团队效率的方法。内容经作者整理：

AI的未来是聪明的智能体

智能涌现：目前AI还没有出现在大规模普及的应用，你认为AI产品的未来机遇在哪里？它会如何服务大众的生活？

吴翼：我觉得让AI实现长程任务是一个不可逆的趋势。此外，人对AI表达的命令会越来越简单、含糊。

现在还很难讲最终的产品形态，但AI产品上最终出现“从用户需要主动驱动AI，到AI提前猜到用户想要什么并完成”的变化。

这个事情在移动互联网上就出现过。比如在搜索引擎时代，是人们有了需求主动去找信息。然后有了知乎，再有了字节的各个产品，算法可以把用户想要的内容推送过来，让用户被动接受信息。

所以我想，最终人们会慢慢忘记主动搜索的对话框。聪明的AI可以越来越多服务“懒”人的需求。

最终一定会出现这样一个全新的产品，它是一个大的时代的机遇。

智能涌现：你在WAIC等活动上都提到，当智能体（Agent）有了身体子以后，就变成了具身智能体（Embodied Agent），可以与物理世界交互。简而言之，这就是AI机器人。具身智能体能做什么样的工作？

吴翼：聪明的具身智能体（Agent）仅凭模糊的指令，就能准确推测用户的意图，高质量完成任务，甚至还能主动考虑到用户尚未意识到的需求。

比如，你在家里跟机器人说，我的充电宝找不到了，它就会自己推理、行动，根据你的使用习惯和它记忆中你上次用过充电宝的位置帮你寻找。

智能涌现：聪明的具身智能体也能多机协作吗？多具身智能体是如何配合的呢？

吴翼：具身智能体可以一起配合，完成更复杂的任务。

比如在机器人足球队里，机器人们和人类球员一样，当遇到训练过的情况时，互相眼神一对，就知道该组成什么阵型了。

如果有了多个聪明好用的智能体，那多出来的一步就是定义他们之间怎么沟通。

在数字世界里面，智能体沟通的方式可能是有一个Master Agent去驱动很多小的Agent。你可以用不同的模型，你也可以用一个模型，但结构上像是有一个人在不断做规划，很多人在同时围绕规划做执行，这就所谓的Multi-Agent System。

我常举的一个例子是 Claude Code和Gemini 的协作。

Claude Code的代码能力很强，但上下文短、成本高；而 Gemini 虽然笨，但能处理大量内容。于是就可以让Gemini先读完整个Code Base，筛出最关键的内容，再交给Claude Code写代码。

相当于一个聪明但身体不好的人，和一个体力无限的傻子，两者协作，就形成了一个多智能体Multi-Agent System的高效组合。

放到具身智能体干活的场景，比如需要几个机器人一起打扫空间。大家“沟通”之后会有一个任务规划，谁负责扫地、谁负责擦地，一起配合完成。

智能涌现：从数字世界的智能体到物理世界的具身智能体，怎么过渡？

吴翼：从数字世界到物理世界的过渡，需要多模态数据，训练环境也从电脑里来到现实世界。

在数字世界里面用的工具，就基本上是Bits，这是一个执行成功率很高的东西。那么你基本上你去写一段代码就能执行相应的功能了，确定性比较高。当然，怎么写代码这件事本身并不容易。

而真的到了物理世界用工具的话，比如说拎包开门，机器人去执行这个任务时，失误率目前还是很高的。因此具身智能的发展会更复杂，也会更慢。

但是，我觉得站在宏观上看长远的发展，如果有一天智能体的底层物理世界已经数字化改造得差不多了，各种智能体的核心技术挑战最终是统一的。

比如，当我们真的有一个机器可以对大部分物理世界工具形成100%成功调用，那么在此之上构造一个能自主运行一整天的具身智能体，从技术上就和Bits世界的智能体其实没什么区别。

△今年WAIC上，吴翼和伯克利时期导师Stuart Russell的合影，图片：采访人提供

AI创新不能靠“赌一把”

智能涌现：你本身在字节实习过，自己的团队创办了边塞科技，后来又选择和大厂合作推动强化学习技术，走了这么一大圈，回头看有什么思考吗？

吴翼：早期的边塞科技团队，其实选人上踩了不少坑。当时有不少员工其实是抱着上班的心态来工作的，并没有意识到创业意味着什么。客观来看，整个团队确实不大ready，不大符合AI时代的创业精神。当然，大家都是第一次，踩坑也不可避免。

我现在很不喜欢的一句话是，“没有资源，我没法做某件事”。创业团队并没有丰富的条件，人们都是创造资源去做自己目标的事情。

所以，创业团队其实更需要有创新的火苗，以及相应的觉悟的人。

创新是没有Bet（“赌一把”）之说的，创业需要对所做的事情有坚信，我们没有那么多的资源去押注不同的赛道，赌一个能跑出来的未来，这样会造成很多中庸的方案。

创业精神是，我坚信有些事情即使我没做成，但它是对的，总有一天会被实现的，哪怕不是我。

智能涌现：“伯克利四子”（指吴翼、高阳、许华哲和陈建宇四位毕业自加州大学伯克利分校的青年学者，目前皆活跃于AI、具身智能领域）种你是最先决定回清华任教的，然后你带动了其他人回国。这是为什么？

吴翼：2018年8月份我结束在北京的字节实习。我虽然在Berkeley读的PhD，但我其实受字节影响不小。

从2016年开始，我就断断续续在北京字节的不同团队实习，也是字节AI Lab最早的成员之一，恰巧见证了中国移动互联网的尾巴。2018年8月，我结束最后一段字节的实习之后，就想清楚了我要回国。

一方面是感到了中国发展的巨大机会，另一方面也是明显感觉到华人在美国的天花板。除非你变成一个美国人，那么就回到了一个根本的问题：如果你想做出有影响力的事情，那么你想成为中国人还是美国人。我发现我并不想妥协成为一个美国人。

面对选择时，很多人会说，“我现在不Ready，要等未来准备好了再如何如何”。比如，关于回国这件事，就会有人说“我在美国再发展一段时间，过几年我再回国”。

但我有一个理论：如果你未来确定想做一件事情，最好的时间是过去，其次是现在。于是我觉得，那不如就选择回国吧。

回国做什么呢？我想了一个月之后拒绝了字节的Return Offer；2018年10月，我敲开了姚先生办公室的门，选择回清华做老师。

然后我就跟当时的几个Berkeley的同学分享了我的想法，说大家赶紧回，是有机会的。我的想法也很简单，看到好的机会我就想和大家分享，也确实影响到了一些人。

我们站在这么多年后去会看，确实对于回国这件事来说，那个时间点是个好的Timing，我们也确实作为早期回国的学者享受到了一些红利。

智能涌现：印象里你总会做一些挑战，然后一边学习一边调整，才走到了后来的路上。比如博士先选到了不喜欢的专业后才改到了强化学习；比如同批回国的学者里你似乎又是先开始创业的，等到同一批的同学都开始创业了，你又选择和大厂合作。你的经历听起来也像是一个强化学习的过程？

吴翼：对，我真是一路强化学习，一路踩坑，我能把我能想到的坑全部快速的踩了一遍。哈哈，我自己感觉通过踩坑学习比SFT（监督微调）学得要深刻一些，泛化得好一些。

做产品其实也类似。我常说做出一个产品要赶紧拿出来，AI时代，酒香也怕巷子深，要赶紧把产品拿到巷子口让大家用起来，得到反馈。即使市场反馈是失败的，也知道坑在哪里，快速试错迭代。

当然，这里也是要和大家说一下，如果能有高质量SFT数据的话，再去做强化学习可以学习效率高一些。因为强化学习的探索得到负反馈还是挺消耗的，所以我也希望把我的经历和看法做一些分享给大家，让大家能够进步的快一些。

智能涌现：开创性的机会往往意味着没有那么多可参考的经验，你是如何说服自己下决心的？

吴翼：遇到需要下决心的事情时，我有一套快速决策的方法：先抛个硬币。硬币落地之前，其实心理就已经知道答案了。

我总是那个先抛硬币的人。

智能涌现：对你来说，是想做的事情重要，还是光环重要？如果可以实现理想做出伟大的成绩，但要隐姓埋名你愿意吗？

吴翼：我愿意。

我想过这个问题：如果我能从0到1建立一个好的创业公司，后来这家公司进入1到100的阶段、组织迅速变大，而我不再是最被光环围绕的管理者。这件事我能不能接受？答案是可以。

到那个拐点，我很可能会引入职业经理人，自己再去做下一个0到1。原因很简单，从1到10甚至1到100往往需要上百人协作，这么庞大的管理不是我最享受的工作。

不过我现在也确实在反思，是不是被这种理想主义的状态限制住了。也许真的那个时间点到来的时候，我会做不一样的选择。但如果你现在问我，我可能倾向于一直做那个0到1。

强化学习是通往AI未来的钥匙

智能涌现：AReaL团队所做的强化学习，为什么能很好地服务于AI的训练？

吴翼：强化学习的训练特点是让AI自己在实践中学习，这更能训练出很聪明的人工智能。

之前的所谓监督学习、SFT（监督微调）的方式，是人去告诉AI这个事情怎么做。但这是很难的，因为它的可能性很多，人不能在10小时里一直下指令。

而且，人给的指令可能和AI想的不一样，很多时候指令给多了，AI死记硬背后不见得真的会“理解”，于是模型很可能泛化能力会很差。

所以，我们希望通过强化学习技术，让AI主动跟环境交互，甚至做到在自己拿不准的时候能学会问问题。这种鼓励AI自我迭代的训练模式，本质上是在培养AI自己探索的能力，这只有通过强化学习才可以做到，

智能涌现：我们下面来聊一聊技术的Know How。你之前说，要做好强化学习，技术上有三个要素很重要，就是奖励机制（Reward Model）、搜索和探索，还有Prompt（提示词），但三点都很难做好。都很难的话，怎么解决？

吴翼：我现在的感觉其实最重要的是Prompt，如何创造大量高质量的Prompt。

这三点可以用一个具体的例子解释，比如老师想辅导高中生做数学题，Prompt相当于老师出的题，搜索和探索是学生自己解题的能力和过程，Reward model是老师给学生的反馈。

什么样的题可以把学生的水平提高很重要。比如给中学生高等代数的题，可能会太难；如果给太简单的题又得不到提高。如何出恰到好处的题，是非常重要的。

这也是强化学习框架下对于数据的最大挑战：量大并不管用，核心是要合适，才能提高模型能力

智能涌现：强化学习和具身智能体间有什么关系，强化学习是如何让聪明的机器人为人类服务的？

吴翼：强化学习和具身智能体的关系其实有两个方向，一个是Locomotion，也就是运动控制，这里的强化学习技术成熟的比较早，并且完全不需要预训练。

还有一个是长程推理和规划相关，一般和经过预训练的大模型结合。这个方向随着ChatGPT的诞生才逐渐普及，相对比较新。

这两个方面其实代表着具身智能的一个谱线，从高频率控制完成短的控制任务，到抽象的任务规划完成更复杂的推理任务。

传统的强化学习解决控制问题是不需要预训练的，比如各种跑酷的机器狗，比如控制机器人跑跳。这些都是直接通过微小尺寸的神经网络，直接在物理仿真环境里面进行强化学习训练后，直接迁移到现实中的，并不依赖预训练。

在这里，强化学习通过算法训练神经网络，输出对于机器人每个关节的底层控制信号，以此控制机器人运动。这些任务的特点就是控制频次很高，同时任务完成周期很短：比如跑跳可能是通过几十次关节控制在几秒钟内完成了任务。

那么，ChatGPT，Deepseek R1所代表的强化学习技术，就是和大模型预训练紧密结合的：先要有一个经过预训练的基础模型；预训练完成后再通过强化学习做后训练，去激发模型强大的思考和推理能力。

比如Deepseek R1就是这样。最近OpenAI和Gemini去比IMO、IOI这些数奥竞赛，也是通过强化学习增强了模型的推理能力去实现的。

经过强化学习训练的大模型，可以做分钟级到小时级的思考，可以有常识，可以把复杂的问题进行任务拆解，可以调用工具。不过目前推理强化学习的成功实践还是在数字世界，没有广泛影响物理世界。

但这其中是有中间态的，就是具身智能常说的VLA（Vision-Language-Action model）。

智能涌现：那如何从VLA的中间态，推进到具身智能体的最终态？

吴翼：VLA是大家尝试用预训练的思想，解决物理世界问题的方法。

人们收集很多数据，去尝试预训练一个针对物理世界的大模型，让物理世界的模型不光能够完成几秒钟的跑跳任务，也能有足够的泛化能力去完成几分钟级别的人物，比如叠毛巾，比如给杯子倒水。

那再往后发展呢？如果我们希望完成一个更长程的任务，比如做个饭、打扫卫生。

这些任务可能需要几个小时才能完成，中间需要非常非常多的机器人的控制，也需要很抽象和常识性的分解和规划，甚至和人做交互——就像数字世界的智能体一样，只不过是在物理世界里。

所以我会把这样的智能体叫做具身智能体。我个人觉得，具身智能体恐怕是需要把Locomotion的强化学习或者VLA看成物理世界的工具或者小脑，并且把类似ChatGPT这种完全基于预训练的强化学习技术看成大脑。两部分需要结合起来。

和数字世界的智能体LLM（大语言模型） Agent的爆火不同，物理世界的智能体概念大家还关注的比较少。大部分人还是更关注硬件，更关注底层控住，在关注杯子能不能抓问，分拣能不能准确。当然这些也确实是具身智能和LLM的不同之处——改造物理世界总是困难的。

因为我自己更关注强化学习和智能体技术本身，所以我会先关注大脑的部分，思考怎么让智能体能够稳定可靠地完成10小时的事情。然后再去和物理世界的强化学习技术结合。

智能涌现：所以，在具身智能这件事上，你的强化学习和VLA将如何、在哪个节点配合起来？

吴翼：我们现在给的方案就是分层。

这也是我WAIC讲的一件事情，就是你看这个世界的两端越往上越需要人类世界的知识，越往下越不需要。

往下的部分可能是一些直觉的反应，比如说拿一个杯子，可能具备一些力反馈，或者一些简单直观的物理知识，就可以办这件事。

但往上就需要一些先验知识。

那上下之间的切割点在哪里，就是把涉及物理世界和数字世界Agent之间可以做一个区别。

我并不认为VLA是最终范式，因为VLA预训练的规模并不能支撑它直接成为一个很好的智能体。

所以我会先做好这个数字世界的智能体。同时有其他的从业者在做具身与物理世界相关的探索，之后再在合适的机会做结合。

智能涌现：你在外滩大会上说，在自己负责的AReaL团队上也在寻求一种全新的、极简的组织形态。这是为什么？

吴翼：互联网时代，要做一个产品，高低得找四五个人，一个前端、一个后端，一个产品经理。

但在AI时代，这些工作也许是一个人和AI就可以的。

过去有很多小的组织，会找外包团队。而AI时代，不仅组织内部会被AI简化，外包的部分也可以节省。

我认为如果组织内可以做到大量AI化，那能力一定是可以溢出的。因为如果是AI的方式来服务自己，那它也可以服务别人，这个一定会带来新的产品机会。

AReaL团队现在有6个人，但从外部而言会需要一些支持团队。如果把所有外部的同学都算进AReaL大团队，那肯定还可以调整做到更精简。我希望团队保持一个AI时代的极简状态，这也是AReaL核心团队人一直很少的原因。

智能涌现：不过大公司的组织形态会是比较庞大的，你具体是如何在一个大公司里实现AReaL团队的组织简化？

吴翼：首先，作为一个现代的Agent团队，一定自己每天要使用大量的agent才可以。

此外，我让算法和Infra团队组合在一起，形成全栈团队。

传统的组织团队，会把算法和系统团队分开，还会有别的工程团队，比如数据团队去做数据收集和清洗工作等等。传统的组织方式做模型时会强调分工，强调投入，让这些工程团队去支持算法团队。所以好像算法团队是个甲方，工程团队是个做“脏活累活”的乙方。

这个事情的问题在于，一旦你做了乙方，就失去了创新的空间；而一旦习惯做甲方，就很容易不愿意做脏活累活，这会很容易失去对于技术最底层的观察，感知，和创新所需要的自驱力。

OpenAI其实并没有发明什么震惊世界的算法，它是把很多细节做到很强。

所以我觉得，要做好Infa、做好数据，把细节堆出来，下了这个苦功，算法就可能有很好的表现。

因此，算法和Infra是不能脱离成两个团队的。两者不能有边界，要共同设计，协同演进就可以形成一支小而有战斗力的团队。

大的团队管理问题在于，如果这个组织里有200个人，就不可能没有边界。因为人的沟通带宽是有限的，所以必然会走向职责划分和管理，然后人类糟糕低效的Context Sharing能力就成为了整个团队的效率瓶颈。

所以极小的组织形式和全栈的创新能力是相辅相成的。我觉得大家要忘掉200人的组织，反正AI时代都是0到1，要激进一些做全新的尝试。