精华速览
2026年QCon全球软件开发大会上海站定于10月22日至24日举办，蚂蚁灵波科技首席数据科学家黄用韬博士确认出席“数据驱动的具身智能：迈向规模化之路”专题，发表题为《The World Is Not a Dataset - Building AI Systems That Continuously Learn from Reality》的演讲。其核心主张是：真实世界并非预先准备好的静态数据集，机器人学习若只围绕数据集展开，会丢失任务、环境、硬件、模型版本与人工介入等关键上下文。他提出把任务、事件、状态、数据和资源组织在持续演化的时间轴上，通过端、边、云协同，将问题发现、数据产生、模型学习、评测验证与下一次行动连成闭环，使数据集从系统的起点和终点变为持续学习过程中动态形成的结果。
要点透视
- 2026年QCon全球软件开发大会上海站将于10月22日至24日举办，设20个专题论坛，来自阿里巴巴、腾讯、字节跳动、蚂蚁集团、微软、华为等企业的100余位专家参与分享。
- 蚂蚁灵波科技首席数据科学家黄用韬博士将在“数据驱动的具身智能：迈向规模化之路”专题发表演讲，主题为《The World Is Not a Dataset - Building AI Systems That Continuously Learn from Reality》。
- 黄用韬本科毕业于清华大学数理基础科学班，博士毕业于德州大学达拉斯分校，曾任元戎启行技术合伙人，主导构建大规模数据与训练基础设施体系，现从事AI基础设施与分布式系统研究。
- 演讲指出，静态数据集视角会丢失任务创建、机器人执行、人工介入、失败、换件、标定、模型发布等关键上下文，这些环节本质上都属于学习系统的一部分。
- 黄用韬主张学习并非从训练开始，而应从模型评测发现能力缺口、理解反馈开始，再反向决定下一轮由谁、在哪里、采什么数据以及如何验证改进。
- 演讲强调一次失败不能简单归因为“再训练一次”，失败可能来自模型能力、硬件、环境、标定、数据质量或人工介入，系统需先理解反馈再决定行动。
- 端、边、云在該框架中不只是数据传输链路，而是协同处理问题、组织资源并驱动下一轮行动的学习系统。
- 核心指标被重新定义为缩短“发现问题—获得证据—产生改进—验证改进”的完整周期，而非单纯增加数据量或扩大模型规模。
文章拆解
这则演讲议题的价值，在于它触及了当前具身智能与机器人学习的一个结构性矛盾：行业普遍把数据视为训练素材，却很少把数据产生时的上下文视为系统资产。黄用韬提出的“真实世界不是一份数据集”，实际上是在纠正一种工程惯性——把机器人学习简化为“采数据、训模型、再部署”的线性流程。按素材所述，任务创建、执行、人工介入、失败、换件、标定、模型发布等事件都携带学习信号，静态数据集恰恰会把这些信号剥离掉，导致模型迭代缺乏可追溯的因果链。
更深一层的逻辑是学习起点的转移。传统做法从训练出发，而黄用韬主张从评测发现能力缺口出发，再反向决定数据采集的对象、地点和执行者。这一转向意味着数据采集不再是前置的批量作业，而是由能力缺口驱动的定向行动。与之配套的失败归因框架也值得注意：一次失败可能源于模型、硬件、环境、标定、数据质量或人工介入，若不先区分原因就盲目再训练，算力与数据投入很可能被浪费。
对行业而言，这套系统视角把端、边、云的角色从“传输管道”升级为“协同处理问题与组织资源”的闭环载体，其衡量标准也随之从数据规模转向闭环周期长度。对机器人企业来说，这意味着基础设施的竞争点可能从“谁有更多数据”转向“谁能更快完成一次有效的改进验证”。不过，素材未披露该框架的具体落地案例、量化收益或跨硬件平台的适配成本，这些尚待确认。潜在风险在于，闭环周期涉及评测标准、人工介入规范与多端协同，任一环节的标准化不足都可能让闭环退化为更复杂的流水线；此外，缩短周期与保证验证严谨性之间存在张力，如何避免“快速验证”变成“快速过拟合”，也是该思路落地时需要回答的问题。
暂无评论。