在人工智能與機器人領域，陳佳玉的名字正逐漸被更多人熟知。這位兼具學術與產業(yè)雙重背景的年輕研究者，本科畢業(yè)于北京大學工學院，早期聚焦自動駕駛技術研究，博士后階段在卡內基梅隆大學將強化學習應用于核聚變反應堆控制，如今以博導和原力無限資深研究科學家的身份，將研究重心轉向通用家用機器人領域。

陳佳玉的科研軌跡始終圍繞復雜系統(tǒng)智能控制展開。從自動駕駛的感知與決策，到強化學習理論與算法設計，再到核聚變等離子體控制，看似跨度極大的研究方向背后，實則貫穿著強化學習這一核心線索?！皬娀瘜W習的學習過程具有類人特性，且涉及控制理論、統(tǒng)計學等多學科交叉，這種綜合性和挑戰(zhàn)性吸引著我持續(xù)深耕?！标惣延窠忉尩?。他強調，當前研究更注重從實際需求出發(fā)，而非單純追求技術難度，但發(fā)展類人智能的終極目標決定了強化學習仍是值得探索的前沿方向。

在陳佳玉看來，核聚變控制與機器人操作在數(shù)學本質上具有共通性。無論是通過真實數(shù)據(jù)交互還是模擬器建模，兩者均可抽象為馬爾可夫決策過程，需定義觀測、動作及評價標準三個核心要素。這類高維非線性連續(xù)控制問題，正是強化學習的優(yōu)勢領域?！拔业牟┦繉熒瞄L用數(shù)學原理剖析問題本質，博后導師則精通工程迭代方法，現(xiàn)在的研究正是兩者結合的產物。”他以正在推進的持續(xù)性強化學習項目為例，該項目旨在讓AI具備持續(xù)學習新任務且不遺忘舊知識的能力，既需要理論突破，也依賴工程實踐。

2025年，陳佳玉開啟“雙棲”模式：在香港大學擔任教職的同時，加入創(chuàng)業(yè)公司原力無限。這種選擇源于現(xiàn)實考量——學術研究面臨資金、場地、算力三重困境，而產業(yè)界能提供更充足的資源支持。原力無限構建的商業(yè)技術閉環(huán)、高效的執(zhí)行文化，以及與陳佳玉團隊在“一腦多身”通用物理世界模型上的技術共識，成為雙方合作的關鍵因素?！巴ㄓ脵C器人是人工智能領域的終極挑戰(zhàn)，它需要整合計算機視覺、自然語言處理、強化學習等多領域技術?！标惣延裰赋觯彝鼍皩νㄓ眯缘男枨?，使其成為最具潛力的落地方向。

針對初創(chuàng)公司與科技巨頭的競爭，陳佳玉認為，初創(chuàng)企業(yè)需聚焦特定場景，走專業(yè)化道路?！按髲S在基礎模型和算力上具有優(yōu)勢，初創(chuàng)公司必須找到差異化路徑，通過快速落地和實用主義策略建立競爭力?！彼A測，短期來看，人形機器人將優(yōu)先在B端工廠場景應用，但長期機會在于C端家庭市場。“家庭用戶需要的是能完成多種任務的通用機器人，而非多個專用設備?！?/p>

在技術路徑選擇上，陳佳玉團隊正攻關兩大方向：持續(xù)性強化學習與以智能體為中心的世界模型。后者區(qū)別于當前主流的第三人稱視角世界模型，強調構建指揮智能體行為的因果模型?！袄纾瑱C器人拿杯子時，世界模型應讓其理解‘拿緊杯子是為了防止掉落’，而非簡單模仿動作序列?！边@種因果建模能力，將幫助機器人實現(xiàn)跨任務知識遷移。

對于行業(yè)普遍關注的泛化性問題，陳佳玉持謹慎態(tài)度。他認為，當前許多研究宣稱的泛化能力缺乏理論保障，屬于偶然性成功，而持續(xù)學習技術則被嚴重低估?！叭绾巫孉I在學習新任務時不遺忘舊知識，這是Richard Sutton等學者近期重點討論的難題?！彼嘎叮瑘F隊正通過數(shù)據(jù)工廠采集初始數(shù)據(jù)，并計劃通過部署機器人獲取真實用戶數(shù)據(jù)，構建“數(shù)據(jù)飛輪”正反饋機制。

面對“少年天才”的標簽，陳佳玉更關注實際貢獻：“標簽不重要，重要的是能否解決重要問題?！彼ㄗh年輕研究者：首先明確定義研究問題，確保其具有足夠價值；其次積極整合資源，包括算力、設備和落地場景；最后通過拆解頂尖學者的研究體系，構建自己的認知框架?！安灰つ孔冯S熱點，要建立獨立思考能力，從體系推導出真正值得研究的問題?！?/p>