在正在举行的机器人学习领域顶会CoRL 2026上，清华大学交叉信息研究院助理教授、星海图CTO赵行发表Early Career Keynote演讲（青年成就奖）。该奖项须同行提名、不得自荐，专门授予博士毕业十年内、已在机器人学习领域留下实质成果的年轻研究者。今年全球仅有三位学者获此殊荣，赵行是其中唯一的中国面孔。
演讲中，赵行围绕”机器人的时间”展开，提出机器人智能应当在不同时间尺度上分层组织，并给出了一套被其称为”时钟理论”的分层方法。他指出，判断一件事属于哪一层需要分两步：先问这一层必须对什么做出反应，这决定时钟要多快；再由时钟决定层级。其中，System 2以秒到分钟计，负责利用过往经验理解当下；System 1以几十赫兹的频率响应机器人手与物的相对运动；System 0则需达到几百赫兹，用于跟踪接触与力。
这一观点的提出背景，是近期GPT-6 Astra接入机器人后引发的行业讨论。赵行援引NVIDIA研究者在RoboLab-120仿真上的数据：Astra任务成功率为66％，π0.5仅为28％；在另一基准RoboDojo上，Astra为22分，π0.5为7分。但他同时指出，这些基准并不测试时间。Astra采用直接策略控制机器人，每次调用基础模型需18秒，机器人97％的时间在等待模型思考，而现实场景中机器人无法承受这样的延迟。
为验证时间约束的影响，赵行在家庭厨房仿真器RoboCasa中进行了受控实验：5个机器人从未见过的测试厨房、5项任务，每项限时50秒，对比编程策略、编程加询问、编排策略、直接策略与智能体策略五种控制方式。在不限制思考时间的情况下，除编程策略成功率为45％外，其余方法成功率均超过60％；但加入真实时钟约束后，直接策略和智能体策略的成功率分别跌至15％和20％。赵行由此得出结论：慢模型本身没有问题，关键在于与System 1结合，例如由编排策略调用小神经网络技能处理高频控制。
这套思路与赵行的产业经历直接相关。2019年从MIT博士毕业后，他加入Waymo，亲历自动驾驶从实验室走向规模化量产。回国加入清华叉院后，他带领团队从四足机器人视觉跑酷做到全尺寸人形全身跑酷。在自动驾驶领域，其参与推动的DriveVLM-Dual快慢双系统方案，由大模型负责慢思考、传统规控负责快响应，目前已落地超过40万辆量产车。
赵行在演讲中并未否认大模型应用于具身智能的可能性，而是试图通过解决时间延迟问题来更好地组织各类模型。对于正加速推进人形机器人量产落地的具身智能行业而言，如何在模型能力与实时响应之间建立合理的分层架构，将成为下一阶段工程化的关键命题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
