刘世隆专访：AI下一步

当开放世界检测模型 Grounding DINO 在 Hugging Face 上的月下载量突破两百万次，成为全球开发者广泛使用的工具时，它的核心作者刘世隆，正站在计算机视觉与具身智能的交汇点上，思考着 AI 的下一步。 这位即将入职哥伦比亚大学担任教职的青年学者，本科从工业工程跨界计算机，靠打比赛练就了扎实的工程底子。 从博二提出 DAB-DETR，到博三做出刷榜 COCO 的 DINO，再到将 Grounding DINO 落地为开源爆款，他完成了视觉检测领域的扎实跨越。

ChatGPT 问世后，他转向多模态 Agent； 在普林斯顿做博士后期间，他全面聚焦自进化智能体，提出了 Alita 等框架，并通过博客为领域内模糊的 RSI 概念建立了清晰的“三层分类法”（输出层、框架层、模型层）。 当模型的泛化能力成为普遍追求时，他却直言坚信统计学习理论，认为不应苛求完美的泛化 ——“干任何事情都是不断朝终点搜索的过程，只要评估能减少搜索分叉就有价值。 ”在他看来，走向具身 AI 并非单纯堆砌模型规模，而是需要直击虚实鸿沟，寻找真正务实的破局点。

回看他的研究路径，核心其实很纯粹： 不盲从宏大叙事，只用底层信念引导研究，再把研究做成对大家有用的产品。 未来 CV 与 Robotics 该怎样结合？ Agent 应该依据什么判断自己真的进步了？ 做机器人专有模型的意义是什么？ 在这篇深度专访中，刘世隆将回顾他从计算机视觉（CV）代表作起步，一路延伸至具身 AI 的研究轨迹，深入探讨自进化智能体（Self-evolving agents）、世界模型（World Model）、以及 Agent 在科学发现中的应用。

不应该期待 robot 在适配一个极小的 domain-specific benchmark 的同时，还保持一定的泛化能力。 基于统计学习理论，泛化执念需要被打破。 在复杂任务中，决定 “什么时候做什么、把任务交给谁”需要极高的智能。 人的路由调度（routing）能力远强于模型。 怎么做一个更好的 Router，是下一步 AI 要大力提升的关键方向。 World Model 最大应用场景在一些非常 niche 的领域，下围棋也好、拧魔方也好，它可以完全模拟状态，拥有更好的搜索能力与搜索效率，甚至可以超越大模型。

科学发现极高的容错率契合 AI 特质。 但其壁垒在于：物理环境（Wet Lab）验证困难，且大量核心知识属于极难被 formalize 的隐性直觉（“老师傅手感”）。 找问题基于底层信念：从底层逻辑推演 “什么可做、什么不可行”，并基于对未来趋势的判断走在前面，做研究就会变得非常容易。