機(jī)器之心報(bào)道

機(jī)器之心編輯部

剛剛，加州大學(xué)洛杉磯分校（UCLA）副教授周博磊官宣加入機(jī)器人初創(chuàng)公司 Coco Robotics，專注于人行道自動(dòng)駕駛這一難題！

與此同時(shí)，Coco Robotics 聯(lián)合創(chuàng)始人兼 CEO Zach Rash 也宣布了一個(gè)好消息，正式成立 Physical AI Lab，周博磊任首席 AI 科學(xué)家

Coco Robotics 成立于 2020 年，是一家專注于「最后一公里」配送的機(jī)器人初創(chuàng)公司。早期，公司依賴遠(yuǎn)程操作員（teleoperators）協(xié)助機(jī)器人規(guī)避配送路徑中的障礙。五年過(guò)去，伴隨技術(shù)成熟與數(shù)據(jù)積累，Coco 接下來(lái)想要嘗試深入挖掘其機(jī)器人車隊(duì)在真實(shí)世界中采集的大量運(yùn)行數(shù)據(jù)。

在這一背景下，Coco 推出了全新的 Physical AI Lab，并邀請(qǐng)人工智能領(lǐng)域最具影響力的學(xué)者之一、UCLA 副教授周博磊加盟，擔(dān)任首席 AI 科學(xué)家。

Zach Rash 表示，公司一直以來(lái)的目標(biāo)都是實(shí)現(xiàn)機(jī)器人在「最后一公里」配送中的完全自動(dòng)駕駛，從而降低整體配送成本。如今，公司已經(jīng)積累了足夠的數(shù)據(jù)，可以深入推進(jìn)自動(dòng)化研發(fā)。

更進(jìn)一步的，Rash 談到他們已經(jīng)在最復(fù)雜的城市環(huán)境中積累了數(shù)百萬(wàn)英里的數(shù)據(jù)，而這些數(shù)據(jù)對(duì)于訓(xùn)練任何有用且可靠的現(xiàn)實(shí)世界 AI 系統(tǒng)都極其重要?，F(xiàn)在，積累的數(shù)據(jù)規(guī)模已經(jīng)達(dá)到了一個(gè)臨界點(diǎn)，Rash 認(rèn)為他們可以真正加速 Physical AI 相關(guān)的許多研究進(jìn)展。

他還表示，邀請(qǐng)周博磊來(lái)領(lǐng)導(dǎo)這項(xiàng)工作是一個(gè)「毫無(wú)疑問(wèn)的選擇」。Rash 指出，周博磊在計(jì)算機(jī)視覺(jué)和機(jī)器人領(lǐng)域的研究很大程度上聚焦于小型出行設(shè)備（micromobility），而不是傳統(tǒng)意義上的大型車輛，這與 Coco 的定位高度契合。

實(shí)際上，Coco Robotics 此前就已經(jīng)與周博磊有合作。Rash 和聯(lián)合創(chuàng)始人 Brad Squicciarini 都是 UCLA 校友，還曾向?qū)W校的研究實(shí)驗(yàn)室捐贈(zèng)過(guò)一臺(tái) Coco 機(jī)器人。

Rash 說(shuō)：「周博磊是全球在機(jī)器人導(dǎo)航、強(qiáng)化學(xué)習(xí)等多個(gè)與我們高度相關(guān)的技術(shù)和研究領(lǐng)域中最頂尖的研究者之一。我們已經(jīng)成功招募了一批世界一流的研究人員，都是以往合作過(guò)的同事。加入 Coco，幫助公司加速推進(jìn)各項(xiàng)研發(fā)?！?/p>

值得一提的是，這家新的研究實(shí)驗(yàn)室是獨(dú)立于 Coco Robotics 與 OpenAI 的合作關(guān)系的（此前 Sam Altman 個(gè)人為該公司提供了資金支持，但 OpenAI 也從中受益。）。該合作允許 Coco 使用 OpenAI 的模型，同時(shí) OpenAI 的 AI 研究實(shí)驗(yàn)室也能訪問(wèn)由 Coco 機(jī)器人采集的數(shù)據(jù)。而 Physical AI Lab 并不是上述合作的一部分，是個(gè)獨(dú)立研究項(xiàng)目。

目前，Coco Robotics 計(jì)劃將實(shí)驗(yàn)室獲得的信息和研究成果用于自身發(fā)展。公司暫無(wú)將這些數(shù)據(jù)出售給同行的打算。相反這些數(shù)據(jù)將用于提升公司自身的自動(dòng)化水平與運(yùn)行效率，主要應(yīng)用在其機(jī)器人所依賴的本地模型上。Rash 還提到，公司計(jì)劃在適當(dāng)情況下向其運(yùn)營(yíng)城市分享研究成果，以協(xié)助改善道路障礙與基礎(chǔ)設(shè)施，從而減少機(jī)器人在執(zhí)行任務(wù)時(shí)的阻礙。

最后，Rash 還表示：這個(gè)實(shí)驗(yàn)室是否成功，最終體現(xiàn)在他們能否以極低的價(jià)格提供高質(zhì)量的服務(wù)。如何進(jìn)一步降低成本？如何讓服務(wù)對(duì)商家和消費(fèi)者更加可負(fù)擔(dān)？解決上述問(wèn)題，將為整個(gè)生態(tài)系統(tǒng)帶來(lái)巨大的增長(zhǎng)潛力。

周博磊

周博磊本科畢業(yè)于上海交通大學(xué)，碩士畢業(yè)于香港中文大學(xué)（CUHK），并于 2018 年在麻省理工學(xué)院（MIT）計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL）獲得博士學(xué)位 。

他的職業(yè)生涯包括從 2018 年至 2021 年擔(dān)任香港中文大學(xué)信息工程系助理教授，到目前擔(dān)任 UCLA 計(jì)算機(jī)科學(xué)系副教授，并同時(shí)在計(jì)算醫(yī)學(xué)系兼任教職 。

作為 UCLA 周實(shí)驗(yàn)室（Zhou Lab）的負(fù)責(zé)人，他領(lǐng)導(dǎo)著一個(gè)由博士后、博士生、碩士生和本科生組成的團(tuán)隊(duì) 。

周博磊的研究方向?yàn)闄C(jī)器感知和智能決策，重點(diǎn)是通過(guò)學(xué)習(xí)可解釋、結(jié)構(gòu)化的表征，使機(jī)器能夠在復(fù)雜的環(huán)境中感知、推理和行動(dòng)。

他在人工智能頂級(jí)會(huì)議和期刊發(fā)表了百余篇學(xué)術(shù)論文，論文總引用數(shù)超過(guò) 6 萬(wàn)次，其中一篇一作論文引用接近 14000 次。他在可解釋性機(jī)器學(xué)習(xí)和場(chǎng)景理解等課題上有突出成果，主要成果包括 Class Activation Mapping (CAM)、Network Dissection、Places、ADE20K。

可解釋性

在深度學(xué)習(xí)領(lǐng)域，模型的「黑箱」問(wèn)題 —— 即決策過(guò)程不透明，盡管準(zhǔn)確率高 —— 是其在自動(dòng)駕駛等關(guān)鍵領(lǐng)域應(yīng)用的主要障礙之一。

周博磊的一項(xiàng)核心貢獻(xiàn)正是為了解決這一挑戰(zhàn)。他提出的類別激活映射（Class Activation Mapping, CAM）技術(shù)，作為其被引用次數(shù)最多的成果之一，能夠有效可視化卷積神經(jīng)網(wǎng)絡(luò)在進(jìn)行圖像分類時(shí)所關(guān)注的具體區(qū)域，這項(xiàng)工作對(duì)可解釋性人工智能領(lǐng)域產(chǎn)生了深遠(yuǎn)影響。

• 論文標(biāo)題：Learning Deep Features for Discriminative Localization
• 論文地址：https://arxiv.org/abs/1512.04150

在 CAM 的基礎(chǔ)上，他進(jìn)一步提出了網(wǎng)絡(luò)剖析（Network Dissection）的研究，該方法能夠自動(dòng)識(shí)別和量化神經(jīng)網(wǎng)絡(luò)中單個(gè)神經(jīng)元所代表的語(yǔ)義概念 。這使得研究者不僅能解釋單次決策，還能理解整個(gè)模型內(nèi)部知識(shí)的表征方式。

• 論文標(biāo)題：Network Dissection: Quantifying Interpretability of Deep Visual Representations
• 論文地址：https://arxiv.org/abs/1704.05796

場(chǎng)景理解

場(chǎng)景理解領(lǐng)域的發(fā)展曾經(jīng)顯著落后于物體識(shí)別，其核心瓶頸在于缺乏大規(guī)模且多樣化的專用數(shù)據(jù)集。

盡管深度學(xué)習(xí)因 ImageNet 這類以物體為中心的海量數(shù)據(jù)庫(kù)而蓬勃發(fā)展，但一個(gè)自主智能體若要在世界中導(dǎo)航，不僅需要識(shí)別物體，更關(guān)鍵的是要理解其所處的環(huán)境和場(chǎng)景，而當(dāng)時(shí)現(xiàn)有的場(chǎng)景數(shù)據(jù)集在規(guī)模上遠(yuǎn)不足以支撐復(fù)雜模型的有效訓(xùn)練。

周博磊領(lǐng)導(dǎo)創(chuàng)建了Places 數(shù)據(jù)庫(kù)，一個(gè)包含超過(guò) 1000 萬(wàn)張已標(biāo)注場(chǎng)景照片的龐大資源庫(kù)。該數(shù)據(jù)集的問(wèn)世，使得研究人員能夠?yàn)閳?chǎng)景識(shí)別任務(wù)訓(xùn)練出強(qiáng)大的深度卷積神經(jīng)網(wǎng)絡(luò)，從而大幅提升了模型性能并樹(shù)立了行業(yè)基準(zhǔn)。

• 論文標(biāo)題：Places: An Image Database for Deep Scene Understanding
• 論文地址：https://arxiv.org/abs/1610.02055
• 項(xiàng)目主頁(yè)：http://places2.csail.mit.edu/index.html

此外，他還參與構(gòu)建了用于場(chǎng)景解析的ADE20K 數(shù)據(jù)集，通過(guò)提供對(duì)場(chǎng)景、物體及其部件的像素級(jí)標(biāo)注，賦予了計(jì)算機(jī)對(duì)視覺(jué)環(huán)境進(jìn)行更細(xì)粒度的理解能力，這對(duì)機(jī)器人導(dǎo)航等應(yīng)用至關(guān)重要。

• 論文標(biāo)題：Scene Parsing through ADE20K Dataset
• 論文地址：https://people.csail.mit.edu/bzhou/publication/scene-parse-camera-ready.pdf
• 項(xiàng)目主頁(yè)：https://ade20k.csail.mit.edu/

參考鏈接：https://techcrunch.com/2025/10/14/coco-robotics-taps-ucla-professor-to-lead-new-physical-ai-research-lab