三名南加州大学教职人员将牵头四项由丰田研究院（TRI）资助的研究项目，研究范畴涵盖人形机器人、自动驾驶，以及办公室场景中阻碍人工智能落地的各类社会层面问题。
本次研究隶属于丰田研究院最新推出的高校研究计划 3.0（URP 3.0）。该五年计划共资助全美 31 所高校的 69 项研究课题。
高校研究计划 3.0 于 2026 年正式启动，旨在搭建产学研合作平台，攻克自动驾驶、机器人、以人为本人工智能等领域最棘手的行业难题。该计划充分体现丰田研究院深耕前沿科研、与南加州大学 Viterbi 工程学院等顶尖科研机构深度协作的决心。
项目汇聚 88 名丰田研究院研究员与 104 名高校教职人员，采用深度协同模式：每个课题均由高校研究者与丰田研究院合作研究员平等联合牵头，确保基础理论研究与现实场景应用同步推进、相辅相成。
本次南加州大学项目负责人为 Yue Wang、Stephen Tu 与 Mayank Kejriwal，其中 Yue Wang 牵头两项课题。
三位学者均任职于南加州大学 Viterbi 工程学院、南加州大学 Mark and Mary Stevens 计算与人工智能学院。
南加州大学牵头的全部项目合计获 300 万美元资助，已于上月正式启动，研究周期为期三年。
Yue Wang 的第一项课题名为《面向下一代自动驾驶策略学习的世界模型》，核心目标是让自动驾驶车辆能够自主推理陌生、极端路况，实现全球任意道路的安全通行。第二项课题《动态推理：大行为模型的动态自适应与智能执行》，聚焦研发人形机器人，使其能在居家环境中通过日常交互与反馈实现实时自主学习、动态适配。
Stephen Tu 牵头课题《面向大行为模型的校准离线策略评估》，旨在打造一套更智能的数字化测试工具，无需开机实操，就能预判机器人执行全新任务的表现，大幅节约人力与时间成本。
《“AI 人类学” 实践：应用型科研管理中人与人工智能协同演化与设计的民族志研究》最初由 Adam Russell 提出，现由 Mayank Kejriwal 主导。该课题从人的视角切入，探究办公室工作人员抵触 AI 工具的深层原因，并设计让行政人员真正觉得好用、值得信赖的人工智能工具。
配图：丰田研究院高校研究计划 3.0 启动仪式全体合影，图片来源：丰田研究院
自动驾驶车辆陷入困境：
训练自动驾驶系统应对各类突发状况
你是否见过像 Waymo 这类自动驾驶车辆停在路中数小时无法移动，造成交通拥堵？
无论是篮球滚落到路面、道路临时封路，还是现场人工指挥交通，当自动驾驶车辆遇到传感器从未识别的场景时，常会无限期停滞，甚至在未训练过的路况下发生事故。
Yue Wang 团队的研究，正是为了解决这类备受关注的自动驾驶故障。
当前行业通行方案是分城市采集海量数据、反复重训模型，而该项目将跳出这一模式，研发搭载类人推理能力的 “世界模型”，嵌入车辆决策系统。
这一方案解决了一个核心痛点：想要把全球所有路况全部录入训练集，在现实中根本无法实现。
该研究将训练人工智能理解环境上下文逻辑 —— 例如识别到篮球滚上马路，就能预判附近有孩童出没。最终打造可安全应对各类极端 “分布外场景” 的自动驾驶系统，无论行驶至任何地区，都不会撞上障碍物、中途卡死，或是因从未见过路况而失控。
未来自动驾驶车辆能够像人脑一样，在行驶途中自主思考、灵活应变，道路安全水平将大幅提升，交通拥堵问题也将随之减少。
时至今日，机器人仍无法依托实时反馈自主调整行为，这是多年来制约行业发展的核心瓶颈。
现有的机器人基础模型大多完成训练后直接部署，运行过程中不具备自适应能力，难以应对现实世界中多变、不可预测的环境。
和自动驾驶面临的难题一致，想要穷尽所有场景完成机器人训练，几乎不可能实现。
因此，研发能够现场自主思考、即时调整行为的机器人，是行业亟需的关键突破，这也正是 Yue Wang 团队第二项课题的核心目标。
Yue Wang 团队将彻底颠覆传统 “先训练、后部署” 的机器人开发模式，研发可在测试 / 部署阶段依托现实交互实时自适应的人工智能模型。项目依托更强的运动感知、环境理解能力训练人形机器人，使其能更自然地完成动作、与环境交互，而非机械重复预设程序。
团队还将搭建实时学习机制，让机器人同步接收环境、人类使用者的反馈并迭代自身行为。
同时，项目采用软硬件协同优化方案，升级运动理解算法；不再将机器人的 “大脑”（软件算法）与 “躯体”（硬件结构）割裂开发，二者深度融合，让机器人在真实使用场景中随时调整行为，这是人形机器人领域的关键性突破。
本课题场景聚焦家庭环境，研究成果将助力机器人灵活适应布局多变、结构复杂的各类住宅空间，自主完成居家任务。
机器人的 “大脑” 本质是代码与人工智能模型，业内统一称之为策略（policy），负责感知环境、输出动作决策。
现代机器人策略均基于数据驱动，不再遵循死板的规则逻辑：它通过海量数据匹配行为模式，预判人类在特定场景下的操作（例如洗碗）；而早期机器人策略是规则驱动型 —— 即识别到条件 X，就执行动作 Y。
人类无需刻意思考，就能自然抬手触碰水龙头、抓取海绵，但机器人必须依靠复杂的专用软件，才能复刻这类本能动作。
即便是目前最先进的机器人 “大脑”，也存在识别盲区与失效风险，比如碰撞障碍物、无故停机。
现阶段，工程师想要验证一套新策略的安全性、排查失效隐患，必须将模型部署到实体机器人上反复实操测试，整套流程耗费大量人力与时间，是机器人研发的一大痛点。
Stephen Tu 团队将研发离线策略评估工具，依托过往机器人评测数据库与运行日志，预判全新策略的实际性能。
研究人员可先在数字平台批量测试大量候选策略，仅筛选出最优的少数方案，再放到实体硬件上实测。此举大幅减少实体测试工作量，形成优先级清晰的待评测策略清单。
这套工具能在机器人正式部署前，快速验证全新控制器相较旧版本是否具备实质性提升，简化评测流程、提升研发效率，加速可完成复杂操作任务的机器人落地。
该技术具备跨领域通用性，应用前景广阔：居家服务机器人领域可加快养老陪护机器人研发进度，帮助机器人自主穿梭厨房、卧室，完成日常家务。
Stephen Tu 表示，这项技术突破不受行业限制，适用场景十分丰富。
办公室员工为何抵触 AI 工具：
职场人工智能落地的阻碍
如今人工智能工具已融入日常生活，但多数办公场景中，行政人员很少主动使用 AI。目前学界尚未充分厘清，究竟有哪些人为、社会层面的障碍，阻碍办公人群接纳人工智能。
Mayank Kejriwal 解释，员工抵触 AI 工具，大多源于对技术的畏惧：担心失业、不信任算法，或是日常工作流程过于饱和，没有多余时间学习新工具。
团队将采用民族志研究法，通过海量数据梳理背后根源 —— 该定性研究方法要求研究者深度融入目标群体的真实工作环境。基于研究结论，团队将帮助办公人员摒弃恐惧心态，建立主动拥抱人工智能的工作思维，真正把 AI 视作高效办公工具。
研究对象为南加州大学信息科学研究所的 10 名行政人员，团队将开展深度访谈与专题小组调研，挖掘工作人员对 AI 的真实看法、顾虑与使用难题；单次访谈时长 30 至 60 分钟，采用开放式提问，收集详实一手信息。
团队还将设计温和有效的落地干预方案，例如专项培训、选拔 “AI 推广带头人”，引导员工主动接纳 AI，而非依靠施压式推广。
此外，项目计划搭建人工智能协同民族志平台，让 AI 充当访谈引导员，辅助采集、分析机构工作流程相关数据。
Mayank Kejriwal 强调，本课题最终目标是推动机构整体转型：助力南加州大学信息科学研究所这类科研机构，把人工智能无缝融入行政流程，提升整体运转效率，打造员工认可、信赖的智能办公体系。
