编辑：前沿在线 编辑部

9月2日，前字节跳动强化学习专家、前腾讯Robotics X智能体中⼼负责⼈孙鹏博⼠正式加入星尘智能，将重点负责机器人强化学习方向的技术研发与应用探索。

过去两年，机器人基础模型主要在解决“会不会”。

但随着机器人从 Demo 走向真实部署和商业化，问题正在转向“能不能稳定做好”。如何让机器人根据真实执行结果持续修正策略，也让强化学习重新回到行业关注的中心。

孙鹏长期深耕强化学习（RL）、智能体（Agent）及多智能体强化学习（MARL），拥有横跨机器人强化学习、大规模分布式 RL 系统与大模型强化学习的研究与产业实践经历。

他的加入将进一步强化星尘智能在机器人强化学习方向的布局，并与 AI 模型、具身 OS 和绳驱机器人本体形成协同，推动机器人在真实世界中持续学习、不断进化。

据了解，孙鹏加入星尘智能后，将继续扩充机器人强化学习团队，推动相关技术能力提升和应用部署。

从腾讯到字节 深耕强化学习十余年

孙鹏博士毕业于清华大学，此后先后在康奈尔大学和罗格斯大学从事博士后研究。

过去十余年，其研究与产业实践始终围绕强化学习与智能体展开，并逐步从机器人强化学习拓展至大规模 RL 系统与大模型后训练，形成了兼具算法研究与系统工程的技术积累。

早期在腾讯 AI Lab 及 Robotics X 机器人实验室期间，孙鹏曾担任智能体中心负责人，开展深度强化学习与机器人控制研究。

他曾利用深度强化学习和对抗博弈训练轮式机器人，实现端到端主动目标跟随；同时研发《星际争霸》AI 智能体 TStarBots、TStarBotX，在多智能体强化学习（MARL）复杂博弈环境研究中取得重要成果。

加入字节跳动后，孙鹏将其技术实践由算法全面拓展至大规模 RL 系统工程。

他主导开发了核心强化学习基础设施 ByteRL，支撑多款自研游戏 AI 的高效训练。

其团队曾夺得 IEEE CoG 2023 策略卡牌 AI 竞赛冠军，研发的《炉石传说》AI 展现出击败行业顶尖选手的竞技水平。

随着大语言模型兴起，孙鹏进一步将强化学习积累拓展至LLM 后训练。

在字节 AI Lab/ByteResearch 期间，他作为项目负责人参与研究并发布强化微调方法 ReFT（Reinforced Fine-Tuning）及数学推理智能体 DeltaProver；在 Seed团队深度参与模型 RLHF 与预训练，在模型对齐、推理增强及 Agent 方向积累了深厚的前沿探索经验。

从机器人强化学习，到大规模 RL 系统，再到大模型后训练，孙鹏过去十余年的技术路径，始终围绕一个核心问题展开：如何让智能体通过环境交互与反馈不断学习，并持续优化自身策略。

如今，随着 AI 从数字世界进一步进入真实物理世界，这套能力也正在具身智能领域找到新的落点。

履新星尘智能 加码机器人后训练闭环

对于星尘智能而言，在推进“AI模型+具身OS+绳驱本体”全栈技术体系建设的同时，孙鹏的加入正是夯实机器人模型“训练之后”的关键一环。

从成立之初，星尘智能就坚持Design for AI，认为机器人身体、数据与AI模型不应被割裂设计。

过去几年，这套思路已经逐步形成覆盖基座模型和商用模型、前端共生Agent、强化学习后训练的完整闭环。

星尘智能的基座模型Lumo系列，持续推进机器人对环境与动作的理解、预测和生成，其中Lumo-1让机器人理解动作背后的“为什么”，Lumo-2作为首个家庭隐式世界动作模型，率先引入 Latent World Dynamics，在隐空间中先预测未来世界，再生成动作；

前端的Agent Philia，面向长期记忆、任务管理、多机器人协同与自然交互；而强化学习作为基础模型走向规模化真实部署的重要环节，承担了机器人如何从真实环境中的持续交互与任务反馈中学习，并不断优化自身的行为策略的关键命题。

孙鹏在机器人强化学习、大规模 RL 系统以及大模型 RLHF、强化微调和 Agent 方向的长期积累，将进一步强化星尘智能在这一环节的技术能力。

未来，他将参与星尘具身模型、机器人强化学习及后训练体系建设，探索大模型时代已经被验证的强化学习后训练方法，如何进一步与真实机器人执行、数据闭环和长期部署结合。

对于此次加入星尘智能，孙鹏表示：“过去十多年，我一直在做强化学习和智能体，也亲历了强化学习从机器人控制、复杂博弈走向大模型后训练的过程。

现在，我很希望把这些积累真正带回物理世界。

星尘智能已经具备从机器人本体、具身 OS 到 AI 模型的完整技术基础，接下来最让我期待的，是和团队一起把强化学习进一步融入真实机器人的训练与部署，让机器人不只是‘学会一个任务’，而是能够在一次次真实执行和反馈中，把任务越做越好。”

前沿动态前沿大会
前沿人物

点「在看」，给前前加鸡腿