一台机器人犯过的错，怎样让另一台少走弯路？

大模型之家讯

“让后来者从前人止步之处继续。”

“by the last beginning where those before them had left off”

——勒内·笛卡尔

一台机器人犯过的错，怎样才能让另一台机器人少走弯路？

设想一次普通的取杯任务：机器人找到了水杯，规划好接近方向，却在抬起时发生了滑移。它调整接触位置，重新抓取，最终完成任务。对于使用者，这件事到此结束；对于一个能够持续学习的系统，更值得追问的问题才刚刚开始：为什么会滑？这次调整在什么条件下有效？换一只杯子、一副夹爪，甚至另一台机器人，这段经验还能发挥多大作用？

一次失败如果只留下日志，一次成功如果只留下标签，相似的试错就可能随着部署规模扩大，在不同设备、不同项目中反复发生。将交互中的有效认识连同证据和适用条件一起提炼、保存，并在新的任务中验证，才能让真实经验逐步积累为能力。

这也是具身智能发展到今天，一个越来越值得关注的问题。通用模型正在增强机器人理解目标、组织技能和处理复杂任务的能力；世界模型为预测动作后果、比较候选方案提供了新的方法；感知与控制技术则让这些能力能够进入真实的物理过程。当它们逐步连接起来，我们有机会进一步追问：机器人能否在完成任务的同时，改善后续行动？获得一项新能力的成本，能否随着经验积累而降低？

真实交互与仿真在这里承担着相互补充的角色。真实世界能够暴露模型尚未理解的条件，为物理判断提供依据；经过校准的仿真可以扩展探索，帮助系统比较方案，把有限的真机时间用在最需要确认的问题上。这个循环的价值，最终要回到真实任务中检验：预测是否更可信，失败是否更容易恢复，新的场景是否需要更少的重复试错。

对于中国具身智能产业而言，较为完备的制造与供应链体系、丰富的作业场景，为这条路径提供了重要机会。从生产线上的装配，到仓储中的搬运，再到复杂条件下的抓取，大量交互都有可能揭示值得复用的物理关系。产业优势能否进一步转化为智能优势，取决于我们能否把分散在设备与项目中的经验，转化为能够跨任务、跨场景、跨本体发挥作用的知识。

大晓的双脑协同，正是围绕这一目标展开的探索。我们希望将大脑SenseNova的任务理解、推理规划与能力组织，同开悟世界模型的物理状态判断和行动后果预测连接起来，再通过具身Harness组织感知、记忆、技能与控制，让真实反馈进入下一次判断，也进入后续能力的改进。

我们希望双脑协同能够推动这样的积累：让一台机器人付出的探索，为更多机器人提供依据；让今天获得的经验，减少明天必须重复的试错。

一、从完成任务走向积累能力

要让一次抓取成功成为可复用的经验，系统需要进一步分析：接触位置是否合适，夹持是否稳定，动作调整解决了什么问题；当物体或夹爪发生变化时，这些判断是否仍然成立。

同样一次滑移，背后可能有不同原因。杯子表面的状态、杯中液体带来的载荷变化、夹爪的接触位置，甚至最初的定位误差，都可能影响抓取结果。单次观察往往不足以区分这些原因。系统需要将原先的预测、实际执行的动作和获得的反馈联系起来，通过补充观察、可获得的接触信息或有针对性的试探，逐步缩小不确定性。证据不足的判断，也应当保留为待验证的假设。

这一步决定了经验能够以什么形式被留下。假如后续验证发现，在某类物体和接触条件下，抬升前的一次短距离试探有助于判断抓握是否稳定，那么值得保留的就包括：这项试探适用于哪些条件，需要观察什么信号，出现什么结果时应该调整动作，以及哪些情况仍然无法据此判断。这样的认识，才能在下一次任务中帮助机器人作出选择。

真正可迁移的经验，是连同证据和适用范围一起被保留下来的认识。它可以体现为一个可调用的技能、一条可检索的经验记录，也可以通过训练进入策略或世界模型。无论采用哪种形式，都需要建立从交互记录到后续行为改善的联系。系统还应当识别哪些经历提供了新信息：反复完成已经掌握的动作，与一次揭示原有判断缺陷的交互，可能具有很不相同的学习价值。

当另一台机器人面对相似任务时，过去的经验可以帮助它更快找到值得尝试的方案，也可以提示哪些条件需要优先确认。例如，对抓握稳定性的认识可能为新任务提供参考，具体夹持力度、动作幅度和控制参数则需结合新的夹爪、传感器与执行能力进行适配。经验复用的意义，在于缩小探索范围、减少重复试错，同时保留对新条件的判断能力。

这种积累最终需要在后续任务中体现出来。在可比较的条件下，掌握一项相关技能后，学习下一项技能是否需要更少的示范和真机试验？换一个物体或一种本体，适配过程是否更快？面对扰动，是否更容易发现偏差并恢复？加入新能力之后，已有技能是否仍然可靠？这些结果，能够帮助我们判断系统是否真正从过去的交互中获益。

从完成任务走向积累能力，意味着机器人获得的每一项经过验证的认识，都有机会成为后续学习的起点。随着这些起点不断丰富，系统应当能够更有效地组织已有技能，更有针对性地探索未知条件。要建立这样的路径，就需要把任务理解、物理判断、行动执行和经验学习连接起来。

二、为什么我们采用“双脑”协同

要让过去的经验真正帮助下一次行动，机器人需要同时回答两个相互关联的问题：为了完成目标，下一步应该做什么？在眼前的物理条件下，这一步可能带来什么结果？前一个问题涉及目标、计划与技能组织，后一个问题涉及状态、接触与动作后果。可靠的行动，需要这两类判断在执行过程中不断相互校正。

在大晓的双脑协同设计中，云端大脑SenseNova侧重理解任务、组织能力。它需要判断用户希望完成什么，将目标拆解为可执行的步骤，从已有经验和技能中选择合适的方法，并在情况变化时调整计划。面对一次失败，它还需要结合任务过程进行复盘：原先的目标是否合理，技能选择是否恰当，哪些判断需要重新确认。

端侧开悟世界模型则侧重物理状态的理解、生成与预测。它根据当前观测和交互历史，判断物体的位置、运动和接触状态，在需要时构造候选的演化过程，为不同动作可能带来的后果提供预测依据。这些预测也应当保留不确定性：哪些条件已有充分观测，哪些判断依赖尚未验证的假设，哪些地方需要通过新的交互才能进一步确认。

这样的分工，与两类判断对资源和时间的不同要求有关。任务推理需要调用较广泛的知识、记忆和技能，云端有利于这些能力的共享与更新；物理状态判断需要紧贴现场变化，端侧部署有助于及时利用新的观测与反馈。更快的接触调节、姿态稳定和动作执行，则由相应策略与实时控制器承接。模型、策略和控制器各自承担适合的职责，共同形成完整的行动过程。

以取杯任务为例，协同可以这样展开：大脑SenseNova根据目标选择取杯技能，并提出接近方向和抓取方案；开悟结合当前观测，预测这些方案可能带来的状态变化。如果遮挡使接触位置难以判断，或者已有信息不足以估计抓握稳定性，这种不确定性就应当进入任务决策。SenseNova据此选择改变观察角度、安排一次试探，或者调整抓取方式。新的观测再返回物理侧，帮助更新判断，随后决定是否继续执行。

双脑协同的关键，是让任务推理不断接受物理反馈，也让物理预测围绕任务需要展开。候选方案应综合任务逻辑与当前物体、场景和本体条件进行评估；物理预测也应说明结果如何影响下一步选择。二者通过明确的接口交换目标、候选行动、预测结果和不确定性，才能把各自的能力用于同一个决策。

这种协同还应当延续到任务结束之后。执行前的判断、提出的预测、实际采取的动作和最终结果，可以共同构成复盘的依据。预测与现实之间的偏差，帮助系统识别需要进一步调查的问题：是状态理解有误，物理条件发生了变化，技能选择不合适，还是执行没有达到预期？这些线索经过分析与验证，再决定进入经验记忆、技能调整或模型训练，为后续行动提供更可靠的起点。

我们用“双脑”组织这两类能力侧重，同时保留实现方式演进的空间。两者可以共享表示和部分模型能力，具体的模型组织与云端、端侧分工，也应根据任务、算力和时延要求调整。需要持续检验的是，这种协同是否帮助机器人更早发现关键不确定性，选择更有效的动作，并把真实交互中的有效认识带到后续任务中。

要让这些信息在模型之间准确传递，并进一步连接感知工具、经验记忆、技能调用和动作执行，还需要一套完整的系统机制。双脑协同由此进入下一个问题：怎样把模型之间的配合，转化为机器人身上稳定运行、能够持续积累的能力。

三、从模型协同到系统协同

当大脑SenseNova提出一个抓取方案、开悟给出相应预测之后，系统还需要完成一系列具体工作：确认当前观测是否足以支持行动，将目标转换为机器人能够执行的指令，调用适合的技能，并在执行偏离预期时及时处理。模型之间的判断，需要经过这些环节，才能成为真实世界中的有效行动。

在大晓的系统设计中，具身Harness承担这样的组织与协调职责。它维护任务状态，连接记忆、技能库、感知与三维重建等工具，明确各个模块交换什么信息、在什么条件下调用，以及怎样处理执行反馈。通过这套运行机制，大脑SenseNova的任务计划、开悟的物理预测和控制器的实际执行，才能对应到同一个任务阶段。

以取杯为例，感知工具提供的物体位置，需要转换到当前机器人的坐标与动作接口中；所选技能需要说明适用的夹爪、输入参数和执行条件；系统还需要判断什么观测代表抓取完成，什么信号意味着滑移或接触异常。一个可以稳定调用的技能，应当连同这些条件和判据一起进入技能库。这样，SenseNova在组织任务时，才能知道一项能力何时可用、执行到了哪里，以及失败后还有哪些恢复路径。

动作执行也需要恰当的分工。学习型策略可以结合视觉、任务目标和历史状态生成动作参考，解析控制器则依据本体特性，完成位姿跟踪、接触调节和执行约束处理。较快的反馈在相应控制环中得到响应；当偏差影响任务继续进行时，Harness将状态变化传回SenseNova与开悟，由它们重新判断是否补充观察、调整方案或调用恢复技能。这样的组织方式，使不同时间尺度上的判断能够衔接起来。

Harness还需要为经验积累保留可追溯的依据。一次任务中的场景条件、本体配置、所用技能、模型预测、执行反馈和人工介入，都可能影响对结果的解释。将这些信息与具体执行阶段对应起来，有助于识别问题来自观测不足、预测偏差、技能选择，还是动作执行，并据此选择合适的改进对象。

现场恢复成功之后，得到的是一段值得分析的经验。它对其他任务是否有用，还需要进一步验证。因此，运行中的纠偏与后续的能力更新，可以按照不同节奏进行：当前系统先完成必要的调整，交互记录随后进入筛选与复测；得到支持的认识再进入记忆、技能或模型，证据发生变化时，也能够修订其适用范围。经验由此拥有从产生、验证到再次使用的清晰路径。

当机器人本体发生变化时，这套机制同样重要。共同的任务描述和技能意图，需要通过接口映射到新的感知方式、动作空间和控制能力；与接触、载荷和执行精度有关的条件，则需要重新校准。适配与复测应当帮助系统明确，哪些已有认识可以继续使用，哪些部分需要补充学习。更换一个本体，由此成为有依据的能力迁移过程。

系统协同的价值，在于让模型、工具和控制器能够各自演进，也让经过验证的经验拥有持续复用的路径。当感知工具升级、策略更新或机器人接口改变时，系统可以检查受到影响的技能与经验，保留仍然成立的认识，并针对变化的部分进行验证。

这样的系统设计，为双脑协同的落地提供了基础：将任务规划、动作执行、反馈记录与经验管理连接起来，为后续能力的验证和持续改进创造条件。在此基础上，当前任务的纠错、长期能力的积累，以及学习与研发方法的改进，才有机会形成相互衔接、逐步深入的闭环。

四、三个递进闭环：让行动、学习与研发相互促进

真实反馈进入系统之后，可以推动不同层次的变化：纠正当前行动，改善后续能力，进一步优化获得能力的方法。我们以三个递进闭环组织这些变化，分别明确它们改变什么、如何运行，以及需要用什么结果证明改进确实发生。

第一个闭环是自主执行，让机器人更可靠地完成当前任务。

机器人在行动中持续获得新的观测，据此更新状态判断、调整计划，并在必要时补充感知或调用恢复技能。取杯过程中出现遮挡、接触变化或滑移时，系统需要及时识别偏差，结合当前条件决定怎样继续。较快的执行反馈由相应控制环处理，影响任务推进的变化则进入SenseNova与开悟的协同判断。

这个闭环可以在模型参数保持不变的情况下运行。它改善的是当前任务中的决策与执行，使机器人能够利用刚刚获得的信息处理变化。任务完成率、偏差发现与恢复时间、人工介入量，都可以帮助衡量它是否有效。执行过程同时留下观测、预测、动作与结果，为后续学习提供依据。

第二个闭环是经验学习，让一次交互改善后续能力。

进入这一层之后，系统需要从执行记录中筛选值得学习的内容，分析它们揭示了哪些新条件、修正了哪些旧判断，再选择合适的方式保留这些认识。有些经验可以先成为带有适用条件的长期记忆，在后续任务中被检索和调用；有些经验需要转化为技能调整；涉及动作生成或物理预测的问题，则可能需要对策略或世界模型进行有针对性的训练。

例如，某次抓取恢复的方法，经过进一步验证后，可能对一类接触条件相近的物体有效。系统便可以将相关条件、判断依据和恢复方式保留下来，在遇到相似情境时优先参考。换用新的夹爪或面对不同载荷时，它仍需确认这些经验的适用范围，并通过新的反馈继续修正。

学习闭环是否成立，要看收益能否延续到后续任务。在独立测试中，系统是否减少了重复错误，是否用更少的新增示范和真机试验完成适配，是否在获得新技能的同时保持已有能力？这些结果决定一项更新是否值得进入部署，也决定这段经验应当在多大范围内被复用。

第三个闭环是递归自我改进，让获得能力的方法也能够持续优化。

当系统能够持续执行和学习之后，还会遇到更深一层的问题：哪些失败最值得调查？下一批数据应该采集什么？当前的训练方法是否有效？同样的真机时间，怎样才能带来更多能力收益？这些问题指向数据选择、实验设计、训练流程、评价机制，以及模型与Harness的组织方式。

我们希望让研发智能体逐步参与这些工作。它可以汇总反复出现的失败，提出可检验的原因假设，选择能够区分这些假设的实验，并为数据补充、模型训练或系统调整提出候选方案。世界模型与经过校准的仿真可以帮助比较方案，真实任务则用于确认改进能否兑现。有效的方法经过验证后，再进入下一轮学习与研发。

这一层需要更严格的对照：在可比较的任务和资源条件下，调整后的流程是否更快获得了可靠能力，是否减少了人工、计算或设备时间，以及收益能否在后续任务中继续出现。自动化实验能够提高流程效率；递归自我改进还需要检验：系统能否依据结果优化实验选择和学习方法，并让改进后的能力继续参与下一轮改进。

这也是我们希望持续推进的研究方向。它需要跨任务、跨轮次的证据，逐步回答一个更有挑战性的问题：系统能否在增长能力的同时，提高自身获得能力的效率？

三个闭环可以按照不同节奏运行。执行中的纠偏需要及时响应，长期能力更新需要经过验证，研发方法的变化则需要更充分的比较与复测。它们共享真实交互提供的证据，也相互提供条件：更可靠的执行让系统进入更多任务，更有效的学习减少重复试错，更好的研发方法则提高下一轮改进的效率。

更有价值的进步，是让下一次进步更容易发生。双脑协同希望建立的，正是这样一条从行动延伸到学习、再延伸到研发的路径。而这条路径能否持续运行，还取决于我们怎样使用有限的真实交互，以及怎样让仿真为这些交互提供更有针对性的帮助。

五、真机与仿真：把真机时间用在关键问题上

在真实机器人上推进三个闭环，需要面对具体的时间与资源约束。一次试验可能涉及设备调试、场景布置、人工复位和故障恢复，持续运行还会带来磨损与环境变化。因此，提升学习效率，需要认真选择每次交互要回答什么问题，并让已经获得的记录产生更多训练与验证价值。

真实交互为系统提供了理解物理世界的依据。对于取杯任务，三维重建可以帮助确定杯子的形状、位置和周围空间；载荷、表面状态、接触形变等影响抓取的条件，还需要结合动作与反馈进行估计。系统应当逐步确认哪些参数与当前任务密切相关，哪些判断已经得到支持，哪些仍存在较大的不确定性。

这些认识可以成为构建仿真环境的起点。世界模型从交互数据中学习状态如何变化，三维重建工具提供场景与物体的几何信息，物理仿真器则提供可干预、可重复运行的实验环境。它们需要通过真实记录相互校准：在相近的初始条件和动作输入下，预测或仿真中的关键变化，能否与实际观测对应起来？对于暂时无法确定的物理属性，可以保留与现有证据相容的参数范围，进一步检验不同取值对任务结果的影响。

一段真实轨迹由此有机会成为一组可控实验的起点。系统可以改变物体位置、载荷范围、接触条件或执行扰动，比较不同方案在哪些情况下仍然有效，哪些条件会使原有技能失效。仿真也应覆盖容易出错的动作，帮助系统学习如何识别失败、何时需要恢复，以及什么情况下应该补充观察。经过校准的模型，让已有交互中的信息能够延展到更广的训练与评测空间。

仿真还可以帮助选择下一次真机试验。假如几个与现有观测都相容的物理模型，对同一个动作给出了不同预测，这种分歧就指出了一个值得调查的问题。系统可以围绕它设计新的观察或试探，优先确认最可能改变行动选择的条件。这样，真机交互既承担任务执行，也承担消除关键不确定性的作用。

我们希望形成的Real2Sim2Real循环，便沿着这条路径展开：真实交互提供证据，模型与仿真据此建立和修正物理认识；仿真扩展练习、比较候选方案，并暴露需要进一步确认的问题；筛选后的方案再回到真实任务中接受检验。新的结果继续用于校准环境、调整策略和更新经验，使下一轮探索建立在更充分的认识之上。

真实任务检验改进是否有效，仿真扩展比较与练习的空间。因此，评价一个世界模型或仿真环境，应考察它对实际行动的帮助：能否正确区分候选方案的优劣，能否预见关键的接触失败，能否让仿真中获得的改进在真机上兑现，以及能否减少达到同等能力所需的真实交互。任务相关的预测与决策收益是这条闭环的主要验证内容，视觉表现可以辅助检查场景。

验收还需要保留独立的真实任务与条件，检验系统能否将改进带到新的物体、场景和本体上。总成本也应一并计算，包括新增数据、人工操作、计算、设备占用和恢复时间。只有把这些投入与实际收益联系起来，才能判断一次仿真扩展或模型更新是否提高了能力获取效率。

随着循环持续推进，经过校准的场景、验证过的物理条件和可靠的技能测试，可以逐步成为后续任务共同使用的基础。已有经验帮助系统更快找到值得尝试的方向，仿真把这些方向展开为更充分的比较，真实交互再确认哪些认识能够成立。双脑协同希望推动的能力积累，也将在这种相互校准中获得越来越扎实的物理依据。

六、走向具身智能的“Transformer时刻”

前面讨论的双脑协同、三个递进闭环，以及真机与仿真的相互校准，最终指向一个共同目标：让机器人在真实交互中获得的经验，成为更多任务和本体可以复用的基础。

Transformer的重要启发，在于共享的基础架构能够承载多种能力，并支持持续扩展。我们期待具身智能也迎来这样的“Transformer时刻”：机器人领域逐步形成广泛可复用的共同底座，使不同任务和本体能够共享经过验证的物理认识，让一次部署积累的经验服务更多后续场景，并支持模型、工具与控制器在这一基础上持续演进。

这一目标在物理世界中面临更复杂的条件。机器人拥有不同的身体、传感器和执行能力，同一个任务也会受到空间、接触、载荷与环境变化的影响。因此，共同底座需要连接可共享的物理关系与各自的执行条件。它既要支持不同任务利用已有认识，也要帮助系统识别迁移中的差异，判断何时可以复用、何时需要重新观察和学习。

我们把世界模型视为构建这一底座的核心环节。物体如何运动，接触如何改变状态，一个动作可能产生什么后果，这些认识能够为规划、控制、仿真和学习共同提供依据。如果真实交互可以不断校准这些认识，而校准后的模型又能够帮助更多任务选择行动、组织练习和发现未知条件，物理经验就有机会进入一条持续扩展的学习路径。

双脑协同是大晓围绕这一目标选择的系统探索。SenseNova组织任务、技能与已有知识，开悟围绕物理状态和行动后果提供判断，具身Harness将它们连接到感知、记忆和执行过程。我们希望通过这样的协同，让一次任务中得到的反馈能够被分析，让有价值的认识获得验证，并以适合的形式进入后续任务与模型版本。

这条路径能否形成共同底座，需要回答几个关键问题。随着经验覆盖更多物体、场景和接触条件，同一套核心机制能否在更广泛的独立任务上持续获得收益？换用新的本体时，已有认识能否减少适配所需的数据与工程投入？模型和工具更新之后，经过验证的技能与经验能否继续发挥作用？这些结果决定了系统的积累能否跨越单次任务、单台设备和单个版本。

尤其值得观察的，是能力获取成本的变化。在可比较的条件下，掌握一项相关新能力所需的真机时间、人工投入和计算资源，是否随着经验积累而下降；获得这些收益时，系统能否保持已有技能，并在新的条件下可靠运行。这样的证据如果能够跨任务、跨本体、跨轮次重复出现，就能够说明共同基础正在产生持续价值。

这种价值还会进一步改变机器人开发的方式。新的本体可以借助已有的任务组织与物理认识，更集中地解决自身感知和执行上的差异；新的应用可以利用经过验证的技能、场景与评测工具，更快找到需要探索的关键问题；不同团队也可以围绕清晰的接口与验证标准贡献成果，让各自的进步被更多后续工作承接。

形成这样的共同底座，需要架构上的探索，也需要可扩展的学习方法、可靠的工程机制和持续的真实验证。双脑协同能否为此作出贡献，最终要由这些结果回答：越来越多的机器人能够带着已有经验进入新任务，也能够把新的发现带回共同基础，让后续能力拥有更好的起点。

结语：让下一台机器人少走弯路

回到最初的那只水杯。

取杯任务结束后，这次交互的价值仍有机会继续延伸。一次滑移可能暴露了尚未理解的接触条件，一次调整可能提供了值得检验的恢复方法。经过分析与验证，这些经历能够帮助系统更清楚地认识：什么条件下可以继续行动，什么时候需要改变策略，还有哪些问题必须交给下一次交互来回答。

明天，另一台机器人面对相似任务时，需要观察眼前的环境、确认自身的执行条件，也可以借助已有经验，更快找到值得尝试的方案，更早注意到容易忽略的变化，并更有针对性地安排试探。当这些认识帮助它减少了重复错误、缩短了适配过程，今天这次交互就开始产生超出单次任务的价值。

双脑协同希望建立的，正是这种能够延续的联系。任务推理与物理预测通过真实反馈相互校正，执行中获得的认识经过验证进入后续学习，学习与研发的方法也在持续实践中得到改进。不同模型、工具与机器人本体，可以沿着这条路径各自演进，并继续利用已经积累的有效经验。

这份期待，需要由可重复的结果逐步支撑：新的任务是否用更少的真机试验学会，新的本体是否以更低的成本完成适配，系统是否在增长能力的同时保持可靠，以及这些收益能否随着经验积累而延续。把这些问题变成清晰的实验、可追溯的证据和持续的改进，是大晓推进双脑协同需要完成的工作。

我们希望，有一天，机器人进入一个新场景时，能够带着更充分的认识出发；离开这个场景时，也能为后来者留下经过检验的经验。每一项能力的获得，都由此有机会帮助更多能力生长。

让一台机器人付出的探索，为更多机器人省下重复试错的代价。这是我们希望双脑协同能够推动的进步。

##

陶大程教授简介：

陶大程教授为大晓机器人首席科学家，同时亦为澳大利亚科学院院士、新加坡南洋理工大学杰出教授。他负责大晓机器人的研发战略，带领团队实现具身智能的长期愿景。

陶大程教授是人工智能领域全球知名的学者。他是2014 年以来工程领域高被引论文、2015 年以来计算机科学领域高被引论文的作者；2019年，他入选斯坦福大学“全球前2%顶尖科学家榜单“；2025年，国际知名学术平台Research.com发布的最佳计算机科学家榜单中，陶大程教授位居新加坡第一。

陶大程教授在顶级的国际期刊和会议发表超过300篇论文，其论文在Google Scholar上的引用超过17万次，h-index = 197。他两度荣获澳大利亚尤里卡奖（2015 年、2020 年），2015年荣获悉尼科技大学校长奖章、2018年荣获IEEE ICDM研究贡献奖、2021年荣获IEEE CS Society Edward J McCluskey技术成就奖——这一奖项专门表彰过去 10-15 年间推动领域技术进步的杰出学者。由于其在人工智能领域的研究贡献，他先后当选IEEE/AAAS/ACM Fellow、以及澳大利亚科学院院士。

陶大程教授于中国科学技术大学取得学士学位，香港中文大学取得硕士学位，英国伦敦大学取得博士学位。毕业后，先后在香港理工大学、南洋理工大学，悉尼科技大学、悉尼大学等高校任教。曾担任优必选人工智能首席科学家，京东集团高级副总裁、京东探索研究院创始院长。