一、案例背景
在生成式人工智能浪潮席卷全球的背景下，机器人研究领域正经历一场从传统控制方法向端到端学习范式的深刻转型。2026年10月，IEEE/RSJ智能机器人与系统国际会议（IROS 2026）在澳大利亚召开，昆士兰大学（The University of Queensland）副教授Jen Jen Chung发表了一场引发广泛关注的主旨演讲。Chung教授结合自己十余年的研究经历，对当前机器人学界乃至整个人工智能领域盛行的”数据越多越智能”的信条提出了系统性质疑。
昆士兰大学是澳大利亚顶尖研究型大学之一，其机器人与自主系统研究团队在国际学术界享有盛誉。Chung教授的研究横跨无人机自主控制、多机器人协作、端到端策略学习等多个前沿领域，其学术轨迹恰好映射了机器人学从传统控制向数据驱动范式转型的全过程。
这一转型的背景是深刻的。以大语言模型为代表的生成式AI在2020年代取得了突破性进展，”规模定律”（Scaling Law）——即模型性能随数据量和参数规模的增长而可预测地提升——成为业界共识。这一范式迅速渗透到机器人学领域，催生了大量以海量数据采集和端到端训练为核心的研究项目。据行业统计，2025年全球机器人领域的数据采集与标注投入较2020年增长了近8倍，部分头部企业的具身智能数据集规模已突破千万级轨迹样本。然而，与投入的急剧膨胀形成反差的是，通用具身智能的实际进展远未达到预期。
Chung教授在演讲中直击核心观点：”海量数据并不等同于高信息量。坐拥海量数据却一无所获的例子比比皆是。”她通过三个递进式的研究案例——无人机自主滑翔、多机器人通信、端到端策略修复——系统论证了一个核心命题：决定智能上限的从来不是数据的绝对规模，而是数据的质量与信息密度。
二、问题与挑战
Chung教授的研究揭示了一个贯穿人工智能与组织管理领域的根本性挑战：在数据获取成本不断降低的时代，如何避免陷入”数据充裕、信息匮乏”的决策陷阱？
……