Sergey Levine

概述

Sergey Levine 是 UC Berkeley 计算机科学系教授，深度机器人学习领域最具影响力的研究者之一（Google Scholar 引用超 23 万次）。他与 Chelsea Finn 等人于 2016 年首次实现了从像素到力矩的端到端视觉运动策略学习，此后在 Google Brain/DeepMind 推动了大规模机器人学习从单任务到 RT-2 的演进。

关键内容

核心贡献

端到端深度视觉运动策略（2016）：与 Chelsea Finn、Trevor Darrell、Pieter Abbeel 合作，首次在真实 PR2 机器人上实现从原始摄像头像素到关节力矩的端到端深度学习控制，提出引导策略搜索（GPS）框架解决样本效率问题，提出空间软注意力层（Spatial Softmax）解决视觉空间推理问题。

元学习（MAML）：与 Chelsea Finn 合作（2017），提出 Model-Agnostic Meta-Learning，用极少量数据快速适应新任务，对机器人学习和通用人工智能均有深远影响。

大规模机器人学习：在 Google Brain（2015–2016）和 Google DeepMind 工作期间推动"机器人农场"并行数据收集，研究从 RT-1（13 万条演示，700+ 任务）到 RT-2（VLA 模型，互联网知识迁移）的技术路线。

学术轨迹

• UC Berkeley EECS 博士后 → Google Brain（2015–2016）→ UC Berkeley 助理教授（2016–）
• Google DeepMind 兼职研究员

与 Chelsea Finn 的合作

Chelsea Finn 是 Levine 指导的博士生，两人在端到端机器人学习和元学习上长期合作。Finn 后来成为斯坦福大学教授，其 MAML 工作和机器人基础模型研究直接继承了这一合作的技术基因。

来源

• raw/books/机器人学/14-levine-deep-visuomotor-policies.md
• raw/books/机器人学/16-brohan-rt2-vision-language-action.md

相关

• 端到端视觉运动学习 — 开创性工作
• 视觉-语言-动作模型 — RT-2 的核心参与者