在人工智能与机器人领域，陈佳玉的名字正逐渐被更多人熟知。这位兼具学术背景与产业实践的年轻研究者，本科毕业于北京大学工学院，早期专注于自动驾驶技术研究，博士后阶段在卡内基梅隆大学（CMU）将强化学习应用于核聚变反应堆控制，如今同时担任香港大学博士生导师与原力无限资深研究科学家，将研究重心转向通用家用机器人开发。
陈佳玉的科研轨迹始终围绕复杂系统智能控制展开。从自动驾驶的感知与决策，到强化学习理论深化，再到核聚变等离子体控制，看似跨度极大的研究方向背后，是强化学习这一核心方法的贯穿。"无论是核聚变控制还是机器人操作，本质上都是用强化学习解决高维非线性连续控制问题。"他解释道，这类问题需要定义观测、动作与评价函数三个要素，传统控制方法难以应对，而强化学习的优势恰好在此。
这种技术路径的选择源于他对研究本质的追求。"强化学习的学习过程具有类人特性，其综合了控制理论、统计学与优化理论，对数理基础要求极高。"陈佳玉坦言，早期曾误认为挑战最难问题就是研究价值所在，如今更强调从需求出发："用简洁方式解决本质问题，既能影响广泛领域，也符合工程实践需求。"这种理念在他博士与博士后阶段分别受两位导师影响形成——博士导师Vanita Gawva教会他从数学原理剖析算法可行性，博后导师Joshua Rendell则让他领悟到工程迭代的重要性。
当前陈佳玉正致力于持续性强化学习研究，试图让AI具备持续学习新任务而不遗忘旧知识的能力。"这需要理论突破与工程技术的双重支撑。"他以正在开展的原型机研究为例，在原力无限联合实验室中，团队既在算法层面探索理论创新，又通过快速工程迭代推动技术落地。这种双轨并进的模式，源于他对学术研究与产业实践耦合关系的深刻认知："在港大做通用机器人研究面临资金、场地与算力三重困境，而产业界能提供这些关键资源。"
选择加入原力无限，陈佳玉看重的是其构建的商业-技术正向循环。该公司FORCE系列、MASTER COFFEE系列及轮式人形机器人AstroDroid AD-01的市场成功，证明了团队的产品化能力。"更关键的是技术共识。"他强调，双方都认同具身智能的未来在于"一脑多身"的通用物理世界模型，这种理念契合度促使他以创业合伙人身份深度参与。
对于为何聚焦家用机器人，陈佳玉从技术集成与市场需求两个维度给出解释："机器人学是人工智能技术的试验场，通用机器人需要整合CV、NLP、大模型、控制理论等多领域技术；而家庭场景对通用性的需求远高于商业与工业场景，用户不希望为不同任务配置专用机器人。"这种判断使他将攀登具身智能高峰的目标锁定在家庭场景。
面对大厂竞争，陈佳玉认为初创公司的机会在于找到专属赛道："必须选择垂直领域深耕，通过快速落地验证技术价值。"他预测短期机会在B端工业场景，但长期看C端家庭市场潜力更大："工厂可部署专用机器人提升效率，而家庭需要的是能处理多种任务的通用型产品。"
在核心技术突破方向上，陈佳玉提出两大重点：持续性强化学习与以Agent为中心的世界模型。针对后者，他批评当前多数世界模型研究采用第三人称视角，缺乏对智能体行为指挥的针对性。"我们希望构建每个Agent独有的世界模型，就像人类基于自身经验理解物理世界。"这种差异化的研究路径，体现在对因果建模的重视上——通过理解动作背后的物理原理（如杯子掉落会破碎），实现经验迁移（从拿杯子到拿水壶）。
对于具身智能领域的技术评估，陈佳玉直言当前泛化性被高估，持续学习被忽视。"多数论文宣称的泛化缺乏理论保证，而持续学习作为Richard Sutton和Ilya Sutskever都强调的难题，尚未得到足够关注。"他预测行业将经历任务泛化、推广部署、场景泛化三个阶段，其中数据飞轮的启动是关键转折点："当千台机器人部署到千个家庭持续产生数据时，算法突破与海量数据的结合可能催生跨场景通用机器人。"
作为年轻博导，陈佳玉给新入行研究者的建议强调问题定义与资源获取的双重重要性："先确定真正重要的研究问题，再整合算力、设备、场景等资源。"他鼓励学生拆解顶尖学者的研究体系，但拒绝盲从："要博采众长构建自己的认知框架，从中推导出独特的研究问题。"这种方法论，或许正是他能在多个领域取得突破的关键。
