李開(kāi)復(fù)曾提到過(guò)一個(gè)AI界流傳的“騙子又來(lái)了曲線”。 人會(huì)不斷給機(jī)器進(jìn)行“是否具有人類智能”的鑒定，而這個(gè)過(guò)程，總是從被人工智能在某些領(lǐng)域的驚艷表現(xiàn)震撼，到逐漸認(rèn)識(shí)到當(dāng)時(shí)的人工智能還有各種局限，以至于產(chǎn)生巨大心理落差。

近來(lái)，人形具身智能機(jī)器人在WAIC世界人工智能大會(huì)上密集亮相，我們?cè)诂F(xiàn)場(chǎng)所感受到的就是“人類要?dú)缌恕迸c“騙子又來(lái)了”，兩種聲音同時(shí)存在的復(fù)雜現(xiàn)象。

具體來(lái)說(shuō)，認(rèn)為“人類要?dú)缌恕?，大多是不明覺(jué)厲的普通觀眾，而冷靜甚至不看好人形機(jī)器人的多為AI、機(jī)器人領(lǐng)域的業(yè)內(nèi)人士。

比如獵豹移動(dòng)董事長(zhǎng)兼CEO、獵戶星空董事長(zhǎng)傅盛就表示，“機(jī)器人在今年的展廳里是爆發(fā)了，但在日常生活當(dāng)中，我們并沒(méi)有看到它在哪個(gè)地方被大規(guī)模用起來(lái)。機(jī)器人行業(yè)的產(chǎn)業(yè)爆發(fā)還遠(yuǎn)遠(yuǎn)沒(méi)有到來(lái)……對(duì)人形機(jī)器人的不看好一定會(huì)被時(shí)間證明”。

這兩種心態(tài)，究竟哪一種才代表人形機(jī)器人產(chǎn)業(yè)的真相呢？

其實(shí)并沒(méi)有什么真相。不同的心態(tài)，是由不同的判定標(biāo)準(zhǔn)而產(chǎn)生的。大眾、從業(yè)者和技術(shù)專家，都有一張“我心中的人形機(jī)器人”打分表，評(píng)價(jià)尺度各不相同。

而關(guān)于人形機(jī)器人的期待，在人形、大模型、具身三個(gè)標(biāo)準(zhǔn)上，大眾的預(yù)期、媒體的宣傳、產(chǎn)業(yè)的實(shí)際進(jìn)展等都有比較大的分野。這構(gòu)成了當(dāng)前，人形機(jī)器人的理想與現(xiàn)實(shí)。

“變形金剛”的理想與現(xiàn)實(shí)

“他們?cè)趺床粍?dòng)啊，不表演有什么必要插電源？”

“插電亮著好看。”

本屆WAIC最吸睛的，就是中央展廳的“十八金剛”了。18個(gè)人形機(jī)器人同臺(tái)而立，幾乎每個(gè)參觀者都聚集在展臺(tái)前打卡拍照，在展臺(tái)旁邊，我聽(tīng)到了這段對(duì)話。

大眾理想中，人形機(jī)器人就是變形金剛、機(jī)甲戰(zhàn)士那樣，走路又穩(wěn)又快，行動(dòng)靈活，隨意移動(dòng)，無(wú)論是工廠上班、護(hù)理老人還是投遞包裹，都手拿把掐。

但產(chǎn)業(yè)現(xiàn)實(shí)中，WAIC上的人形機(jī)器人大多數(shù)時(shí)間都待在展臺(tái)上，在特定時(shí)間表演一些拿蘋果、端杯子之類的手部動(dòng)作，特斯拉的機(jī)器人甚至始終待在玻璃展柜中一動(dòng)不動(dòng)。和全場(chǎng)溜達(dá)的機(jī)器狗相比，人形機(jī)器人顯得“內(nèi)向”很多。

由此可見(jiàn)，到底需不需要“雙足行走”，成了目前公眾和從業(yè)者對(duì)人形機(jī)器人，最大的認(rèn)知差異。

總的來(lái)說(shuō)，雙足人形機(jī)器人是“機(jī)器人的皇冠”，是終極方向，才是大眾期待的“變形金剛”。

但至少要走過(guò)三步：雙足行走、執(zhí)行復(fù)雜任務(wù)、規(guī)模商用。

而目前，僅僅是第一步“雙足行走”，在技術(shù)和商業(yè)上都并不是最佳狀態(tài)。

一方面，穩(wěn)定的行走，需要系統(tǒng)擁有極高的魯棒性。

機(jī)器人在面臨各種異常情況和輸入時(shí)，仍然能快速通過(guò)運(yùn)動(dòng)控制模塊調(diào)整姿態(tài)，保持正常運(yùn)行。

要提升系統(tǒng)的魯棒性（或者說(shuō)穩(wěn)健性），依賴于機(jī)器人與人類、物理世界的真實(shí)交互，來(lái)積累高質(zhì)量數(shù)據(jù)。如果遇到訓(xùn)練環(huán)境中沒(méi)有出現(xiàn)過(guò)的問(wèn)題，機(jī)器人就可能出現(xiàn)異?；颉八罊C(jī)”，系統(tǒng)研發(fā)效率是比較低的。

另外，商業(yè)上“雙足行走”也并不是剛需。

比如特斯拉、Figure等都宣布要讓人形機(jī)器人“進(jìn)廠打工”，從事電池分揀等工作。但實(shí)際上，制造環(huán)節(jié)80%以上生產(chǎn)作業(yè)動(dòng)作，其實(shí)很少用到下肢，用到軀干，主要是靠手來(lái)完成的。這種上肢為主的簡(jiǎn)單系統(tǒng)，可以減少控制難度，降低投入成本，并且更容易規(guī)?；慨a(chǎn)，因?yàn)橹恍枰獙⒆钪匾囊徊糠止δ埽ㄊ植浚┻M(jìn)行復(fù)制。一旦加上四肢、軀干，控制難度、續(xù)航、成本都會(huì)大幅提升。

所以，目前能夠規(guī)?；瘧?yīng)用的機(jī)器人形態(tài)，都是以機(jī)器狗、機(jī)械手等單一、極簡(jiǎn)形態(tài)。滿足大眾期待的“變形金剛”，要在邁過(guò)很多步之后，才能帶來(lái)極大產(chǎn)業(yè)效應(yīng)。

幾年之內(nèi)，我們應(yīng)該都會(huì)更常在展臺(tái)和展柜中看見(jiàn)人形機(jī)器人，而非零距離互動(dòng)。

大模型的理想與現(xiàn)實(shí)

“現(xiàn)場(chǎng)機(jī)器人好多，我都感覺(jué)主題有點(diǎn)跑偏了”，一位計(jì)算領(lǐng)域的從業(yè)者對(duì)我說(shuō)道。

智能機(jī)器人在人工智能大會(huì)上遍地開(kāi)花，根本邏輯是——大模型為具身智能開(kāi)啟了新的解決方案的大門。

傳統(tǒng)的人工智能系統(tǒng)，受限于缺乏先驗(yàn)知識(shí)，理解力與泛化能力捉襟見(jiàn)肘，導(dǎo)致機(jī)器人難以像人類一樣擁有基本的常識(shí)判斷能力，這嚴(yán)重制約了高級(jí)別具身智能的發(fā)展。機(jī)器人執(zhí)行任務(wù)時(shí)，往往需要人類工程師將復(fù)雜指令拆解為一系列簡(jiǎn)化的、程序化的步驟，再由機(jī)器人（如機(jī)械臂）逐一執(zhí)行。顯然，這種“智能水平”并不算很高，還需要人來(lái)做大量的代碼和開(kāi)發(fā)工作。

理想中，大模型會(huì)為人形機(jī)器人的“智能水平”，帶來(lái)顛覆性的變革。

大模型相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法，擁有更加強(qiáng)大的泛化能力，可以為人形機(jī)器人的大量任務(wù)，比如復(fù)雜任務(wù)解析、流暢連續(xù)對(duì)話、零樣本推理等，提供全新的解決方案。

舉個(gè)例子，告訴人形機(jī)器人“我餓了”，它會(huì)自動(dòng)分析這句話背后的需求，并拆解為可執(zhí)行的具體動(dòng)作，通過(guò)觀察物理環(huán)境，從冰箱里拿出一個(gè)蘋果給你吃，不需要人來(lái)拆分指令。

但現(xiàn)實(shí)中，大模型給人形機(jī)器人帶來(lái)的變革，仍然停留在初級(jí)的“自然語(yǔ)言交互”。

目前絕大多數(shù)人形機(jī)器人，更多是擁有了類ChatGPT的“嘴”。這種結(jié)合，雖然能提供更自然生動(dòng)的交互體驗(yàn)，但只是將現(xiàn)有的語(yǔ)音交互進(jìn)行了升級(jí)，并非“端到端”任務(wù)執(zhí)行能力的顛覆式突破。

無(wú)需人工參與的高度自動(dòng)化，為什么有了大模型也沒(méi)能快速實(shí)現(xiàn)呢？

究其根本，機(jī)器人是一個(gè)非常復(fù)雜的學(xué)科，涉及精密機(jī)械、自動(dòng)控制、電氣電子、計(jì)算科學(xué)，最后呈現(xiàn)出一個(gè)非常復(fù)雜智能機(jī)電一體化系統(tǒng)。

從有監(jiān)督機(jī)器學(xué)習(xí)到大語(yǔ)言模型，是計(jì)算領(lǐng)域的技術(shù)突破，可以在交互、規(guī)劃、決策等環(huán)節(jié)發(fā)揮作用。然而，從機(jī)械化到高度自動(dòng)化，人形機(jī)器人的再進(jìn)化，還需要感知技術(shù)、驅(qū)動(dòng)與傳動(dòng)技術(shù)、萬(wàn)兆網(wǎng)絡(luò)等的技術(shù)和資源支持。

國(guó)產(chǎn)機(jī)器人崛起的理想與現(xiàn)實(shí)

“美國(guó)公司負(fù)責(zé)忽悠概念，中國(guó)公司負(fù)責(zé)讓機(jī)器人落地、商用，把價(jià)格打下來(lái)，讓人人實(shí)現(xiàn)機(jī)器人自由?！?/p>

此次WAIC大會(huì)，國(guó)產(chǎn)人形機(jī)器人的表現(xiàn)確實(shí)要比海外公司亮眼很多。無(wú)論是特斯拉、谷歌，在機(jī)器人的展示上都堪稱乏味。而國(guó)產(chǎn)人形機(jī)器人不僅批量化、大規(guī)模出現(xiàn)，而且展現(xiàn)出了在很多具體場(chǎng)景中的商用能力，比如做飯機(jī)器人、電信機(jī)器人、家政陪伴機(jī)器人等。

那么，這是不是意味著國(guó)產(chǎn)人形機(jī)器人廠商會(huì)很快崛起呢？

我們當(dāng)然希望這一天能盡快實(shí)現(xiàn)，但目前來(lái)看現(xiàn)實(shí)還有不確定性。

數(shù)據(jù)層面，特斯拉、谷歌等科技巨頭，在自動(dòng)駕駛領(lǐng)域有多年積累，可以將足夠多的空間數(shù)據(jù)喂給模型，解決人形機(jī)器人在復(fù)雜空間中的學(xué)習(xí)問(wèn)題，從而更好地進(jìn)行迭代學(xué)習(xí)。而在WAIC現(xiàn)場(chǎng)，我們看到的大多數(shù)國(guó)產(chǎn)人形機(jī)器人廠商的業(yè)務(wù)面還比較孤立，百度、商湯等數(shù)據(jù)積累面廣的AI公司，則更多聚焦在汽車形態(tài)的智能機(jī)器人。這意味著，解決人形機(jī)器人的數(shù)據(jù)問(wèn)題，還有賴于產(chǎn)生生態(tài)化、產(chǎn)業(yè)化、多方共建的解決方案。

算法層面，類GPT-4o能力的國(guó)產(chǎn)多模態(tài)大模型還比較稀缺，這使得人形機(jī)器人通過(guò)視覺(jué)、音頻等多維度數(shù)據(jù)來(lái)識(shí)別地圖和復(fù)雜場(chǎng)景的能力，大大受到限制。目前，海外產(chǎn)學(xué)界已經(jīng)在多模態(tài)大模型上系統(tǒng)性發(fā)力。比如OpenAI基于GPT-4o為Figure 01構(gòu)建了一個(gè)具身智能AI模型，谷歌推出了多模態(tài)具身視覺(jué)語(yǔ)言模型PaLM-E。加州大學(xué)伯克利分校推出了LM Nav，來(lái)實(shí)現(xiàn)硬件本體、運(yùn)動(dòng)小腦、決策大腦三部分逐漸融合。目前來(lái)看，國(guó)產(chǎn)基礎(chǔ)大模型還有一段路要追趕。

發(fā)展國(guó)產(chǎn)人形機(jī)器人產(chǎn)業(yè)，是一條難而正確的路。在這條路上，我們既不希望“騙子又來(lái)了”，也不希望“人類被毀滅了”。歷史告訴我們，技術(shù)發(fā)展過(guò)程中一定會(huì)經(jīng)歷上升、頂峰、陷入低谷、攀升、穩(wěn)定5個(gè)階段。

人形機(jī)器人產(chǎn)業(yè)要避免跌入低谷，持續(xù)發(fā)展，就要在理想與現(xiàn)實(shí)中，不斷校正自己的坐標(biāo)，在每一個(gè)發(fā)展階段兌現(xiàn)實(shí)用價(jià)值。

審核編輯 黃宇