文|腦極體
李開復曾提到過一個AI界流傳的“騙子又來了曲線”。 人會不斷給機器進行“是否具有人類智能”的鑒定，而這個過程，總是從被人工智能在某些領(lǐng)域的驚艷表現(xiàn)震撼，到逐漸認識到當時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，人形具身智能機器人在WAIC世界人工智能大會上密集亮相，我們在現(xiàn)場所感受到的就是“人類要毀滅了”與“騙子又來了”，兩種聲音同時存在的復雜現(xiàn)象。
具體來說，認為“人類要毀滅了”，大多是不明覺厲的普通觀眾，而冷靜甚至不看好人形機器人的多為AI、機器人領(lǐng)域的業(yè)內(nèi)人士。
比如獵豹移動董事長兼CEO、獵戶星空董事長傅盛就表示，“機器人在今年的展廳里是爆發(fā)了，但在日常生活當中，我們并沒有看到它在哪個地方被大規(guī)模用起來。機器人行業(yè)的產(chǎn)業(yè)爆發(fā)還遠遠沒有到來……對人形機器人的不看好一定會被時間證明”。
這兩種心態(tài)，究竟哪一種才代表人形機器人產(chǎn)業(yè)的真相呢？
其實并沒有什么真相。不同的心態(tài)，是由不同的判定標準而產(chǎn)生的。大眾、從業(yè)者和技術(shù)專家，都有一張“我心中的人形機器人”打分表，評價尺度各不相同。
而關(guān)于人形機器人的期待，在人形、大模型、具身三個標準上，大眾的預期、媒體的宣傳、產(chǎn)業(yè)的實際進展等都有比較大的分野。這構(gòu)成了當前，人形機器人的理想與現(xiàn)實。
“變形金剛”的理想與現(xiàn)實
“他們怎么不動啊，不表演有什么必要插電源？”
“插電亮著好看?！?/p>
本屆WAIC最吸睛的，就是中央展廳的“十八金剛”了。18個人形機器人同臺而立，幾乎每個參觀者都聚集在展臺前打卡拍照，在展臺旁邊，我聽到了這段對話。
大眾理想中，人形機器人就是變形金剛、機甲戰(zhàn)士那樣，走路又穩(wěn)又快，行動靈活，隨意移動，無論是工廠上班、護理老人還是投遞包裹，都手拿把掐。
但產(chǎn)業(yè)現(xiàn)實中，WAIC上的人形機器人大多數(shù)時間都待在展臺上，在特定時間表演一些拿蘋果、端杯子之類的手部動作，特斯拉的機器人甚至始終待在玻璃展柜中一動不動。和全場溜達的機器狗相比，人形機器人顯得“內(nèi)向”很多。
由此可見，到底需不需要“雙足行走”，成了目前公眾和從業(yè)者對人形機器人，最大的認知差異。
總的來說，雙足人形機器人是“機器人的皇冠”，是終極方向，才是大眾期待的“變形金剛”。
但至少要走過三步：雙足行走、執(zhí)行復雜任務(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。
機器人在面臨各種異常情況和輸入時，仍然能快速通過運動控制模塊調(diào)整姿態(tài)，保持正常運行。
要提升系統(tǒng)的魯棒性（或者說穩(wěn)健性），依賴于機器人與人類、物理世界的真實交互，來積累高質(zhì)量數(shù)據(jù)。如果遇到訓練環(huán)境中沒有出現(xiàn)過的問題，機器人就可能出現(xiàn)異常或“死機”，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器人“進廠打工”，從事電池分揀等工作。但實際上，制造環(huán)節(jié)80%以上生產(chǎn)作業(yè)動作，其實很少用到下肢，用到軀干，主要是靠手來完成的。這種上肢為主的簡單系統(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)，因為只需要將最重要的一部分功能（手部）進行復制。一旦加上四肢、軀干，控制難度、續(xù)航、成本都會大幅提升。
所以，目前能夠規(guī)?；瘧?yīng)用的機器人形態(tài)，都是以機器狗、機械手等單一、極簡形態(tài)。滿足大眾期待的“變形金剛”，要在邁過很多步之后，才能帶來極大產(chǎn)業(yè)效應(yīng)。
幾年之內(nèi)，我們應(yīng)該都會更常在展臺和展柜中看見人形機器人，而非零距離互動。
大模型的理想與現(xiàn)實
“現(xiàn)場機器人好多，我都感覺主題有點跑偏了”，一位計算領(lǐng)域的從業(yè)者對我說道。
智能機器人在人工智能大會上遍地開花，根本邏輯是——大模型為具身智能開啟了新的解決方案的大門。
傳統(tǒng)的人工智能系統(tǒng)，受限于缺乏先驗知識，理解力與泛化能力捉襟見肘，導致機器人難以像人類一樣擁有基本的常識判斷能力，這嚴重制約了高級別具身智能的發(fā)展。機器人執(zhí)行任務(wù)時，往往需要人類工程師將復雜指令拆解為一系列簡化的、程序化的步驟，再由機器人（如機械臂）逐一執(zhí)行。顯然，這種“智能水平”并不算很高，還需要人來做大量的代碼和開發(fā)工作。
理想中，大模型會為人形機器人的“智能水平”，帶來顛覆性的變革。
大模型相較于傳統(tǒng)機器學習方法，擁有更加強大的泛化能力，可以為人形機器人的大量任務(wù)，比如復雜任務(wù)解析、流暢連續(xù)對話、零樣本推理等，提供全新的解決方案。
舉個例子，告訴人形機器人“我餓了”，它會自動分析這句話背后的需求，并拆解為可執(zhí)行的具體動作，通過觀察物理環(huán)境，從冰箱里拿出一個蘋果給你吃，不需要人來拆分指令。
但現(xiàn)實中，大模型給人形機器人帶來的變革，仍然停留在初級的“自然語言交互”。
目前絕大多數(shù)人形機器人，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的交互體驗，但只是將現(xiàn)有的語音交互進行了升級，并非“端到端”任務(wù)執(zhí)行能力的顛覆式突破。
無需人工參與的高度自動化，為什么有了大模型也沒能快速實現(xiàn)呢？
究其根本，機器人是一個非常復雜的學科，涉及精密機械、自動控制、電氣電子、計算科學，最后呈現(xiàn)出一個非常復雜智能機電一體化系統(tǒng)。
從有監(jiān)督機器學習到大語言模型，是計算領(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，從機械化到高度自動化，人形機器人的再進化，還需要感知技術(shù)、驅(qū)動與傳動技術(shù)、萬兆網(wǎng)絡(luò)等的技術(shù)和資源支持。
國產(chǎn)機器人崛起的理想與現(xiàn)實
“美國公司負責忽悠概念，中國公司負責讓機器人落地、商用，把價格打下來，讓人人實現(xiàn)機器人自由?！?/p>
此次WAIC大會，國產(chǎn)人形機器人的表現(xiàn)確實要比海外公司亮眼很多。無論是特斯拉、谷歌，在機器人的展示上都堪稱乏味。而國產(chǎn)人形機器人不僅批量化、大規(guī)模出現(xiàn)，而且展現(xiàn)出了在很多具體場景中的商用能力，比如做飯機器人、電信機器人、家政陪伴機器人等。
那么，這是不是意味著國產(chǎn)人形機器人廠商會很快崛起呢？
我們當然希望這一天能盡快實現(xiàn)，但目前來看現(xiàn)實還有不確定性。
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，解決人形機器人在復雜空間中的學習問題，從而更好地進行迭代學習。而在WAIC現(xiàn)場，我們看到的大多數(shù)國產(chǎn)人形機器人廠商的業(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)的智能機器人。這意味著，解決人形機器人的數(shù)據(jù)問題，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能力的國產(chǎn)多模態(tài)大模型還比較稀缺，這使得人形機器人通過視覺、音頻等多維度數(shù)據(jù)來識別地圖和復雜場景的能力，大大受到限制。目前，海外產(chǎn)學界已經(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)建了一個具身智能AI模型，谷歌推出了多模態(tài)具身視覺語言模型PaLM-E。加州大學伯克利分校推出了LM Nav，來實現(xiàn)硬件本體、運動小腦、決策大腦三部分逐漸融合。目前來看，國產(chǎn)基礎(chǔ)大模型還有一段路要追趕。
發(fā)展國產(chǎn)人形機器人產(chǎn)業(yè)，是一條難而正確的路。在這條路上，我們既不希望“騙子又來了”，也不希望“人類被毀滅了”。歷史告訴我們，技術(shù)發(fā)展過程中一定會經(jīng)歷上升、頂峰、陷入低谷、攀升、穩(wěn)定5個階段。
人形機器人產(chǎn)業(yè)要避免跌入低谷，持續(xù)發(fā)展，就要在理想與現(xiàn)實中，不斷校正自己的坐標，在每一個發(fā)展階段兌現(xiàn)實用價值。