文 | 極智GeeTech
在1927年上映的《大都會》中,全世界第一部包含人形機(jī)器人的角色Maria誕生。
時隔60多年,人形機(jī)器人從電影走向現(xiàn)實(shí)。2000年,本田的ASIMO成為世界上最著名的人形機(jī)器人之一,它能夠行走、跑步甚至進(jìn)行簡單的交流。如今,人形機(jī)器人浪潮正全面席卷而來。
2024年,在大模型的加持下,一個足夠性感的故事正在展開:長出“大腦”的人形機(jī)器人與科幻電影中通用機(jī)器人之間的差距正在縮短。在今年世界機(jī)器人大會上,27款人形機(jī)器人齊聚亮相,創(chuàng)歷屆之最。
作為人形機(jī)器人的內(nèi)核,具身智能站在大模型和自動駕駛的臂膀上,其商業(yè)化進(jìn)程要比預(yù)期來得更快。故事的書寫者們,已在具身智能領(lǐng)域內(nèi)掀起一場諸神之戰(zhàn)。
具身智能 vs 自動駕駛
對于具身智能,并沒有一個嚴(yán)格的官方定義,其通常是指本體與智能體的結(jié)合,本體實(shí)現(xiàn)與物理環(huán)境的交互,感知環(huán)境做出行動,智能體通過環(huán)境信息持續(xù)學(xué)習(xí)賦予智慧,是包含人工智能、機(jī)器人本體、認(rèn)知科學(xué)、神經(jīng)科學(xué)等多學(xué)科交叉的系統(tǒng)。
2024年5月,英國自動駕駛獨(dú)角獸Wayve完成了10.5億美元C輪融資,這不僅是英國史上最大規(guī)模的AI融資,也是迄今為止全球排名前20名的AI融資之一。值得注意的是,Wayve聯(lián)合創(chuàng)始人兼CEO在完成融資當(dāng)天寫下這樣一句話:“具身智能注定會成為最具價值的AI應(yīng)用,未來還可能會改變我們與科技的交互方式?!?/p>
令人好奇的是,為什么一家自動駕駛公司要在融資當(dāng)天提到具身智能,甚至還極為看好?
有人說,自動駕駛的存在是取代司機(jī),具身智能的存在是要替代整個人類。當(dāng)然,這只是跟隨如今互聯(lián)網(wǎng)風(fēng)格的一種狹隘理解。自動駕駛與具身智能的真正相似之處是,從技術(shù)到底層邏輯的相似。而一種更好的理解則是,既然2024是自動駕駛的商業(yè)化元年,那么同樣地,它也見證了具身智能的“元年”。
根據(jù)全球頂級對沖基金Coatue發(fā)布的一篇關(guān)于“具身智能”的報告《The Path to General-Purpose Robots》(通往通用機(jī)器人之路),如果將具身智能的階段與自動駕駛的階段做類比,“過去無人駕駛汽車從L1到L2花了大約20年,而從L2到現(xiàn)在的L4只用了不到10年;那么人型機(jī)器人從L1到L2用了大約50年,從L2到L4預(yù)計只需要不到5年?!?/p>
業(yè)界普遍認(rèn)為,人形是機(jī)器人領(lǐng)域形態(tài)發(fā)展的最終目標(biāo),如果用自動駕駛的等級類比,即擁有高智能水平的人形機(jī)器人是L4。
與智能汽車類似,具身智能的實(shí)現(xiàn)包括“感知、決策、控制”三個主要環(huán)節(jié),并需要內(nèi)外部通信傳輸?shù)闹С帧?/p>
感知是具身智能交互世界的窗口,首先要通過環(huán)境傳感器、運(yùn)動傳感器收集環(huán)境與自身狀態(tài)信息,作為決策環(huán)節(jié)的依據(jù);其次,要根據(jù)感知的信息以及任務(wù)目標(biāo),對自身行為進(jìn)行規(guī)劃決策,并向控制模塊發(fā)出指令;之后,將決策指令轉(zhuǎn)化為實(shí)際操作,實(shí)現(xiàn)與物理世界的互動;傳輸方面則強(qiáng)調(diào)低時延、多連接、連續(xù)性能力。
從商業(yè)化的角度來看,具身智能與自動駕駛的發(fā)展路徑也或有高度擬合。以L2、L4區(qū)分,具身智能時代的人形機(jī)器人可以分為2種路徑:一種是在L2級別下逐步孵化出衍生的商業(yè)化產(chǎn)品,并且機(jī)器人的軀體形態(tài)也逐漸從輪式、足式、雙臂、到全身等等;而另一種則是L4級的打法,企業(yè)從一開始就只做人形機(jī)器人,直接求解最難的問題。通過大規(guī)模融資來穿越技術(shù)的發(fā)展周期。
自動駕駛的商業(yè)化有三類機(jī)會:首先是車本身,即L4自動駕駛技術(shù)的機(jī)會;其次是應(yīng)用場景,即L2級別自動駕駛的機(jī)遇;最后是傳感器、毫米波、智能座艙等供應(yīng)鏈技術(shù)。
清華大學(xué)智能產(chǎn)業(yè)研究院(AIR)院長張亞勤認(rèn)為,無人駕駛將是未來五年內(nèi)最大的物理(具身)智能應(yīng)用,并且有望成為第一個通過“新圖靈測試”的具身智能系統(tǒng)。2025年將成為無人駕駛的“ChatGPT 時刻”,2030年無人駕駛成為主流,預(yù)計有10%的新車具備L4級別的自動駕駛能力。
對具身智能來說,機(jī)器人從局部到全身整體的蛻變過程,也會帶來三類機(jī)遇。
首先是機(jī)器人本體的開發(fā),企業(yè)若有條件在初期就推出人形,自然能搶奪市場先機(jī),讓后來者很難分一杯羹。
其次是場景機(jī)會,目前機(jī)器人的應(yīng)用場景相對較少,但這也為行業(yè)提供了探索和發(fā)展的空間。
第三是產(chǎn)業(yè)上下游的機(jī)遇,上游包括智算中心的建設(shè)、算力芯片和端側(cè)模型等賦能機(jī)器人的關(guān)鍵技術(shù);下游則涉及到各種傳感器、關(guān)節(jié)模組,它們相當(dāng)于機(jī)器人的感官系統(tǒng),包括視覺、觸覺和運(yùn)動感知等等。
很顯然,在具身智能中,“上難度”的人形機(jī)器人代表著需要穿越周期的L4,甚至是L5。
“大腦+小腦”,大模型實(shí)現(xiàn)具身智能
從馬斯克到AI知名學(xué)者李飛飛,從英偉達(dá)、OpenAI甚至到國內(nèi)幾乎所有科技大廠,全部紛紛涌入具身智能賽道,一致看好這個如今AI大模型加持下的機(jī)器人產(chǎn)業(yè)。
今年,人形機(jī)器人行業(yè)在具身智能領(lǐng)域取得了顯著的突破,基于通用大模型、數(shù)據(jù)集、高效計算架構(gòu)、多模態(tài)融合感知等關(guān)鍵技術(shù),為人形機(jī)器人安上聰明的“大腦”,使得人形機(jī)器人具備認(rèn)知和決策能力,推動人形機(jī)器人走向?qū)嵱秒A段。
從大模型角度看,從最初的大語言模型(LLM),逐步邁向圖像-語言模型(VLM)乃至圖像-語言-動作多模態(tài)模型(VLA),這一轉(zhuǎn)變不僅意味著機(jī)器人將擁有更加豐富的信息處理能力,更預(yù)示著它們將能夠跨越語言與視覺的界限,實(shí)現(xiàn)更為復(fù)雜、靈活的交互方式。在這樣的技術(shù)背景下,人形機(jī)器人正朝著具身智能的終極目標(biāo)邁進(jìn)。
“具身”特點(diǎn)使具身智能大模型與通用大模型存在顯著差異。傳統(tǒng)具身智能的研究以深度學(xué)習(xí)范式為主流,通過模仿學(xué)習(xí)或強(qiáng)化學(xué)習(xí)技術(shù)訓(xùn)練具身系統(tǒng),使其習(xí)得技能。但傳統(tǒng)深度學(xué)習(xí)算法對數(shù)據(jù)集的依賴程度較高、遷移泛化能力較弱,對于訓(xùn)練數(shù)據(jù)以外的技能執(zhí)行起來較為困難。
大模型的出現(xiàn)為邁向通用人工智能提供契機(jī)。自谷歌Transformer神經(jīng)網(wǎng)絡(luò)架構(gòu)發(fā)布以來,眾多研究者發(fā)現(xiàn)基于Transformer的預(yù)訓(xùn)練語言模型在非語言類的任務(wù)中也能取得不錯的效果,具有較強(qiáng)的泛化能力。此后大模型被引入具身智能領(lǐng)域,例如谷歌在2023年發(fā)布的PaLM-E模型,即是基于Transformer神經(jīng)網(wǎng)絡(luò)開發(fā)的具身多模態(tài)大語言模型。
相較通用大模型,具身智能大模型需要更多地考慮感知的細(xì)度與廣度、與環(huán)境的交互性以及控制的協(xié)調(diào)性。
具身智能系統(tǒng)不僅要能夠準(zhǔn)確地識別物體的類別和屬性,還要將視覺信息轉(zhuǎn)化為精確的空間坐標(biāo),以供機(jī)械臂、靈巧手等部位執(zhí)行精細(xì)操作和關(guān)節(jié)控制。
同時,除文本、圖像、音頻、視頻等較為常見的模態(tài)數(shù)據(jù)外,具身智能還需要接收觸覺(如力的反饋、表面材質(zhì))、姿態(tài)(如空間坐標(biāo)、位移距離、旋轉(zhuǎn)角度)等信息,以實(shí)現(xiàn)對環(huán)境更全面和準(zhǔn)確的理解。
具身智能算法也需要理解物體的運(yùn)動軌跡、事件的發(fā)展順序,才能做出及時而準(zhǔn)確的決策。
環(huán)境交互是具身智能區(qū)別于其他有實(shí)體機(jī)器人的重要特征,通過與環(huán)境的交互,持續(xù)學(xué)習(xí)并更新知識,從而不斷提升算法性能。
目前,人形機(jī)器人廠商主要采用分層端到端的方案,即通過“大腦大模型”和“小腦大模型”互相配合完成任務(wù)。
“大腦大模型”大多基于多模態(tài)通用大模型,完成對任務(wù)的感知規(guī)劃,再通過API調(diào)度“小腦大模型”驅(qū)動關(guān)節(jié)硬件完成執(zhí)行。
例如優(yōu)必選人形機(jī)器人Walker S接入百度文心大模型;智元機(jī)器人與科大訊飛簽署合作戰(zhàn)略協(xié)議,依托訊飛星火大模型進(jìn)行聯(lián)合開發(fā);樂聚機(jī)器人夸父搭載的是華為盤古大模型。
在“小腦大模型”方面,在技能應(yīng)用上,智元機(jī)器人推出了通用的位姿估計模型UniPose、通用的抓取模型UniGrasp,通用的力控插拔模型UniPlug等一系列通用原子能力模型,可以配合大語言模型框架去做任務(wù)編排,使得機(jī)器人相比傳統(tǒng)協(xié)作機(jī)器人更容易部署,且具備一定的泛化能力。
優(yōu)必選則從應(yīng)用場景出發(fā),集合了工業(yè)場景垂域大模型技術(shù)、計算機(jī)視覺感知、語義VSLAM導(dǎo)航、學(xué)習(xí)型全身運(yùn)動控制、多模態(tài)人機(jī)交互等人形機(jī)器人全棧式技術(shù),將人形機(jī)器人引入汽車產(chǎn)線的智能搬運(yùn)、質(zhì)量檢查和化學(xué)品操作等工位,推動人形機(jī)器人在汽車工廠的大規(guī)模應(yīng)用。
值得注意的是,特斯拉Optimus使用完全端到端的神經(jīng)網(wǎng)絡(luò)大模型,借助傳感器和計算機(jī)視覺技術(shù),利用海量數(shù)據(jù)不斷優(yōu)化訓(xùn)練過程,直接生成關(guān)節(jié)控制序列。
在“小腦”操作大模型領(lǐng)域,各大廠商剛剛起步,多技術(shù)路徑同步發(fā)展。操作大模型決定了人形機(jī)器人在任務(wù)執(zhí)行側(cè)的準(zhǔn)確度,是大規(guī)模商業(yè)應(yīng)用場景落地的前提。
數(shù)據(jù)成為第一大瓶頸
業(yè)內(nèi)普遍認(rèn)為,缺乏規(guī)模龐大且高質(zhì)量數(shù)據(jù)是具身智能的發(fā)展難題之一。由于訓(xùn)練機(jī)器人所需的物理數(shù)據(jù)不如文本數(shù)據(jù)量大且易獲得,相較于圖文大模型千億規(guī)模的數(shù)據(jù)訓(xùn)練量,目前機(jī)器人數(shù)據(jù)集量遠(yuǎn)不能滿足機(jī)器人達(dá)到通用大模型的需求。
目前,解決人形機(jī)器人訓(xùn)練數(shù)據(jù)短缺的問題,一方面通過強(qiáng)化學(xué)習(xí)算法提高模型訓(xùn)練效率,一方面則通過仿真平臺合成數(shù)據(jù),建立數(shù)據(jù)開放生態(tài)。
數(shù)據(jù)對于訓(xùn)練人形機(jī)器人具有至關(guān)重要的作用,它直接影響到機(jī)器人的感知能力、思考和決策能力以及行動執(zhí)行能力。大模型通過大量數(shù)據(jù)學(xué)習(xí),讓機(jī)器人理解任務(wù)意圖,并遷移到下游任務(wù)中,高質(zhì)量訓(xùn)練數(shù)據(jù)能夠有效提升人形機(jī)器人場景泛化能力。
在解決高質(zhì)量具身智能數(shù)據(jù)不足的問題上,可以通過模擬環(huán)境合成數(shù)據(jù)輔助真實(shí)世界數(shù)據(jù)以豐富訓(xùn)練數(shù)據(jù)來源,還可以構(gòu)建更大規(guī)模、更多模態(tài)的共享數(shù)據(jù)集。
使用仿真及合成數(shù)據(jù)能夠降低數(shù)據(jù)收集成本并提高開發(fā)效率。合成數(shù)據(jù)的常見來源是借助大量符合現(xiàn)實(shí)世界物理規(guī)則的虛擬仿真場景學(xué)習(xí)技能和策略,后遷移到真實(shí)世界。與真實(shí)采集數(shù)據(jù)相比,基于仿真環(huán)境的合成數(shù)據(jù)具有采集成本低、采集速度快、可擴(kuò)展性強(qiáng)、標(biāo)注準(zhǔn)確度高的優(yōu)點(diǎn)。
共建高質(zhì)量開源數(shù)據(jù)集,可以實(shí)現(xiàn)數(shù)據(jù)最大化利用。由于數(shù)據(jù)獲取的高成本、長周期以及隱私安全問題,大部分具身智能研究組織和企業(yè)僅限于在某個特定環(huán)境中收集數(shù)據(jù),數(shù)據(jù)共享的缺乏導(dǎo)致重復(fù)勞動和資源浪費(fèi),形成“數(shù)據(jù)孤島”。
2023年,DeepMind與眾多科研機(jī)構(gòu)展開合作,構(gòu)建了真實(shí)機(jī)器人開源數(shù)據(jù)集Open X-Embodiment,包含22個機(jī)器人超過100萬個軌跡片段、500多項技能、16多萬項任務(wù)?;诖碎_源數(shù)據(jù)集訓(xùn)練的具身智能控制基礎(chǔ)模型RT-X,表現(xiàn)出在跨場景、多任務(wù)應(yīng)用中超越此前基于特定場景和數(shù)據(jù)集下的技能水平。
具身智能行至爆發(fā)前夜
從1973 年早稻田大學(xué)開發(fā)的世界上第一款人形機(jī)器人WABOT-1,到特斯拉的人形機(jī)器人Optimus、Figure AI的Figure 02,機(jī)器人的移動能力、操作能力、交互能力已經(jīng)發(fā)生了巨大的變化,過去兩年,多模態(tài)大模型的加持,讓機(jī)器人借著具身智能的快速發(fā)展進(jìn)入了一個新的階段。
2023年,行業(yè)新品迭出不窮,特斯拉、Figure AI,以及宇樹、智元、傅利葉等一批國產(chǎn)品牌集中在2023年推出首款人形機(jī)器人產(chǎn)品,銀河通用、加速進(jìn)化、星動紀(jì)元等廠商紛紛成立,促成行業(yè)新品迭出的欣欣向榮之象。
行至2024年,優(yōu)必選、Apptronik、特斯拉、Figure AI等公司開始陸續(xù)與汽車主機(jī)廠展開合作,將人形機(jī)器人落地汽車制造場景,初探商業(yè)化可能。
不過,目前絕大部分具身智能公司還處于不斷迭代的Demo階段,何時能夠?qū)a(chǎn)品與某一場景很好地結(jié)合并商業(yè)化落地,是行業(yè)關(guān)心的重點(diǎn)問題。
根據(jù)中金研究院及研究部聯(lián)合研究發(fā)布的《AI經(jīng)濟(jì)學(xué)》報告,從任務(wù)角度看,人形機(jī)器人“具身”的特點(diǎn)使其尤其適合力量型、靈巧型及空間移動導(dǎo)航等體力任務(wù),例如上下料、維修、巡檢等。同時,其“智能體”特征使其具備人的智能與情感,能夠在教培輔導(dǎo)、服務(wù)接待、人文關(guān)懷等支持型任務(wù)中發(fā)揮作用,例如教育、講解導(dǎo)引、養(yǎng)老助殘等。
大部分行業(yè)都是由多類任務(wù)組合而成的,如果向終局去看,人形機(jī)器人有望在各個行業(yè)找到適合自身落地的應(yīng)用場景。比如,服務(wù)業(yè)前臺(營業(yè)部客戶接待)、采礦業(yè)(物料挖掘搬運(yùn))、水電熱氣(電力巡檢)、看護(hù)養(yǎng)老業(yè)(康養(yǎng)陪護(hù))、裝備制造業(yè)(工業(yè)制造)、醫(yī)療衛(wèi)生業(yè)(手術(shù)機(jī)器人)、住宿和餐飲業(yè)(餐飲服務(wù)機(jī)器人)等等,不一而足。
可以說,人形機(jī)器人的滲透不會一蹴而就,隨著技術(shù)不斷成熟,人形機(jī)器人不僅能夠有更自然的交互性能,實(shí)現(xiàn)在交互要求更高的公共服務(wù)場景以及個人家用場景中的應(yīng)用,還能提升對復(fù)雜場景的應(yīng)對能力,進(jìn)而開啟在高危、救援、多變環(huán)境下的滲透??傮w趨勢是由專用場景向通用場景漸次滲透,最終實(shí)現(xiàn)在全行業(yè)各場景的落地。
具身智能時代的機(jī)器人,最終會擁有什么樣的形態(tài)?這個問題的背后,歸根結(jié)底是人類創(chuàng)造者對機(jī)器人的想象力。而無論是怎樣的想象,可預(yù)見的未來機(jī)器人或許都有類似的含義:一個在視覺、學(xué)習(xí)、決策等多維度擁有更高智能水平的機(jī)器人。
一個新的物種,正在硬件與智能的交互中誕生。