文 丨產(chǎn)業(yè)象限 錢江
編輯｜山茶
人形機器人行業(yè)又迎來一對新的強強聯(lián)合。
近期，波士頓動力宣稱，會使用豐田研究所的“大型行為模型”來訓(xùn)練機器人，它類似于驅(qū)動ChatGPT的“大型語言模型”，可以讓機器人通過少量演示數(shù)據(jù)和多模態(tài)感知來掌握復(fù)雜任務(wù)，走向通用機器人。
在過去，這條技術(shù)路徑一直是馬斯克為Optimus（下稱“擎天柱”）畫的“餅”，想借此實現(xiàn)通用人形機器人。
今年10月初，馬斯克以《We, Robot》為主題在加州開了一場“科幻”味兒十足的發(fā)布會。在現(xiàn)場，擎天柱以服務(wù)員的身份一邊為賓客調(diào)酒，一邊抬手打招呼說著“Hi,everybody”，甚至在現(xiàn)場和賓客熱舞。
但發(fā)布會結(jié)束后，有現(xiàn)場賓客卻表示，擎天柱“親口”向他承認，自己是被遠程遙控的。而整個發(fā)布會，馬斯克也沒有透露關(guān)于擎天柱的任何技術(shù)細節(jié)。
看似自主的機器人，依舊離不開人類的遠程遙控。
馬斯克似乎做了一個雙面鏡，一面是真實的擎天柱仍然做著人類的提線木偶；而另一面，他又用一種近乎虛假的方式為人們構(gòu)畫出一個可能實現(xiàn)的未來。
但顯而易見，馬斯克并沒有興趣解答擎天柱當前的研發(fā)進度，那么作為馬斯克在機器人領(lǐng)域的強敵， 波士頓動力這次與豐田研究所的聯(lián)合，能將馬斯克畫的餅實現(xiàn)嗎？
波士頓動力，率先走到終點？
想要完成馬斯克這張拼圖，擎天柱需要擁有與人類和環(huán)境交互的能力。
比如將機器人放在廚房，它首先要能識別出自己所處場景是“廚房”。然后，當人類告訴他要做一道菜時，它可以主動從冰箱拿出食材、清洗、切菜、并按步驟烹飪。
要實現(xiàn)這個過程，意味著機器人能夠自主辨別什么是冰箱，并移動到冰箱前，打開冰箱門，在眾多食材中找到需要的食材，取出來，然后結(jié)合各種工具進行清洗.....
這個過程對人類來說十分簡單，但對機器人而言卻十分困難。
當前無論是老牌人形機器人波士頓動力的Atlas，還是“新貴”擎天柱、Figure，都只能在受限制的環(huán)境里執(zhí)行單一任務(wù)，比如在案板前將已經(jīng)分揀好的各種蔬果拿起或者放下。
▲Figure01拾取水果，圖源YouTube@Figure
▲Optimus Gen2拾取雞蛋，圖源YouTube@Tesla
要知道這其中的區(qū)別，可以想一想咱們自己家里的冰箱，當各種食材被混雜在一起、用透明塑料袋裝著的時候，識別難度就會高于單個的西紅柿、紅薯。
所以如果將機器人自主做出一頓飯的難度，比作是登上珠穆朗瑪峰，那么現(xiàn)在的人形機器人才剛剛坐進學步車。對，它還沒有學會“走路”。
而更重要的是，當前機器人學習新技能的效率十分低下，比如學會了疊衣服之后，轉(zhuǎn)而疊被子就要重新學習大量數(shù)據(jù)。
為了克服這個難題，波士頓動力和豐田研究院團隊采用一種新的AI系統(tǒng)“大型行為模型”訓(xùn)練機器人，通過物理演示任務(wù)（例如觀看視頻）進行教學，來幫助將Atlas打造成一款自主性能力強的通用人形機器人。
經(jīng)過這套“大型行為模型”的訓(xùn)練，機器人可以通過少量數(shù)據(jù)學習新技能，這種方法叫做“擴散策略”，這套策略可以探索多種不同的路徑，并根據(jù)實時情況選擇最佳方案，它可以幫助機器人更好地應(yīng)對不確定性的環(huán)境，比如突然的障礙或任務(wù)變化。
豐田研究院公布了關(guān)于這一成果的報告，其中有一個通俗案例可以解釋這個策略：
經(jīng)過擴散策略訓(xùn)練的機器人，可以做醬汁燒注和涂抹任務(wù)，需要將醬汁涂抹在披薩面團中心，分拆步驟來看：①握住勺子接近披薩面團中心；②將醬汁以螺旋狀鋪在披薩上；③提起勺子。
▲論文《擴散政策：通過動作擴散進行視覺運動策略學習》
在這個過程里，披薩面團會隨機移動，而機器人可以“隨機應(yīng)變”，它能跟隨披薩面團中心位置的遷移而即時挪動勺子。
根據(jù)豐田工作人員透露，學會這個能力并不費勁，“這個過程從老師遠程操作演示一小部分技能開始”，機器人晚上學習，第二天就可以獲得新技能。也就是說，它用少量數(shù)據(jù)向機器人演示，便能夠讓機器人獲得“泛化”能力。
和傳統(tǒng)的機器人學習相比，這種行為模型就像運動界的ChatGPT一樣，給它一點行為上的Prompt，就能泛化出一套完成任務(wù)的操作軌跡和應(yīng)變能力。
但并不是任何人形機器人都能適配這套策略，擴散策略更依賴視覺數(shù)據(jù)，這就需要硬件上擁有高精度視覺傳感器，還要擁有抓取復(fù)雜和精細物體操作能力。
這也是目前波士頓動力面臨的挑戰(zhàn)。
其最新款人形機器人Atlas目前并不具備實現(xiàn)“自主”的硬性條件，它既沒有靈巧手，又缺乏生活場景的數(shù)據(jù)。
Atlas機器人雖然具備一定的抓握能力，但其手部設(shè)計相對簡單，只有三指，并且常用場景是應(yīng)急救援和工廠搬運，對于生活場景的數(shù)據(jù)也相對缺乏。
與此相比，特斯拉的擎天柱卻顯得更有優(yōu)勢。
比如在視覺數(shù)據(jù)上，特斯拉的自動駕駛一直堅持純視覺的解決方案，目前市場上運行著將近600萬輛特斯拉汽車，可以積累大量的視覺數(shù)據(jù)。
其次擎天柱在靈巧手、關(guān)節(jié)有更接近人類的設(shè)計。在特斯拉最新展示的視頻里，擎天柱可以走到桌邊，用雙手的“指尖”舉起重11kg的4680電池盒。
這雙機械手已經(jīng)擁有22個自由度，分布在手指、手腕和小指下方，而年初手部擁有11個自由度的第二代擎天柱，所有手指都具有觸覺感應(yīng)，能夠靈巧地處理雞蛋等易碎物品。
▲擎天柱舉起電池，圖源：Tesla@YouTube
所以，雖然波士頓動力和豐田研究院的找到了一種更有效率的機器人訓(xùn)練方式，但想要比擎天柱更快實現(xiàn)真正的自主性，Marc Raibert或許需要聯(lián)合他的老搭檔---曾一起在MIT腿部實驗室共事、豐田研究所的CEO兼豐田汽車公司首席科學家Gill Pratt，對目前Atlas的機械手作一番改造，并且補足視覺識別所需要的硬件能力。
馬斯克鐘愛“奇跡廚房”
與波士頓動力聯(lián)合豐田研究院發(fā)布的新技術(shù)相比，馬斯克更鐘愛打造“奇跡廚房”。
所謂“奇跡廚房”，是指夸大產(chǎn)品能力的科技營銷行為。
1959年7月，《展望》雜志刊登了一篇描述未來“奇跡廚房”的文章，讓美國人認為，未來自己家庭會有功能齊全、十分智能的廚房，在美國的宣傳片中，有一部分電器的運作會被含糊其辭地描述為“自主”的：
“推車會將吃完飯后的臟盤子，推到墻面，進行自動清洗和干燥”
“清潔器可以從墻上自動出來，在清理完地面后，會自動回歸原來的位置”
“揮一揮手”就能召喚出隱藏在墻面的飲料機，告訴它“我想喝一罐冰凍橙汁”，飲料機就會自動出水
▲吸塵機器人，照片由Robert S. Lerner Photography LLC拍攝
但這些在50年代令人感到驚奇的黑科技，卻是一個實實在在的謊言。
2013年，一位“奇跡廚房”設(shè)計師成員揭露，自動洗碗機和清潔器這些“自走式電器”根本無法正常工作，而是工作人員在后臺通過遙控操作，讓一些隱藏在地板下的電子軌道輔助完成的。
“奇跡廚房”本質(zhì)上是冷戰(zhàn)時期的一種營銷工具，設(shè)計初衷是為了嚇唬蘇聯(lián)游客，讓他們產(chǎn)生“一無所有”的感覺。
但從馬斯克的角度，他上演“奇跡廚房”的目的，顯然并不是為了讓人覺得自己一無所有，反而是為了讓人們知道自己未來可能會擁有什么。
2021年9月，馬斯克在特斯拉AI Day上突然宣布進軍人形機器人領(lǐng)域，配合他宣傳的是一段“機器人”的熱舞，當時這些機器人還只是身穿緊身衣的人類舞者，而僅僅一年之后，擎天柱的原型機就被人攙扶著走上了發(fā)布會。
一直以來，馬斯克都以這種近乎夸張的方式，超前兜售自己的夢想。今年的《We,Robot》發(fā)布會也是如此。
在10月初的《We,Robot》發(fā)布會上馬斯克用了一種科幻手法，在香檳美酒和燈光舞影之下，一群擎天柱與人類其樂融融地相處，甚至在一個玻璃房里集體大跳“夜店舞”。
▲擎天柱熱舞，圖源Tesla@YouTube
可能是因為擎天柱的表現(xiàn)過于自然，以致于現(xiàn)場賓客幾乎沒有格格不入感。
但賓客很快就發(fā)現(xiàn)了不對勁。在現(xiàn)場，不同擎天柱的音色不盡相同，并且它們與人類互動的反應(yīng)是即時的，還伴隨著順滑的手勢，相比于自主，更像遠程遙控。
連擎天柱自己都承認了這一點，前微軟戰(zhàn)略家Robert Scoble在X上分享了一段視頻，他在現(xiàn)場向擎天柱發(fā)問：“How much of you is AI？Some or none.”（你的表現(xiàn)里有多少成分是AI驅(qū)動？一點點，還是完全沒有？），擎天柱回復(fù)“It might be some.”
擎天柱就像提線木偶，和背后操縱它的人類共同演了一場戲。
馬斯克并不是第一次這么做，2024年1月份，他在X上發(fā)了一個擎天柱疊衣服的視頻，并配文“擎天柱在折襯衫?！?/p>
▲擎天柱折襯衫，圖源X@Elon Musk
眼尖的網(wǎng)友從視頻上看到一只快速閃現(xiàn)的手，擎天柱很快被質(zhì)疑背后由人類遠程操控，馬斯克也親自承認了這一點，他發(fā)了一條“重要提示”：擎天柱還不能自主地做到這一點。
馬斯克的做法，與當年“奇跡廚房”的構(gòu)建如出一轍。通過模棱兩可地描述，來構(gòu)建一個似有似無的科技場景。
雖然很多人對于這樣的營銷方式不滿，但一些機器人從業(yè)者表示理解，谷歌DeepMind一位工作人員Ted Xiao在X上直言“實現(xiàn)低延遲全身遠程操作是邁向自主化的一大步”。
特斯拉機器人工程師Milan Kovac在X上也承認擎天柱“一定程度上有人類的幫助”，但它們可以自主行走，并且在保持平衡的情況下，跳了4個小時的舞蹈，期間只摔倒過一次。
▲特斯拉機器人工程師Milan Kovac，X@Milan Kovac
總結(jié)起來看，雖然擎天柱每一次的出場，都有著遙操的成分，但它在遙操模式下的表現(xiàn)越來越好。
而馬斯克就好像在完成一張龐大的拼圖，一點一點地累積擎天柱的能力，讓它從一個需要被攙扶著上臺的“機器”，逐步變身為一個“有血有肉”的“類人”物種。
擎天柱研發(fā)每走到一個新的階段，馬斯克就開始啟動一次“奇跡廚房”，用營銷上的含糊口徑，向外界秀一遍自己腦中關(guān)于擎天柱的拼圖全貌。
哪怕這張拼圖可能才完成百分之一。
結(jié)語
1939年，在紐約的世界博覽會，西屋電氣公司推出一款身高7英尺（2.1米）的機器人Elektro，它的外形酷似人類，會抽煙、會用手指數(shù)數(shù)，可以通過語音命令行走、會說700個單詞。
一經(jīng)出現(xiàn)，Elektro就成為大眾心中的文化偶像，他激發(fā)了當時的人們對未來機器人的想象。
▲A Blast from the Past，圖源justoborn-Elektro Robot
但實際上就像特斯拉擎天柱第一次登上發(fā)布會一樣，Elektro的一切都是假的，它其實是用內(nèi)置78rpm的唱片機來朗讀預(yù)先錄制的詞匯。
但85年后的今天，Elektro展示的一切已經(jīng)成為現(xiàn)實。越來越多企業(yè)開始聯(lián)合，共同推動人形機器人的發(fā)展。
比如為了給給機器人安裝大腦，波士頓動力、Figure都選擇了尋找軟件實力強的合作伙伴，前者找到了豐田，后者綁定了OpenAI.
與他們相比，馬斯克就像一個孤膽英雄，他選擇了軟硬件自研的路徑。
不論是哪一種方法，在探索新物種的道路上，都充滿荊棘。
人類一直試圖厘清自己“從哪里來”，并據(jù)此衍生出女媧造人、亞當夏娃這些神話故事。
在這些神話里，中國的女媧、歐美的耶和華神，都充當著人類“造物主”的角色。而人形機器人，則是人類自己企圖成為“造物主”的具象體現(xiàn)。
這個物種需要和人類一樣，擁有自己的思想和行動。
但現(xiàn)在，人們還只能在“奇跡廚房”里，等待著它們的到來。