朱秋雨

在生成式AI爆發(fā)的2023年，有實力的科技廠商把一個賽道也帶火了—人形機器人。

2023年12月，特斯拉發(fā)布了Optimus 2.0人形機器人演示視頻。視頻里，它不僅擁有靈活的手指，還能做瑜伽、夾雞蛋。

這些進步讓外界驚嘆。要知道，人形機器人在過往，連加速跑、靈活跳躍都會讓科技圈振奮。

小鵬汽車董事長何小鵬也在2023年10月“秀”了一把自己的實力。他在新車發(fā)布會上，宣布自研出了一個可以敏捷行走、會踢足球的類人機器人PX5。

那一天，他興奮地對臺下的觀眾談暢想：“等我老了，機器人可以跟我一起打摜蛋，幫我換尿布了?！?/p>

聽上去，科幻電影的場景很快就能在現(xiàn)實中實現(xiàn)了。但這些美好設想，在21世紀初，機器人產(chǎn)業(yè)飛速發(fā)展的日本、美國都提出過。那時也有人以為，智能機器人即將“占領”世界，重復、無聊的人類勞動，馬上將被機器人取代。

事實倒是，發(fā)展了20多年，那些人類暢想的智能機器人，仍然沒進入普通人的生活。

2023年，當人形機器人再度成為投資人眼里的大熱點時，一個問題仍存：為什么產(chǎn)業(yè)發(fā)展了20多年，現(xiàn)在的機器人，看上去仍像智力不高、只能完成單一功能的機器。

為此，我去參觀了兩家國內(nèi)年輕的機器人公司，分別與公司創(chuàng)始人、大學教授聊了聊這個新賽道。關于機器人如何發(fā)展的共識并不多，但一個可見的結論是，AI大模型正顛覆產(chǎn)業(yè)，催促眾人爭相追逐前方的不確定性。

對深圳市樂聚機器人董事長冷曉琨及同事的采訪，經(jīng)常會伴隨嗡嗡的機械背景音。

冷曉琨剛滿30歲，喜歡衛(wèi)衣配球鞋，說話爽快，走路也快。2016年，在哈爾濱工業(yè)大學就讀博士時，他與十余位校友在深圳創(chuàng)立了這家機器人公司。

如今，他們將人形機器人迭代了4版。最新的這一版，約1.4米高，重量約45公斤；有兇猛的胸肌以及與之協(xié)調(diào)的粗壯雙腿，有點兒像高達。據(jù)稱，這是“國內(nèi)首款可跳躍，可適應多場地行走”的人形機器人。

他們叫它，“夸父”。

我去到時，“夸父”們正被開膛破肚，吊在天花板垂下的兩條線上，由工程師做最后的調(diào)試。它們即將交付，訂購者主要來自中國高校科研團隊。

幕后研發(fā)人員告訴我，當下的難點是，如何讓機器人做到走路既快又穩(wěn)，同時行動靈活。

這是一個對人類而言非常簡單的行為。但放到人形機器人領域，要想穩(wěn)步行走的難度大。這是因為，人形機器人首先是雙足機器人。而一些人體的運作規(guī)律，連人類自己都沒完全搞清楚。比如，我們的大小腦是如何與四肢配合、穩(wěn)住重心，讓我們自如行走、旋轉(zhuǎn)跳躍的？這些盲區(qū)讓機器人的發(fā)展舉步維艱。

更別提其中面對的各類工程問題。從續(xù)航能力看，目前人形機器人多數(shù)只能續(xù)航1—2小時，未來預測可以提升到20小時。而對比持續(xù)工作7—8小時的工人而言，人型機器人遠未達到可用的程度。

盡管難度擺在面前，眼下，這卻是受眾人矚目的賽道。

“人形機器人，2023年可以說是產(chǎn)業(yè)化的元年?！崩鋾早d奮地對我說。

從2021年馬斯克宣布造人形機器人Optimus開始，冷曉琨明顯感到，越來越多人與錢涌入了昔日冷門賽道。

接著，2023年，ChatGPT和生成式AI的爆火，再次催熟了這個產(chǎn)業(yè)。人們開始相信，未來的機器人要長得像人，要有包括兩只腳的四肢，這樣它可以爬樓梯，也可以適應各種地形條件和生活場景。

國內(nèi)最出圈的創(chuàng)業(yè)者，是有250萬粉絲的B站UP主稚暉君（彭志輝）。他在2023年宣布從華為辭職，創(chuàng)業(yè)做人形機器人。僅僅用了10個月，“稚暉君”的智元機器人已經(jīng)估值約40億元。

一切的火爆與追隨，都源于一種全新的相信—在軟件層面，當AI可以被訓練得像人一樣智慧時，這一進步說不定也能被轉(zhuǎn)移到它的實體—機器人上。

“從2016年我創(chuàng)業(yè)做人形機器人時，我就一直被別人問，‘這玩意到底能干什么？’”冷曉琨回憶。

他曾在回答這個問題時一度語塞—個人的技術信仰很難回應外界的疑問?！艾F(xiàn)在，不用我說，大家都能知道它可以干什么了?！?/p>

“90后”邱迪聰也在2023年，從某自動駕駛公司技術副總裁（VP）職位離職，加入創(chuàng)業(yè)大軍。

新公司在2023年4月成立，坐落在香港科技大學（廣州）的實驗室。地方不大，但透明敞亮。

對比做人形機器人，邱迪聰選擇了從更簡單的移動機器人入手。他目前的機器人demo，有一只機械臂，專門服務于超市補貨場景。表面看，這個機器人的外觀與過往的工業(yè)機器人無異，但邱迪聰興奮地告訴我，機器人的發(fā)展范式即將發(fā)生改變。

他做的雅可比機器人，最大的亮點是可以聽懂人的語言，與人進行交互并完成簡單任務。

“這也許是（創(chuàng)業(yè)）最好的時間點。”談及有點冒險的決定時，他非常堅定地說。

“更早以前，做機器人連技術通路都沒有，前路充滿不確定性?！倍^去這一年AI的智能涌現(xiàn)，讓業(yè)內(nèi)人士包括邱迪聰有了奮身前進的方向。

他在全球知名的機器人院?！▋?nèi)基梅隆大學博士畢業(yè)，非常清楚這些年的變化。要想弄清楚現(xiàn)在，他在白板上畫了一張思維導圖，和我解釋過去。

傳統(tǒng)的機器人包括三個部分：感知、決策、執(zhí)行。這些分別對應著人類的感官、腦和肢體三部分。

過去，要想驅(qū)動機器人行動，工程師必須使用閉源數(shù)據(jù)集，訓練機器人感知。同時，程序員還要預先寫好大量代碼，幫助機器人決策和規(guī)劃，最后，驅(qū)使機器人行動。

這個辦法耗費大量人力，機器人能做的事還十分有限，經(jīng)常被嘲笑為“人工智障”。

如今，它被一套新的思路顛覆了。邱迪聰說，AI涌現(xiàn)智能后，業(yè)內(nèi)想將大模型（LLM）理解語言和推理的能力搬到機器人的大腦（決策）系統(tǒng)里。

這種能力是什么？

“人面向沒見過的東西，不會傻愣或者死機，而是進一步做很多猜想、推理，這叫開放認知?！彼忉屨f。

開放感知加上開放的決策能力，結合在小腦（執(zhí)行）部分的創(chuàng)新，給機器人行業(yè)帶來了新變化。

“這是一套新的技術路線，讓機器人從封閉的感知走向全開放的世界。這在過去是不可能發(fā)生的。”邱迪聰表現(xiàn)得依然很興奮。

新思路讓機器人產(chǎn)業(yè)盎然向上，但深耕產(chǎn)業(yè)多年的人都清楚，眼下像登山般終于見到了前方的一座山峰，但究竟怎么走、怎樣更快抵達，一切仍是未知的。

邱迪聰在香港科技大學（廣州）的公司擺了兩排貨架，上面放著可樂、雪碧、維他奶等飲料，就像一個簡易的便利店。平日里，白色的、擁有底座的機器人在“便利店”里來回熟悉環(huán)境，聽人的語言指令，取相應的貨物。

他們的目標是，訓練出區(qū)別于工業(yè)機器人的智能體?！耙郧暗墓I(yè)機器人，一般只會識別一種零部件，”邱迪聰說，“人也不敢輕易靠近，因為可能引發(fā)機器人的錯誤識別?！?/p>

但現(xiàn)在，他們想要的是智能機器人。這意味著，機器人時刻能理解和認知環(huán)境，“人看到它也不用繞路走，它可以自己規(guī)劃路線、解決問題”。

只是，理解和認知環(huán)境—這一對人類極自然的事情，卻是機器人領域最大的難題之一。香港城市大學機械系助理教授殷鵬用自動駕駛汽車類比，和我說明造機器人的難度。

走在馬路上的自動駕駛汽車，經(jīng)常面對的是從一地到另一地，從A點到B點的問題。但要做一個走入人類生活的機器人，需要認識的環(huán)境復雜程度遠高于路面。

殷鵬舉例和我解釋：“不同的家庭，它的結構、裝修風格完全不同，光照條件也非常不同；室內(nèi)環(huán)境和室外又不一樣；屋子里面的動態(tài)障礙物，也會干擾機器人的判斷。”

這些難題之所以在機器人行業(yè)存在多年，還有一個更重要的前提—機器人不具有像人類一樣的常識。人類很多天生的能力，在機器人這蕩然無存。

殷鵬把這些能力概括為感性認知。他說，即使當下大模型可以通過拍照、多模態(tài)等方法，告訴機器人眼前為何物，但機器人始終無法理解真實的空間。

“比如我距離你近或者遠，它沒有概念；一個東西的硬度、剛度，它都沒有感覺，只能依靠數(shù)據(jù)的標注?！币簌i說。

如果再概括地說，機器人缺的是一種“非數(shù)據(jù)化的、抽象的概念的理解，也就是對這個世界的理解”。

這也是為何，2023年，無論在業(yè)界還是學界，都在為ChatGPT等生成式AI心潮澎湃。“通過與ChatGPT交流，我們確實感到它有智力，這不是單單線性公式可以實現(xiàn)的。”殷鵬解釋。

因此，學界想把ChatGPT的智能更往外擴，讓它跟物理世界建立關聯(lián)。

邱迪聰也認可這樣的思路—用AI驅(qū)動實體機器人認知世界，也就是學界常說的“具身智能”。

但真正投入這片藍海時，他發(fā)現(xiàn)，如今核心的問題來自整個系統(tǒng)的協(xié)調(diào)性。那就是，即便他們成功讓機器人擁有了像ChatGPT一樣聰明智慧的大腦，但如何讓大腦與機器人的感知、執(zhí)行的兩個部分銜接，又是另一個難題。

這便是AI在虛擬世界和物理世界的能力差距。

比如，“今天，如果你想吃雪糕了?！鼻竦下敽臀遗e例，“你可以告訴ChatGPT說，你給我拿雪糕，ChatGPT能聽懂?！?/p>

“但問題是，它要如何驅(qū)動其他部分，真的去打開冰箱給我拿雪糕呢？”

面對上述核心且關鍵的問題，各家公司有各自的解法。

走在最前沿的馬斯克人形機器人Optimus，提出了 “端到端”（End to End）的模式。比起將機器人模塊化地分為三部分，特斯拉更傾向于將這三部分當做一個整體，輸入原始數(shù)據(jù)就可以得出最終結果，相當于用數(shù)據(jù)引導行動。

這是一個風險性與實驗性并存的激進方法。邱迪聰告訴我，“端到端”模式最大的特點，那就是“黑匣子”。當AI模型操縱整個系統(tǒng)，“端到端”地輸出結果，一旦遇到問題，“很難找到出錯的原因”。

這也是特斯拉等人形機器人公司一直以來面臨的爭議。英國《每日郵報》在2023年底爆料稱，美國得克薩斯州特斯拉汽車的工廠，曾發(fā)生一起殘暴血腥的事故，一名工程師遭到機器人襲擊。一位代表特斯拉合同工人的律師還揭露，該工廠的受傷人數(shù)被瞞報了。

殷鵬也認為，如同自動駕駛當下的處境，安全性會是人形機器人落地的一大阻礙。

這里面，難度指數(shù)取決于場景的復雜程度。

“把機器人放在無人的工廠里，會是一個難度量級，而把機器人放在有人的工廠，又是一個量級，放在生活家居場景，又是更高一層的難?！?/p>

他認為，當機器人最終形態(tài)是協(xié)助人類、陪伴人類時，我們不能忽略它是具有大扭矩的機器?！爱斈闵磉叧涑鈾C器人的時候，如果程序出現(xiàn)紊亂，對人動粗，或者黑客黑進去遠程操縱它，你覺得一般人能抵抗得了嗎？”他問我。

一位機器人賽道投資人表示，她在觀察這一新興領域時，會著重觀察公司在細節(jié)上的交付能力，否則沒有客戶愿意為產(chǎn)品買單。這主要是因為，硬件在場景解決上的容錯率很低，“這可能是涉及硬件的AI和純軟件AI最大的區(qū)別”。

也因此，包括冷曉琨等上述受訪業(yè)界人士對我表達了一個共識—當下距離具身智能機器人充斥人類生活的未來，還有一段距離。各家機器人公司如今準備從簡單且有需求的場景切入，慢慢迭代，再逐漸讓機器人進入復雜的場景，與人類共存。

冷曉琨將他的人形機器人發(fā)展之路分為三個階段，預計5年內(nèi)實現(xiàn)。首先，樂聚將產(chǎn)品交付給高校，接下來會切入特種、物業(yè)等簡單場景領域。第三階段，讓復合型的機器人進入家居場景。

他為這個美好的未來提了一個口號：“讓機器人像博士一樣聰明，像家電一樣便宜。”

殷鵬卻認為，等待技術成熟，至少仍要10年左右。其中的一個關鍵，便是真實場景的數(shù)據(jù)十分稀缺。各家公司只能在實際落地中，積累更多數(shù)據(jù)，不斷迭代技術。只有這樣，機器人才能更好地處理現(xiàn)實生活中極端的長尾場景（corner case）。

好消息是，對創(chuàng)業(yè)公司和追趕者而言，前方的賽道勝局未定。誰都有超越的可能。

“數(shù)據(jù)雖然重要，但光有佐料也不行，” 殷鵬說，“巨頭特斯拉有數(shù)據(jù)歸有數(shù)據(jù)，但還缺一個高級的大廚，把這些數(shù)據(jù)用起來?！?/p>

“這需要一套非常合理且優(yōu)雅的算法。”他告訴我。

現(xiàn)在，這個優(yōu)雅算法，大家都在嘗試突破。