特斯拉“擎天柱”發(fā)布新進(jìn)展，AI機器人的ChatGPT時(shí)刻到了嗎？|今日關(guān)注

圖片來(lái)源@視覺(jué)中國

文｜Jeremy Bao、Junwu Zhang、陳茜，編輯｜陳茜

5月中旬，特斯拉在股東大會(huì )上發(fā)布了人形機器人Optimus“擎天柱”的新進(jìn)展。

(資料圖)

在Demo里面，這個(gè)人形機器人已經(jīng)可以很流暢地做一系列動(dòng)作了，包括走路，并且利用視覺(jué)學(xué)習周?chē)沫h(huán)境；手臂力道控制很精確，可以不打碎雞蛋；整個(gè)手掌看上去也很柔性，可以拿捏不同物品。

可以看出來(lái)，特斯拉的機器人發(fā)展還是挺快的，要知道，就在幾個(gè)月前，2022年9月的特斯拉人工智能日上，馬斯克首次亮相Optimus的時(shí)候，在舞臺上整個(gè)機器人看著(zhù)還挺笨拙的，能做的動(dòng)作非常有限，連走路都做不到，還是好幾個(gè)人給抬上舞臺的，整個(gè)受到外界的一陣嘲諷。

現在進(jìn)展如果真的這么快，或許真如馬斯克所說(shuō)，在不到十年的時(shí)間中，人們就可以給父母買(mǎi)一個(gè)機器人作為生日禮物了。ChatGPT加上AI機器人，感覺(jué)我都不用工作了，直接可以收拾行李環(huán)游世界去了。

然而，往壞了想，又感覺(jué)終結者里的機器人就要破殼而出了，很可怕。所以，我也非常矛盾，就像輿論上支持和反對AI機器人的兩派在不?；ハ嗥芤粯?，我到底期不期待AI機器人的到來(lái)呢？

但是，在《硅谷101》團隊做完AI機器人的調研之后發(fā)現：AI機器人的ChatGPT時(shí)刻還遠未到來(lái)。

所以，這篇文章我們來(lái)聊聊，為什么AI機器人這么難做？現在進(jìn)展到哪兒了？特斯拉的機器人有什么優(yōu)勢？為什么歷史上谷歌收購了十多家機器人公司但最終面臨階段性失利？為什么OpenAI放棄機器人研發(fā)？還有如今AI大模型對機器人能帶來(lái)什么進(jìn)展？

01 AI機器人定義

首先，要來(lái)定義一下什么叫做“AI機器人”。

這個(gè)概念其實(shí)在學(xué)術(shù)界有一個(gè)很fancy酷炫的名字，叫做具身智能，Embodied Intelligence，顧名思義，就是具有身體的人工智能，是AI進(jìn)入我們物理世界進(jìn)行交互的載體。但是“具身智能”這個(gè)詞太學(xué)術(shù)了可能很多人不熟悉，所以在這個(gè)視頻中，我們就把具身智能定義為AI機器人。

AI機器人和機器人有什么不同呢？或者換個(gè)問(wèn)法，AI機器人和AI有什么不同呢？

這幅圖就能簡(jiǎn)單解答這兩個(gè)問(wèn)題：機器人可以分別兩類(lèi)，一類(lèi)是非智能機器人，一類(lèi)是有智能機器人，AI機器人。同時(shí)人工智能也有兩類(lèi)，一個(gè)是虛擬世界中的，比如說(shuō)ChatGPT，還有一個(gè)就是有手有腳能在真實(shí)世界中交互的。這幅圖就是機器人和人工智能交接的這個(gè)賽道，就是有智能的AI機器人，也就是：具身智能。

關(guān)于非智能機器人和AI機器人我們來(lái)舉幾個(gè)例子，幫大家辨別一下。

目前為止，基本上所有工業(yè)機器人只能被編程為執行重復的一系列的運動(dòng)，這就是前者，非智能機器人，更多是像個(gè)機器。

這幾年蠻流量的咖啡機器人就是一個(gè)很好的例子，比如說(shuō)美國這邊有個(gè)公司叫Cafe X，就是一個(gè)機械手臂來(lái)給顧客做咖啡。雖然看上去有點(diǎn)smart，但它是完全沒(méi)有智能的。所有的運動(dòng)軌跡，杯子的位置，握杯的力度，反轉搖晃杯子的方式和力度都是提前編程好的。

那怎么才算具有智能的AI機器人呢？我們還是拿咖啡機器人舉例，如果我們將機器人加上“感知”功能，比如說(shuō)加上相機等視覺(jué)識別的AI算法，讓這個(gè)咖啡機器人的手臂可以和外界交互，根據杯子的不同高低遠近的位置，不同杯子的顏色大小，不同咖啡的品類(lèi)，通過(guò)對外界“感知”而做出不同的決定，這就是AI機器人了。

再舉一個(gè)非智能機器人和AI機器人的例子，也是我們《硅谷101》的AI研究小組其中一個(gè)成員之前工作過(guò)的機器人公司，那家公司研究的一個(gè)項目就是夾娃娃。不是游戲廳的那種夾娃娃機，而是讓機械手臂去分揀玩具等商品。

如果100次任務(wù)每次周?chē)h(huán)境、障礙物都相同，而且都是把同一個(gè)娃娃從固定位置A拿起來(lái)放到固定位置B結束，那就是非智能機器人，現在已經(jīng)可以做得很好了。但如果同樣的100次任務(wù)，娃娃的起始位置都不同，比如說(shuō)你給機械手臂一個(gè)大袋子，里面有各種不同娃娃，還得讓機器人從口袋里面把特定的娃娃給識別挑出來(lái)，這就是智能機器人的范疇了。簡(jiǎn)而言之，AI算法能幫助機器人去執行更復雜的任務(wù)，讓機器人從“機器”進(jìn)化成“機器人”，重音在最后一個(gè)字。

從這兩個(gè)分類(lèi)來(lái)看，非智能機器人已經(jīng)開(kāi)始了大規模的應用，包括在最新巴菲特股東年會(huì )中芒格說(shuō)“現在汽車(chē)工廠(chǎng)里面已經(jīng)有很多機器人”都是這種用來(lái)組裝汽車(chē)，給車(chē)噴漆這樣的非智能機器人。但對于A(yíng)I機器人來(lái)說(shuō)，如今還在非常早的階段、困難非常多，連一些簡(jiǎn)單AI的機器人投入市場(chǎng)都接連遭遇失敗。

為什么我們一定要發(fā)展具身呢？為什么AI機器人一定要有一個(gè)實(shí)體呢？這也很簡(jiǎn)單，現在無(wú)論生成式AI多么先進(jìn)，都只能在電腦中幫人類(lèi)完成虛擬任務(wù)，寫(xiě)寫(xiě)文件，編編程，畫(huà)畫(huà)圖，聊聊天，就算之后有了各種API接口、AI可以進(jìn)行各種軟件調用，可以幫你定下機票，回下郵件，完成各種文件工作，但在現實(shí)環(huán)境中，很多問(wèn)題AI還是無(wú)法幫助人類(lèi)完成的。

所以，當ChatGPT引發(fā)生成式人工智能熱潮之際，AI機器人賽道也迎來(lái)了非常大的關(guān)注。

包括：2022年12月13日，谷歌發(fā)布多任務(wù)模型Robotics Transformer 1，簡(jiǎn)稱(chēng)RT-1，用以大幅推進(jìn)機器人總結歸納推理的能力；2023年3月，谷歌和德國柏林工業(yè)大學(xué)共同發(fā)布可以用于機器人的通用大語(yǔ)言模型PaLM-E，它和谷歌母公司Alphabet的機器人公司Everyday Robots結合，可以指導機器人完成復雜的任務(wù)；就在同月，OpenAI旗下的風(fēng)險投資基金領(lǐng)投挪威人形機器人公司1X，總融資額2350萬(wàn)美元，似乎預示著(zhù)OpenAI在大模型機器人應用的新布局；還有就是我們開(kāi)頭說(shuō)到的，特斯拉也在快速發(fā)展人形機器人Optimus；同時(shí)，在硅谷，各種AI機器人創(chuàng )業(yè)公司也是如火如荼。

但是，雖然有了這些進(jìn)展，AI機器人的研發(fā)還是非常難。除了硬件的挑戰之外，還有軟件和數據上的挑戰。所以接下來(lái)，我們試圖來(lái)解釋一下，為什么AI機器人這么難。

首先來(lái)說(shuō)說(shuō)硬件。

02 硬件難點(diǎn)

科技媒體TechCrunch硬件領(lǐng)域的編輯Brian Heater曾經(jīng)說(shuō)過(guò)“如果硬件發(fā)展很困難，那么機器人技術(shù)幾乎是不可能的?！?/strong>

要理解這一層，我們首先要理解一個(gè)機器人的大致組成：

根據科技內容網(wǎng)站ReHack的解釋?zhuān)Ｒ?jiàn)的機器人由5個(gè)部分組成：

1.感知系統，也就是傳感器，比如攝像頭、麥克風(fēng)、距離感應器等等，相當于人的眼睛、鼻子和耳朵，這是機器人的【五官】

2.驅動(dòng)系統，比如驅動(dòng)輪子的馬達、機械臂上的液壓動(dòng)力系統或者氣動(dòng)系統，相當于人的【肌肉】

3.末端執行系統，相當于人的手，它可以是機械手，也可能是機械臂上的一把螺絲刀或者噴槍?zhuān)靡院屯饨绛h(huán)境進(jìn)行物理交互，是【四肢】

4.能源供應，比如電源或者電池，這是【能量】

5.運算系統及其軟件，將所有上面的系統整合起來(lái)，完成任務(wù)，相當于機器人的【大腦】。

前四點(diǎn)都是硬件的難點(diǎn)，第五點(diǎn)是軟件我們下個(gè)章節來(lái)講。

首先，機器人感知系統需要把機器人各種“內部狀態(tài)信息”和“環(huán)境信息”從“信號”轉變?yōu)闄C器人自身或者機器人之間能夠理解和應用的“數據”還有“信息”。也就是說(shuō)，我們要讓機器人理解周?chē)沫h(huán)境。怎么做呢？

我們就在機器人身上安各種的傳感器，包括光，聲音，溫度，距離，壓力，定位，接觸等等，讓機器人能通過(guò)五官來(lái)收集接近人類(lèi)感知外界的信息。目前，多種傳感器都得到迅速地發(fā)展，但傳感器的精度和可靠性依然是需要解決的難題。比如說(shuō)，相機進(jìn)水，進(jìn)沙塵之后，或者顛簸之后相機的校準就容易失效，長(cháng)期使用之后像素點(diǎn)就會(huì )壞死啦等等硬件問(wèn)題都會(huì )直接導致機器識別的不準確。

其次，機器人的肌肉，也就是驅動(dòng)系統。我們人類(lèi)一共有78個(gè)關(guān)節，我們依靠這些關(guān)節來(lái)進(jìn)行精準的動(dòng)作，包括我們的肩、肘、腕、指。

如果要重現在機器人上，每一個(gè)關(guān)節的技術(shù)門(mén)檻和成本都很高，并且一邊要求體積小、精度高、重量輕，但另外一邊又要求抗摔耐撞。比如說(shuō)，當機器人快速運動(dòng)的時(shí)候，驅動(dòng)力輸出功率很高，要保證不會(huì )因為發(fā)熱問(wèn)題而燒壞，同時(shí)又要就具備緩沖能力，來(lái)保護“機器人關(guān)節”不怕撞擊。所以，要協(xié)同這么多關(guān)節部位，還要考慮這么多因素，確實(shí)很挑戰。

還有就是末端執行系統，就是“手”，這個(gè)也是非常難的，比如說(shuō)機器人手指的柔軟度，抓握的力度怎么協(xié)同非常重要。比如說(shuō)機器人握雞蛋這個(gè)任務(wù)，勁兒使大了吧，雞蛋就碎了，如果勁兒小了吧，雞蛋握不住就摔地上也碎了。

比如說(shuō)波士頓動(dòng)力開(kāi)發(fā)的Atlas機器人，雖然可以靈活的各種跑酷，但它的手掌呢，之前的版本直接就是個(gè)球，之后變成了夾子的形狀。

但特斯拉發(fā)布的“擎天柱”倒是展示出和人手非常相似的機械手，官方說(shuō)，擎天柱擁有11個(gè)精細的自由度，結合控制軟件，能完成像人手一樣復雜靈巧的操作，并能承擔大約9公斤的負重，所以在最新的demo視頻中，我們也能看到特斯拉機器人在硬件上的一定優(yōu)勢，包括能控制力度的抓握很多物品，并且不會(huì )打碎雞蛋。

再來(lái)說(shuō)說(shuō)能源供應。剛才我們說(shuō)波士頓動(dòng)力的Atlas機器人，雖然各種炫技動(dòng)作很酷，但必須配置功率很大的液壓驅動(dòng)，

波士頓動(dòng)力官網(wǎng)描述說(shuō)，Atlas配置了28個(gè)液壓驅動(dòng)器才能讓機器人完成各種爆發(fā)力超強的動(dòng)作，而這樣的代價(jià)是，制造成本居高不下，難以走出實(shí)驗室完成商業(yè)化，所以我們看到，目標將售價(jià)降到2萬(wàn)美元的特斯拉“擎天柱”人形機器人后來(lái)選用了穩定性、性?xún)r(jià)比更高的電機驅動(dòng)方案，也是成本考慮。

好，除了這四大塊，大家是不是已經(jīng)覺(jué)得機器人硬件太難了：這么復雜的系統，這么多不同的硬件，將他們整合在一起、協(xié)同工作、而且還要讓合適的部位有合適的力量、速度和準確性來(lái)做需要的工作，更是難上加難。然而，機器人的身體還不是最難的。接下來(lái)，我們說(shuō)說(shuō)機器人的軟件部分，也就是機器人的腦子。

03 軟件難點(diǎn)

我們再來(lái)分拆一下機器人的軟件部分：當我們給機器人一個(gè)任務(wù)的時(shí)候，比如，從一堆娃娃的袋子里去揀起其中一個(gè)特定的娃娃，機器人的軟件系統一般要經(jīng)歷以下的三層：

第一層：理解任何需求和環(huán)境（perception）

機器人會(huì )通過(guò)傳感器了解周?chē)h(huán)境，搞明白，裝娃娃的袋子在哪里？袋子在桌上還是地上，整個(gè)房間長(cháng)什么樣？我要去挑的娃娃長(cháng)什么樣子？

第二層：拆解成任務(wù)（behavior planning）和路徑規劃（motion planning）

明白任務(wù)之后，機器人需要將任務(wù)拆解成：先去走過(guò)去，舉起手臂，識別娃娃，撿起來(lái)，再把娃娃放在桌上。同時(shí)，基于拆分好的步驟，計劃好，我應該用輪子跑多遠，機械臂該怎么動(dòng)，怎么拿取物體，使多大勁兒等等。

第三層：驅動(dòng)硬件執行任務(wù)（execution）

把運動(dòng)規劃轉變成機械指令發(fā)到機器人的驅動(dòng)系統上，確定能量、動(dòng)量、速度等合適后，開(kāi)始執行任務(wù)。

我們來(lái)說(shuō)說(shuō)這三層軟件在A(yíng)I上的難點(diǎn)。

第一層的難點(diǎn)在于視覺(jué)等環(huán)境識別和理解，包括識別未知物體以及識別物體的未知姿態(tài)。

比如說(shuō)，機器人在識別娃娃的時(shí)候，有可能橫著(zhù)的時(shí)候可以識別，但豎著(zhù)放、反著(zhù)放就難以識別了，更別提當一個(gè)籃子里有上百個(gè)娃娃的時(shí)候，每個(gè)娃娃都有不同姿態(tài)，那就更難識別了。

第二層的難點(diǎn)在于A(yíng)I輸出的不穩定性。AI拆解任務(wù)的時(shí)候，每一次的解法可能不同，導致任務(wù)拆解不一致，這會(huì )產(chǎn)生意想不到的結果。這個(gè)的根本原因還是AI的黑匣子問(wèn)題，我們用激勵去追求輸出的結果，但AI選擇實(shí)現這個(gè)結果的路徑可能出現不穩定性，這一點(diǎn)我們在《OpenAI黑手黨》那個(gè)視頻中也有講。比如說(shuō)，機器人從籃子的一百個(gè)娃娃中挑選出其中一個(gè)，然后放在桌上這個(gè)任務(wù)。人的路徑規劃是穩穩的夾起來(lái)，然后平穩的移動(dòng)，然后釋放在桌上，但機器人可能就甩一個(gè)胳膊直接甩到桌上去。

第三層對發(fā)展AI的悖論在于，硬件執行任務(wù)的驅動(dòng)需要精準控制，而數學(xué)公式這樣的100%準確率為基礎、并且實(shí)現更高頻運作的“控制論”更適合執行這一層任務(wù)，但目前AI做不到100%準確，速度也更慢，耗時(shí)耗力，因此，這一層對AI的需求目前并不強烈，業(yè)界還是采用的傳統控制論方式。

除了這三層的AI難點(diǎn)之外，軟件還有一大難點(diǎn)就是數據難以收集。而數據收集正是AI自我學(xué)習的必要條件。我們在《OpenAI黑手黨》那一集中講過(guò)，OpenAI曾經(jīng)有機器人部門(mén)，但后來(lái)放棄了這條線(xiàn)就是因為機器人學(xué)習的數據太難收集了。

所以事實(shí)證明，只要我們能夠獲取數據，我們就能夠取得巨大的進(jìn)步。實(shí)際上，有許多領(lǐng)域都擁有非常非常豐富的數據。而最終，正是這一點(diǎn)在機器人技術(shù)方面束縛了我們。

所以，數據是人工智能的根基，就算是世界最頂級的AI公司，也會(huì )為機器人領(lǐng)域沒(méi)有數據發(fā)愁。不管是文字、圖片、視頻、還是編程的大語(yǔ)言模型，都有全互聯(lián)網(wǎng)海量的數據用來(lái)訓練，才能在今天實(shí)現技術(shù)的突破。但是機器人用什么數據訓練呢？那需要在真實(shí)世界中親自采集數據，并且目前不同機器人公司、不同機器人的訓練數據還不能通用，采集成本也非常高。

比如你要訓練機器人擦桌子，人類(lèi)要遠程操控這臺機器人給它演示，配上這個(gè)動(dòng)作的文字描述，成為一個(gè)個(gè)數據點(diǎn)。你以為一個(gè)任務(wù)演示一遍就行了嗎？當然不是，你運行的時(shí)候得從各個(gè)角度、各個(gè)不同的傳感器采集數據，甚至不同的光影效果的數據也都得采集，不然你的機器人就只能白天擦桌子，晚上擦不了，左邊能擦，右邊擦不了。

再比如說(shuō)，訓練谷歌的RT-1模型用的數據集有700個(gè)任務(wù)的13萬(wàn)個(gè)數據點(diǎn)，13臺機器人花了17個(gè)月才采集完，時(shí)間花了這么多，但采集的效率非常的低下。

做個(gè)對比，ChatGPT的訓練數據估計有3000億個(gè)單詞，13萬(wàn)和3000億，這個(gè)對比是不是太明顯了。也難怪當年OpenAI放棄機器人，去All in語(yǔ)言大模型了，因為明顯后者的數據參數更好采集。

人的交互過(guò)程中有55%的信息通過(guò)視覺(jué)傳達，如儀表、姿態(tài)、肢體語(yǔ)言等；有38%的信息通過(guò)聽(tīng)覺(jué)傳達，如 說(shuō)話(huà)的語(yǔ)氣、情感、語(yǔ)調、語(yǔ)速等；剩下只有7%來(lái)自純粹的語(yǔ)義，所以ChatGPT這樣的人工智能聊天助手能輸入的部分僅占人類(lèi)交互中的7%。而要讓人工智能達到具身智能，那么剩下的信息，視覺(jué)，肢體，聽(tīng)覺(jué)，觸摸等方式的數據采集，是需要給到機器人去學(xué)習的。

有沒(méi)有什么低成本的數據采集方法呢？現在的做法是：在虛擬世界中訓練機器人，也就是模擬，Simulation。

目前，大多機器人公司的路徑都是先在模擬器中訓練機器人，跑通了再拿到真實(shí)事件中訓練。比如說(shuō)谷歌之前的EveryDay Robots就大量運用了模擬技術(shù)，在他們的模擬器中有2.4億臺機器人在接受訓練，在模擬的加持下，訓練機器人拿東西這個(gè)任務(wù)，原來(lái)需要50萬(wàn)個(gè)數據，在模擬的幫助下現在只需要5000個(gè)數據了。各個(gè)角度、不同光影的數據也可以被自動(dòng)化，不用一個(gè)一個(gè)采集了。

但是，Simulation也不是萬(wàn)能的解決方案，首先它本身的成本也不低，需要大量的算力支持；其次虛擬世界和真實(shí)世界依舊存在著(zhù)巨大的差距，在虛擬世界跑通的事兒，到了真實(shí)世界可能會(huì )遇到無(wú)數的新問(wèn)題，所以，數據收集的挑戰依然是巨大的。

所以講到這里，我們總結一下，數據采集難，三層任務(wù)AI化難，再加上對硬件的控制和整合，其中的統一性和準確性都是非常嚴峻的難題。在過(guò)去十年，AI機器人的發(fā)展并沒(méi)有人們一度想象中那么樂(lè )觀(guān)。并且，在實(shí)驗室中看似已經(jīng)解決的問(wèn)題，到了實(shí)驗室外的商用探索中，又出現了各種新的問(wèn)題。

講到這里，我們就不得不說(shuō)說(shuō)谷歌十年押注AI機器人但最終沒(méi)能成功的故事，其實(shí)也反映了AI機器人上的發(fā)展困境。

04 AI谷歌十年“整合”AI機器人的失利

在2012年前后，深度學(xué)習、3D視覺(jué)、自主規劃和柔順控制等技術(shù)的發(fā)展，讓機械臂有了更好的“眼睛和大腦”，同時(shí)增加了環(huán)境感知和復雜規劃能力，可以去處理更靈活的任務(wù)。

也就是我們剛才說(shuō)到的第一和第二層任務(wù)上，AI在軟件上的應用出現了進(jìn)步。

所以在2012年，如果大家還有記憶的話(huà)（這就是一個(gè)暴露年齡的話(huà)題），一些科技巨頭當時(shí)開(kāi)始瘋狂的收購智能機器人。比如說(shuō)，谷歌在2012到2013年間，一口氣收購了包括波士頓動(dòng)力在內的11家機器人公司。

當時(shí)，谷歌內部管機器人這條件線(xiàn)的人叫安迪-魯賓，是不是聽(tīng)著(zhù)耳熟？沒(méi)錯，他正是安卓系統的創(chuàng )始人。

但同時(shí)很多人不知道的是，他還是個(gè)機器人迷，大家看安卓的英文Android這個(gè)詞，英文原意就是“人型機器人”，而且安卓的標志也是個(gè)綠色的小機器人。

魯賓從2013年就開(kāi)始秘密在谷歌組建機器人部門(mén)，大家看當時(shí)他收購的這些公司，除了波士頓動(dòng)力之外，還有研究雙足機器人的Schaft公司，研究人形機器人的Meka Robotics，研究機械手臂的Redwood Robotics，計算機視覺(jué)人工智能公司Industrial Perception，制造基于機械臂的機器人攝影攝像系統Bot&Dolly，生產(chǎn)小型及全向滾輪和移動(dòng)裝置的Holomni公司，大家看看這些公司，谷歌顯然意識到了AI在機器人中的重要性，希望結合AI推進(jìn)機器人的發(fā)展。

谷歌這樣的科技巨頭開(kāi)啟收購熱潮背后的邏輯可能在于：谷歌這樣以軟件見(jiàn)長(cháng)的公司，在比較不擅長(cháng)的硬件 以及軟硬件結合的部分，是發(fā)展智能機器人難以逾越的技術(shù)壁壘。所以，我們推測，谷歌可能一度認為，在A(yíng)I機器人的軟件方面，因為第一層和第二層技術(shù)的進(jìn)步，買(mǎi)來(lái)各種硬件公司整合在一起，再把軟件蓋在上面，AI機器人說(shuō)不定就能邁出重大的進(jìn)展。

經(jīng)過(guò)十年的發(fā)展，當年的機器人明星公司們發(fā)現，在實(shí)際市場(chǎng)用途中，還遠不能保證準確率和統一度。

比如說(shuō)倉庫分揀這個(gè)活兒，一個(gè)訓練有素的工人可以達到95%的準確度，如果機器人低于這個(gè)準確率，那就意味著(zhù)還需要有人來(lái)監督輔助機器人的運行，工廠(chǎng)老板們一算賬，既要買(mǎi)機器人又得雇傭人類(lèi)，還不如全雇人類(lèi)做呢。所以機器人的準確度一般要達到95%以上甚至99%才能真正有商業(yè)價(jià)值，但現實(shí)是：如今AI機器人可以做到90%，但從90%到100%的最后10%，現在無(wú)法突破。而在這一天到來(lái)之前，機器人就很難替代人工，并且有時(shí)候還會(huì )宕機導致整個(gè)生產(chǎn)線(xiàn)癱瘓，因此客戶(hù)也不愿意買(mǎi)單，所以準確率達不到、那么投入商用就遙遙無(wú)期，而這又意味著(zhù)谷歌不斷燒錢(qián)但看不到回報 。

安迪·魯賓在2014年爆出性丑聞離開(kāi)了谷歌，之后收購的這11家公司經(jīng)過(guò)各種重組，有的被再出售，比如說(shuō)波士頓動(dòng)力被賣(mài)給了軟銀，然后又被賣(mài)給了韓國現代，賣(mài)給現代的時(shí)候估值只有谷歌收購時(shí)候的三分之一，還有的團隊被解散，比如說(shuō)Schaft公司，之后谷歌內部孵化出了兩條線(xiàn)，致力于工業(yè)機器人軟件和操作系統研發(fā)的Intrinsic以及通用機器人Everyday Robots?？上?，這兩個(gè)團隊都在最近的谷歌大裁員中，相當一部分人被裁掉，其中Every Robots部門(mén)不再被列為單獨項目，很多員工被并入了Google Research或其它團隊。我們開(kāi)頭舉例的那個(gè)夾娃娃公司Vicarious，也因為融資不理想被谷歌收購，而很快成為了谷歌裁員的重點(diǎn)目標，連Vicarious的創(chuàng )始人都離開(kāi)了谷歌。

講谷歌失敗的的機器人發(fā)展線(xiàn)并不僅僅是因為谷歌的辦公室政治和性丑聞，而是想說(shuō)明AI機器人行業(yè)發(fā)展的一個(gè)縮影：AI機器人在軟件和硬件上還都需要解決的問(wèn)題太多、挑戰太大。

而現在，重要的問(wèn)題來(lái)了，ChatGPT的出現，能否打破這個(gè)僵局呢？

05 最新AI熱潮能帶來(lái)進(jìn)展

記得我們團隊在跟幾位從事機器人和AI工作的科學(xué)家吃飯的時(shí)候，我問(wèn)了這個(gè)問(wèn)題：現在這么熱的AI大模型，能幫助AI機器人什么呢？其中一個(gè)AI專(zhuān)家說(shuō)了兩個(gè)字：信心。然后我們一桌人都笑翻了，雖然這是個(gè)段子，但也得到了在座專(zhuān)家一致的認同。

與最近爆火的生成式AI不同，機器人似乎還沒(méi)有到所謂的ChatGPT時(shí)刻，很多機器人產(chǎn)品里都沒(méi)有或者只有很少量的AI，更多是通過(guò)computer vision建立視覺(jué)，而更底層的動(dòng)態(tài)規劃和機械控制仍使用傳統機械控制論的思路去解決，并不能算是真正有學(xué)習能力的機器人。

比如，從嚴格定義上來(lái)看，大名鼎鼎的波士頓機器人公司似乎就不是一個(gè)AI驅動(dòng)的公司，更像是個(gè)傳統機器人公司，特別是，他們的AI研究院在2022年才成立。

但一個(gè)積極的現象是：各家機器人公司對AI的整合都越來(lái)越多，搭載了更多AI的機器人也更受到資本的青睞。比如我們在《OpenAI黑手黨》那期節目提到的Covariant公司，他們工業(yè)機器人的主打賣(mài)點(diǎn)，就加載了預訓練的AI模型，可以在沒(méi)有特別訓練的情況下就執行貨物分揀任務(wù)，分揀的東西變化了之后也可以自主的適應。

如今，現階段大模型對機器人的應用大多停留在科研階段，還非常早期。其中，AI大模型無(wú)法在根本上幫助具身智能的一個(gè)原因在于，大模型提高的是通用性，而AI機器人需要解決的問(wèn)題是準確性，這個(gè)鑰匙和鎖對不上。很簡(jiǎn)單的一個(gè)例子：如今像ChatGPT這樣的大模型的準確度，在一些領(lǐng)域上，有時(shí)候還沒(méi)有經(jīng)過(guò)了充分訓練的小模型的準確度高。ChatGPT能通用地回答各種問(wèn)題，但它的回答不免出現常識錯誤，我們可以對這些錯誤一笑而過(guò)；但如果同樣的事情發(fā)生在機器人上，帶來(lái)的可能就是停工停產(chǎn)，經(jīng)濟損失，甚至更嚴重的事故。

但是，盡管如此，從未來(lái)前景來(lái)看，大模型還是能給機器人領(lǐng)域帶來(lái)一些的正面推動(dòng)的：

首先，在自然語(yǔ)言交流上，我們再回到機器人軟件的三層模型來(lái)看，谷歌發(fā)布的擁有5620億個(gè)參數的多模態(tài)視覺(jué)語(yǔ)言模型Palm-e主要解決的是第一層及第二層的部分問(wèn)題，因為這一部分之前要靠編程來(lái)告訴機器人怎么做，而現在機器人可以聽(tīng)懂自然語(yǔ)言，并將自然語(yǔ)言任務(wù)直接拆解成可執行的部分。

同時(shí)，在2023年4月初，Meta發(fā)布了名為Segment Anything的通用AI大模型，簡(jiǎn)稱(chēng)SAM。我們《硅谷101》音頻的嘉賓Jim Fan在聊SAM的這一期節目中稱(chēng)“SAM是圖像識別領(lǐng)域的‘GPT時(shí)刻”，因為SAM使得計算機視覺(jué)可以分割一個(gè)從未見(jiàn)過(guò)的物體。而這會(huì )在第一層軟件上為視覺(jué)識別帶來(lái)非常大的幫助。

其次，像谷歌的RT-1主要解決的是三層模型中的第二層問(wèn)題，也就是如何將任務(wù)和環(huán)境信息轉化成動(dòng)作規劃。研究人員發(fā)現，在Transformer大模型的加持下，機器人執行從未做過(guò)的任務(wù)的成功率明顯上升，對不同環(huán)境甚至有干擾情況下的成功率也有上升。這是邁向通用機器人的重要一步。也就是說(shuō)，機器人可以執行之前從未執行過(guò)的任務(wù)了。

再者，在數據上得到提升。在RT-1中，研究人員使用了不同型號的機器人的數據來(lái)訓練模型，結果發(fā)現自己機器人執行任務(wù)的準確率提升了。雖然這方面的研究還比較早期，但如果未來(lái)有大模型能使用不同機器人的數據進(jìn)行預訓練，可能會(huì )進(jìn)一步提高準確度，那么這意味著(zhù)，機器人AI的通用訓練集也能實(shí)現了。

這幾個(gè)進(jìn)展是目前的大模型熱潮除了給AI機器人賽道帶來(lái)“信心”之外，還切實(shí)帶來(lái)的進(jìn)步，但即使如此，我們現在還在非常非常早期的階段。也有業(yè)內人士告訴《硅谷101》，雖然這四個(gè)模型的發(fā)布振奮了AI機器人市場(chǎng)的熱情，但Palm-e和和RT-1的技術(shù)對于行業(yè)來(lái)說(shuō)都不是全新的消息，因此，這四個(gè)模型能如何賦能AI機器人，還需要我們進(jìn)一步去驗證。

另外，雖然特斯拉最新發(fā)布的視頻沒(méi)有對Optimus做任何技術(shù)上的解析，但馬斯克透露，特斯拉已經(jīng)打通了FSD和機器人的底層模塊，實(shí)現了一定程度的算法復用。我們知道，FSD算法指的是特斯拉全自動(dòng)駕駛，是Full Self-Driving系統的縮寫(xiě)。FSD的這個(gè)算法讓車(chē)輛可以實(shí)現自主導航和自動(dòng)駕駛功能，包括讓車(chē)輛能夠在各種交通環(huán)境下進(jìn)行感知、決策和控制。如果，這一套基于神經(jīng)網(wǎng)絡(luò )和計算機視覺(jué)的技術(shù)算法也可以移到AI機器人上，相信會(huì )對軟件方面幫助不少。

但是同時(shí)，我們還想強調一點(diǎn)，在A(yíng)I機器人流派中，還有很多其它的嘗試正在進(jìn)行，不一定大模型神經(jīng)網(wǎng)絡(luò )能夠成為具身智能的解藥，大模型也不一定是我們能達到通用人工智能的解藥。我們今天講述的具身智能發(fā)展派的做法是在人工智能上將軟件和硬件分開(kāi)各自迭代，然后將兩者融合的方式去做AI機器人。但目前學(xué)術(shù)界，也有一些新的流派在產(chǎn)生，認為人類(lèi)現在訓練具身智能的方式還只是單純的輸入的輸出，但是，具身智能也許需要更加多通道的全面的跨模態(tài)交互，因為這樣的行為交互才最能體現機器對環(huán)境的認知試探和反饋，才能在和環(huán)境的互動(dòng)過(guò)程中學(xué)習和成長(cháng)。

06 其他發(fā)展軌跡：Unimal

比如說(shuō)，斯坦福人工智能實(shí)驗室前主任李飛飛博士在2021年提出了DERL的概念，是Deep Evolutionary Reinforcement Learning 深度進(jìn)化強化學(xué)習的縮寫(xiě)，這是一種非常新的發(fā)展具身智能的思路。

與其人們設計出具身智能的最終形態(tài)身軀再強加上AI軟件來(lái)驅動(dòng)，李飛飛博士提出，智能生物的智能化程度，和它的身體結構之間，存在很強的正相關(guān)性，不如讓AI自己選擇具身的進(jìn)化。而這樣的具身不一定是人形機器人。也就是說(shuō)，對于智能生物來(lái)說(shuō)，身體不是一部等待加載“智能算法”的機器，而是身體本身就參與了算法的進(jìn)化。

李飛飛博士說(shuō)她通過(guò)回溯5.3億年前的寒武紀生命大爆發(fā)找到了靈感，當時(shí)，許多物種首次出現。如今共識的科學(xué)理論認為，當時(shí)新物種的爆發(fā)部分原因，是由眼睛的出現所驅動(dòng)的，視覺(jué)讓生物們第一次看清楚周?chē)氖澜?，而通過(guò)視覺(jué)，物種的身體“需要在快速變化的環(huán)境中移動(dòng)、導航、生存、操縱和改變”，從而自行進(jìn)化。

也就是說(shuō)，地球上所有的智力活動(dòng)，都是生物通過(guò)自己的身體，真真切切地與環(huán)境產(chǎn)生交互之后，通過(guò)自身的學(xué)習和進(jìn)化所遺留下來(lái)的“智力遺產(chǎn)”。那么，具身智能，也就是AI機器人，為什么會(huì )是一個(gè)例外呢？為什么不是自己進(jìn)化，還是讓人類(lèi)設定最終形態(tài)呢？

所以，李飛飛博士在這個(gè)DERL，也就是深度進(jìn)化強化學(xué)習的論文中，提到了生物進(jìn)化論與智能體進(jìn)化的關(guān)系，并且借鑒了進(jìn)化論的理論，制造了一個(gè)假設的智能體，名為“Unimal”。

就是圖中身上長(cháng)滿(mǎn)了小棍的這個(gè)東西，是universal和animal拼起來(lái)的一個(gè)詞，然后規定了模擬環(huán)境的虛擬宇宙中的三條規則：

第一條規則：這個(gè)宇宙中存在大量的虛擬生命agents，這些agents的具身，就是這些像小棍一樣的肢體和頭部拼接起來(lái)的虛擬生命。這些具身代表著(zhù)不同的基因代碼，模擬出不同環(huán)境下進(jìn)化出的不同具身。大家可以看到，平地，崎嶇不平的山路，和前面有障礙物的環(huán)境下，具身會(huì )進(jìn)化出不同的結構，有的像八爪章魚(yú)一樣，有的像小狗一樣的四足結構，反正就是非常不一樣。

第二條規則是：這些形態(tài)各異的虛擬具身，都需要在自己的一生中，通過(guò)使用機器學(xué)習算法來(lái)適應不同的環(huán)境，比如平坦的地面、充滿(mǎn)障礙的沙丘，在這些環(huán)境中完成不同的任務(wù)，像是巡邏、導航、躲避障礙物、搬運箱子等等。

第三條規則是：通過(guò)一段時(shí)間的學(xué)習訓練之后，虛擬具身之間要相互比賽，只有表現最突出的一部分能夠被保留下來(lái)。然后，它們的基因代碼經(jīng)過(guò)相互組合之后，產(chǎn)生大量新的身體結構，再重復第一和第二條規則中學(xué)習適應各類(lèi)環(huán)境和任務(wù)的過(guò)程。

要注意的是，上一代虛擬生命遺留給下一代的，只有它們的身體結構，而不包括它們在一生中學(xué)習到的經(jīng)驗和算法。

通過(guò)搭建這樣一個(gè)虛擬宇宙，研究人員在里面使用各種條件，對上千個(gè)具身形態(tài)進(jìn)行了嚴酷的篩選。最終發(fā)現：一個(gè)物種在前幾代通過(guò)長(cháng)期和艱苦的深度學(xué)習獲得的行為，在后幾代中會(huì )變成一種類(lèi)似本能的習慣。

如說(shuō)，某個(gè)具身的祖輩花了很長(cháng)時(shí)間才學(xué)會(huì )跑步，但是在經(jīng)過(guò)幾代進(jìn)化之后，它們的后代生下來(lái)沒(méi)多久就自己會(huì )跑了。

李飛飛團隊的研究人員說(shuō)，在學(xué)習和進(jìn)化的雙重壓力下，最終只有那些在結構上有優(yōu)勢的身體結構，才能夠被保留下來(lái)，進(jìn)行進(jìn)化。這些結構由于可以更容易學(xué)習到更先進(jìn)的算法，于是在每一代的競爭中就積累下了大量的優(yōu)勢。研究人員把這種身體結構上的優(yōu)勢叫做“形態(tài)智能”。在算力相同的情況下，具備形態(tài)智能優(yōu)勢的生物可以更快獲得學(xué)習上的優(yōu)勢，從而贏(yíng)得殘酷的生存競爭。這其實(shí)是驗證了19世紀末著(zhù)名的“鮑德溫效應”。

所以，這篇論文得到的結論是，DERL深度進(jìn)化強化學(xué)習使得大規模模擬成為現實(shí)，通過(guò)學(xué)習形態(tài)智能的進(jìn)化過(guò)程可以加速強化學(xué)習。而李飛飛博士也表示：“具身的含義不是身體本身，而是與環(huán)境交互以及在環(huán)境中做事的整體需求和功能”。也就是說(shuō)，將進(jìn)化論放進(jìn)人工智能領(lǐng)域，用“具身智能”而非純粹的“算法智能”，來(lái)加快人工智能機器人的進(jìn)化速度，也許是能更快推進(jìn)具身智能前進(jìn)的方式。

目前，研究依然還是非常早期的階段，所有訓練也還只在的模擬器中，但這已經(jīng)讓之后的具身智能發(fā)展充滿(mǎn)了各種懸念：最終出現在我們面前的具身智能，可能不是我們想象中的機器人形態(tài)，更有可能是一種渾身插滿(mǎn)各種木棍兒的小人也說(shuō)不定。

所以，我們這個(gè)視頻在結尾得到的結論就是：AI機器人，也就是具身智能的發(fā)展，沒(méi)那么容易。這個(gè)賽道還沒(méi)有等到自己的ChatGPT時(shí)刻，我們開(kāi)頭描述的那些場(chǎng)景距離實(shí)現還早著(zhù)呢，所以大家既不用擔心終結者很快到來(lái)、也不用興奮很快會(huì )有AI機器人能幫我們去遛狗排隊買(mǎi)咖啡。

但是，具身智能的出現，是“機器人”Robot這個(gè)詞最開(kāi)始發(fā)明的時(shí)候，就在人類(lèi)的想象中的。

大家猜猜英文Robot是怎么來(lái)的？

這個(gè)詞最早其實(shí)出現在1920年捷克文學(xué)家卡雷爾·恰佩克的三幕劇《羅素姆萬(wàn)能機器人》（Rossum"s Universal Robots），而Robot這個(gè)詞源于捷克語(yǔ)的“robota”，意思是“苦力”和“奴隸”的意思，之后成為了機器人的專(zhuān)有名詞。

而這個(gè)三幕劇講的什么故事呢？

這個(gè)故事講述的是，羅素姆這個(gè)工廠(chǎng)大規模制造和生產(chǎn)機器人，本來(lái)初衷是完成所有人類(lèi)不愿做的工作和苦差事，從而解放人類(lèi)投身于更美好、更高的事物。但后來(lái)，機器人發(fā)覺(jué)人類(lèi)十分自私和不公正，終于造反了，因此消滅了人類(lèi)。但是，機器人不知道如何制造自己，認為自己很快就會(huì )滅絕，所以它們開(kāi)始尋找人類(lèi)的幸存者，但一直沒(méi)有找到。最后，一對感知能力優(yōu)于其它機器人的男女機器人相愛(ài)了。這時(shí)機器人進(jìn)化為人類(lèi)，世界又起死回生了。

100多年前，機器人Robot這個(gè)詞誕生的時(shí)候，小說(shuō)家卡雷爾·恰佩克似乎就覺(jué)得終有一天，具身智能會(huì )來(lái)到人類(lèi)世界，并且和人類(lèi)的關(guān)系變得破朔迷離，機器人可以消滅人類(lèi)，也可以進(jìn)化為人類(lèi)。我不知道是否有一天，這個(gè)幻想的故事會(huì )真實(shí)抵達我們的世界，但稍微能安撫大家的是，至少在現在，我們依然距離這個(gè)故事還很遙遠。