當(dāng)人形機(jī)器人來“敲門”，它距離真正會(huì)干活還有多遠(yuǎn)？
文 / 科技新聞作者 周小燕
編輯 / 鄭可君
在今年的世界人形機(jī)器人大會(huì)上，投資人們普遍對(duì)人形機(jī)器人略有失望。
但回顧整個(gè)2024年，人形機(jī)器人仍有一定對(duì)技術(shù)突破：從斯坦福大學(xué)大火的炒菜機(jī)器人ALOHA，到接入OpenAI大模型的Figure01，再到馬斯克X上展示的會(huì)“疊衣服”Optimus Gen2，以及能與主人擁抱的NEO機(jī)器人，這些創(chuàng)新正代表著機(jī)器人泛化能力的進(jìn)步，同時(shí)也反映出外界對(duì)人形機(jī)器人能夠融入人類日常生活的美好期盼。
然而，這需要他們運(yùn)動(dòng)更自如，并能夠處理更復(fù)雜的問題。這將對(duì)人形機(jī)器人的泛化能力和本體制造提出更高的要求。
北京時(shí)間9月19日，在2024云棲大會(huì)上，圍繞《人形機(jī)器人的“圖靈時(shí)刻”》主題，至頂科技CEO兼總編輯高飛，星紀(jì)動(dòng)元?jiǎng)?chuàng)始人陳建宇，北大-銀河通用具身智能聯(lián)合實(shí)驗(yàn)室主任王鶴，宇樹創(chuàng)始人、CEO王興興，逐際動(dòng)力創(chuàng)始人張巍，五位嘉賓針對(duì)人形機(jī)器人的形態(tài)定義、核心技術(shù)含量衡量標(biāo)準(zhǔn)、投入實(shí)際應(yīng)用的時(shí)間預(yù)期、大模型給人形機(jī)器人帶來的影響展開了深入的討論。
以下為云棲大會(huì)現(xiàn)場(chǎng)實(shí)錄整理：
高飛：我是至頂科技的高飛，今天主持這個(gè)討論環(huán)節(jié)。我們的主題是“圖靈時(shí)刻”，大模型的出現(xiàn)讓信息真假難辨，人和AI之間的界限越來越模糊，但目前的AI仍基于文本，并未進(jìn)入物理世界。我們將討論人形機(jī)器人作為物理世界的智能載體，如何在大模型的推動(dòng)下發(fā)展，是否有一天它們能達(dá)到圖靈時(shí)刻，難以分辨其與人類的區(qū)別，甚至?xí)䥇^(qū)分不出來“敲門”的是人類還是機(jī)器人。讓我們請(qǐng)幾位嘉賓交流。
首先問一個(gè)關(guān)于初心的問題。作為創(chuàng)業(yè)者，你們的初心很重要。王興興，我知道宇樹科技成立多年，你曾一度反對(duì)做人形機(jī)器人，但近幾年你們卻快速推出了人形機(jī)器人。是什么讓你改變了看法？
王興興：沒錯(cuò)，幾年前我堅(jiān)決反對(duì)做人形機(jī)器人。當(dāng)時(shí)的技術(shù)還無法支持復(fù)雜的人形機(jī)器人系統(tǒng)，過于復(fù)雜的系統(tǒng)難以維護(hù)。2009年、2010年時(shí)，我做過小型人形機(jī)器人，但發(fā)現(xiàn)在復(fù)雜或泛用性場(chǎng)景下，技術(shù)還不足以駕馭這些系統(tǒng)。所以當(dāng)時(shí)我決定不做。然而，隨著2016年新一波AI技術(shù)的興起，到2018年、2019年，機(jī)器人領(lǐng)域的AI技術(shù)逐漸展現(xiàn)潛力。特別是到2022年，大語言模型的表現(xiàn)令人驚艷，AI技術(shù)的發(fā)展速度遠(yuǎn)超我的預(yù)期。因此，我們?cè)?023年正式啟動(dòng)了人形機(jī)器人項(xiàng)目。
雖然起步晚，但一年多來我們發(fā)布了兩款人形機(jī)器人，結(jié)果超出預(yù)期，無論硬件還是軟件的發(fā)展速度都非常快。
高飛：明白了，是AI的發(fā)展促使你改變了態(tài)度。接下來問張巍總，你們是通用機(jī)器人公司，通用機(jī)器人是否一定要做人形？這是個(gè)有爭(zhēng)議的問題。
張巍：我認(rèn)為通用機(jī)器人必須做人形，尤其是雙腿人形機(jī)器人。機(jī)器人和AI的使命不同，AI負(fù)責(zé)思考和決策，機(jī)器人代替人類行動(dòng)。通用機(jī)器人本質(zhì)需要具備兩種能力：移動(dòng)能力和操作能力，移動(dòng)不一定需要雙臂，但操作則必須有雙腿，否則無法達(dá)到人類的工作場(chǎng)景。所謂通用機(jī)器人就是在這兩個(gè)方面上能夠達(dá)到跟人一樣的適應(yīng)能力和泛化化。
我覺得這一代AGI的發(fā)展，相比上一代的核心區(qū)別，就是從專用到通用的變化。可能在大模型出來之前，“通用”是一個(gè)貶義詞，通用就是沒什么用。但是大模型出來以后，大家發(fā)現(xiàn)像我們?cè)趯I(yè)領(lǐng)域里面收集數(shù)據(jù)做專項(xiàng)任務(wù)的方式，存在很大局限性。反而我們要構(gòu)建基礎(chǔ)的通用能力，然后在此基礎(chǔ)上發(fā)展專用能力，才是解決泛化問題的關(guān)鍵。我認(rèn)為大模型技術(shù)提供了通用軟件算法，而機(jī)器人與物理世界的交互則依賴于人形機(jī)器人。
高飛：張巍總提到雙腿的人形機(jī)器人，不過王鶴老師的機(jī)器人沒有腿。王鶴老師，您如何定義人形機(jī)器人的形態(tài)？
王鶴：我們公司名為銀河通用，目標(biāo)自成立之初便是實(shí)現(xiàn)通用機(jī)器人。不過，通用機(jī)器人有一個(gè)發(fā)展過程，首先是在單一場(chǎng)景中實(shí)現(xiàn)多任務(wù)和可移動(dòng)，然后逐步擴(kuò)展到多場(chǎng)景、多任務(wù)，最終達(dá)到全場(chǎng)景、幾乎全任務(wù)的能力。在這個(gè)過程中，不同階段會(huì)有最適合、最經(jīng)濟(jì)、最穩(wěn)定的機(jī)器人載體。因此，在當(dāng)前人形機(jī)器人或通用機(jī)器人市場(chǎng)剛剛起步的階段，我們選擇從特定場(chǎng)景中的多任務(wù)操作入手，例如在零售商超中進(jìn)行上貨、下貨，在工廠搬運(yùn)箱子等。實(shí)際上，在平坦的地面環(huán)境中，使用輪子已經(jīng)足夠滿足需求。
我們并非完全沒有腿，而是將兩條腿整合成一個(gè)360度可旋轉(zhuǎn)的輪盤，能夠下跪并觸碰地面，以拾取物品。雙手的設(shè)計(jì)是為了應(yīng)對(duì)如搬運(yùn)箱子等需要雙手操作的任務(wù)，在超市中，一只手拿籃子、一只手取貨也是同樣的道理。我們的機(jī)器人采用360度旋轉(zhuǎn)輪和整合的雙腿，能夠站立到1.75米，觸及高度達(dá)2.4米，并且可以下蹲觸地，確保以最低成本、最穩(wěn)定的技術(shù)實(shí)現(xiàn)率先落地的應(yīng)用場(chǎng)景。
高飛：每家公司對(duì)腿的定義不同。那么，陳建宇老師，具身智能和人形機(jī)器人這兩個(gè)概念經(jīng)常一起提到，您怎么看待這兩個(gè)詞？
陳建宇：具身智能和人形機(jī)器人雖然概念相近，但側(cè)重點(diǎn)不同。具身智能主要關(guān)注智能本身的實(shí)現(xiàn)，它對(duì)形態(tài)沒有嚴(yán)格要求，可以是人形、四足，甚至是能動(dòng)的物體。人形機(jī)器人則特指形態(tài)為人形的智能體。我們公司重視具身智能與人形機(jī)器人的協(xié)同發(fā)展，正如人腦與身體同時(shí)成長(zhǎng)，我們認(rèn)為機(jī)器人的軟件和硬件也必須協(xié)同發(fā)展。
高飛：不僅僅是腿的形態(tài)，具身智能涵蓋更廣。那么，下一個(gè)問題是關(guān)于技術(shù)含量的。人形機(jī)器人現(xiàn)在很熱，有很多表演和展示，如何判斷一個(gè)人形機(jī)器人是否有技術(shù)含量？陳建宇老師，您怎么看？
陳建宇：我們可以將人形機(jī)器人分為大腦、小腦和本體三部分。這三者同樣重要，但我認(rèn)為關(guān)鍵是“小腦”，即控制行動(dòng)的部分。如果沒有小腦，機(jī)器人無法執(zhí)行任務(wù)，只是一堆一堆會(huì)思考的破銅。小腦承載了大腦的指令，是實(shí)現(xiàn)機(jī)器人與物理世界交互的核心部分。
目前相比較于其它部分，“小腦”技術(shù)是最薄弱的，同時(shí)也是技術(shù)不確定性最高、收斂性最差的部分。
大腦部分得益于強(qiáng)大的大語言模型技術(shù)，但小腦部分存在的局限性很明顯。大多數(shù)機(jī)器人仍然依賴幾十年前的工業(yè)機(jī)器人或掃地機(jī)的技術(shù)，這極大限制了其發(fā)展。我們希望人形機(jī)器人的雙腿能像人類一樣穩(wěn)艦快速、靈活，使其能夠到達(dá)任何地點(diǎn)；同時(shí)雙手也要足夠靈巧，能夠處理從家庭到工廠的各種任務(wù)，具備上廳堂、下廚房、進(jìn)工廠的能力。這是我們追求的目標(biāo)，但目前尚未完全實(shí)現(xiàn)。
至于如何判斷人形機(jī)器人的技術(shù)成熟度，可以從其行走和操作的泛化能力入手。比如，在演示過程中，可以對(duì)它制造一些干擾，例如突然踹它一腳，或者在它抓取物體時(shí)制造一些障礙，觀察它能否穩(wěn)定、智能地適應(yīng)并完成任務(wù)。
高飛：王老師，您怎么看？
王鶴：銀河通用最關(guān)注的是機(jī)器人上半身手、眼、腦的協(xié)調(diào)，這涉及大腦、小腦以及對(duì)本體的控制。我們首先在泛化抓取技術(shù)上取得了突破，體現(xiàn)了具身智能。泛化意味著機(jī)器人可以抓取各種材質(zhì)的物體，無論是透明的、高光的或吸光的，像抱箱子、拿藥盒等任務(wù)都是通過視覺引導(dǎo)完成的，不依賴二維碼或任何標(biāo)記，完全依靠圖像理解，與大腦聯(lián)動(dòng)。部署過程實(shí)現(xiàn)了“零代碼”，即無需編寫復(fù)雜代碼即可操作。
例如，我們展示了一個(gè)技術(shù)，機(jī)器人能夠操作將卡皮巴拉放入金屬杯中，并利用最前沿的端到端大模型技術(shù)，通過視頻輸入，在未曾見過的環(huán)境下根據(jù)人類的指令導(dǎo)航，完成任務(wù)。
因此，人形機(jī)器人的技術(shù)含量可以從兩個(gè)方面衡量：一是其泛化能力，即能否真正實(shí)現(xiàn)通用功能；二是與人類的語言溝通能力，實(shí)現(xiàn)零代碼的部署。
高飛：不僅能干活，還能交流。王興興，您怎么看？
王興興：對(duì)于人形機(jī)器人，人們期待的是一個(gè)AI模型，能夠同時(shí)處理運(yùn)動(dòng)和操作。然而，目前運(yùn)動(dòng)和操作的訓(xùn)練還是較為分離。就全身運(yùn)動(dòng)而言，我希望到明年機(jī)器人能夠執(zhí)行復(fù)雜的全身運(yùn)動(dòng)表演，盡管我們現(xiàn)在已經(jīng)完成了一部分，但大多數(shù)動(dòng)作仍然是單獨(dú)訓(xùn)練的，尚未形成連貫的整體，每次訓(xùn)練也消耗大量時(shí)間和人力。如果有一套更全面的系統(tǒng)，比如只需觀看一個(gè)視頻或簡(jiǎn)單演示就能學(xué)會(huì)完整的動(dòng)作，這將為當(dāng)前的表演帶來巨大改變。
此外，我希望機(jī)器人在操作能力上有所突破，不僅能完成簡(jiǎn)單的桌面整理任務(wù)，還能處理復(fù)雜的生產(chǎn)裝配，甚至更高級(jí)的推理任務(wù)。操作能力的提升，尤其是在生活中處理手臂相關(guān)的任務(wù)，將非常有價(jià)值。
雖然我們?cè)谶@兩方面已經(jīng)取得了一定進(jìn)展，但要實(shí)現(xiàn)真正的泛用性還存在距離。如果能夠讓機(jī)器人在全新的環(huán)境中，只通過簡(jiǎn)單的演示或自我強(qiáng)化學(xué)習(xí)就能自然完成任務(wù)，將具有非常大的價(jià)值。無論是購(gòu)買一個(gè)機(jī)器人并部署到家中，還是在某個(gè)場(chǎng)館中使用，只要給它簡(jiǎn)單的指令，它就能在大多數(shù)時(shí)間內(nèi)自主完成任務(wù)。這是我對(duì)未來的期望，盡管目前還未完全實(shí)現(xiàn)。
高飛：您看到機(jī)器人時(shí)，第一眼會(huì)關(guān)注哪里？
王興興：可以看整體，每個(gè)人審美不同。
高飛：張巍老師，您怎么看？
張巍：我認(rèn)為，理解機(jī)器人技術(shù)的關(guān)鍵在于兩個(gè)關(guān)鍵詞：泛化和通用。這兩個(gè)詞是本次變革的核心。具體來說，我們應(yīng)該關(guān)注機(jī)器人的“大腦”、還是“手”，抑或其他？我提供一個(gè)視角：在評(píng)估人形機(jī)器人時(shí)，首先要關(guān)注它的腿。人形機(jī)器人之所以被視為一種新物種，而非傳統(tǒng)機(jī)械臂的延續(xù)，根本原因在于它們需要具備兩條腿。我認(rèn)為，腿是機(jī)器人實(shí)現(xiàn)通用能力的基矗那么，在觀察腿時(shí)，我們主要關(guān)注兩個(gè)方面：首先，它是否具備應(yīng)對(duì)各種地形的泛化能力；其次，它是否能夠支撐雙臂進(jìn)行全身協(xié)同的通用操作，這也是腿的重要價(jià)值所在。
在我們的產(chǎn)品展示視頻中，大家可以看到，小型雙足機(jī)器人并沒有腳掌，實(shí)際上就像人踩著高蹺，這一設(shè)計(jì)是為了測(cè)試AI算法的能力。從視頻中可以看出，機(jī)器人在不同地形上的適應(yīng)能力和泛化能力已經(jīng)接近類人水平。就像我個(gè)人在山地上踩高蹺，如果有人推我，我也可能會(huì)失去平衡，這顯示了我們?cè)谶@方面取得的重要進(jìn)展。
此外，視頻中還展示了機(jī)器人在承載4公斤負(fù)載時(shí)的全身協(xié)同操作。這種展示在有負(fù)載的情況下相對(duì)較少見。雙腿不僅需要保持自身的平衡，還要與四肢協(xié)同發(fā)力，以完成大負(fù)載的操作，這個(gè)過程需要通過腿部進(jìn)行動(dòng)態(tài)調(diào)整，全身協(xié)調(diào)面臨一定挑戰(zhàn)。我認(rèn)為，這種全身協(xié)同的操作任務(wù)是區(qū)分人形機(jī)器人與固定雙臂機(jī)器人的最重要特征，也是我們特別關(guān)注的技術(shù)點(diǎn)。
高飛：總結(jié)一下，大家的觀點(diǎn)都強(qiáng)調(diào)機(jī)器人必須具備適應(yīng)性，能夠在不同環(huán)境下工作，還要有良好的移動(dòng)和操作能力。接下來談?wù)剻C(jī)器人什么時(shí)候能干活的問題。馬斯克預(yù)測(cè)未來兩三代機(jī)器人后，年產(chǎn)量可達(dá)100萬臺(tái)。各位怎么看待這個(gè)時(shí)間線？
陳建宇：應(yīng)用落地需要定義。如果初步應(yīng)用不嚴(yán)格要求，在一兩年內(nèi)我們可以看到工業(yè)、商用甚至家用的機(jī)器人開始投入使用。根據(jù)創(chuàng)新擴(kuò)散理論，任何新產(chǎn)業(yè)都有早期使用者愿意嘗試。至于像電影《Her》中那樣的機(jī)器人進(jìn)入家庭，規(guī)模應(yīng)用可能還需要更長(zhǎng)時(shí)間，尤其是家庭場(chǎng)景要求更高的泛化能力，而工業(yè)場(chǎng)景相對(duì)容易控制。
高飛：機(jī)器人“敲門”要多久實(shí)現(xiàn)？
陳建宇：我認(rèn)為，從純技術(shù)的角度來看，解決難點(diǎn)并不需要太長(zhǎng)時(shí)間。如果僅僅是實(shí)現(xiàn)某個(gè)特定功能，比如讓我們的機(jī)器人能夠上下樓梯并在戶外導(dǎo)航，這些都已經(jīng)可以做到。機(jī)器人完全可以自主導(dǎo)航到門口并執(zhí)行敲門的動(dòng)作，這并沒有技術(shù)上的難點(diǎn)。然而，真正的挑戰(zhàn)在于，雖然早期的探索可能會(huì)很快取得進(jìn)展，但要實(shí)現(xiàn)大規(guī)模應(yīng)用，尤其是進(jìn)入家庭環(huán)境，所需的時(shí)間相對(duì)較長(zhǎng)。家庭環(huán)境沒有明確的邊界和泛化要求，而大規(guī)模應(yīng)用更適合于工業(yè)場(chǎng)景，因?yàn)楣I(yè)環(huán)境是有邊界的，可以人為設(shè)定一些規(guī)則和標(biāo)準(zhǔn)場(chǎng)景，從而更容易進(jìn)行控制。因此，在類似于ChatGPT這樣的技術(shù)達(dá)到其圖靈時(shí)刻之前，工業(yè)應(yīng)用會(huì)更為迅速。
另一個(gè)難點(diǎn)在于，工業(yè)場(chǎng)景中可以將機(jī)器人與人隔離，并且機(jī)器人執(zhí)行的任務(wù)相對(duì)固定。在這種情況下，只要小腦取得了一定的進(jìn)展，就可以在工廠中投入使用，工人不需要具備復(fù)雜的數(shù)學(xué)能力，只需能夠完成特定的工序即可。然而，對(duì)于人類的應(yīng)用要求就高得多，同時(shí)也會(huì)引發(fā)更多的安全性問題。
高飛：其他幾位能簡(jiǎn)短說下時(shí)間預(yù)期嗎？
王鶴：銀河通用的機(jī)器人現(xiàn)在已經(jīng)能在零售場(chǎng)景下應(yīng)用，比如在云棲大會(huì)上，觀眾通過iPad下單，機(jī)器人能從貨架上拿取物品。我們預(yù)計(jì)明年將是商用元年，五年內(nèi)目標(biāo)是在零售和車廠場(chǎng)景中達(dá)到1萬臺(tái)。進(jìn)入家庭的時(shí)間大概在十年左右，十五年內(nèi)可能會(huì)有上千萬級(jí)的市常
王興興：我比較樂觀，明年在工業(yè)和固定場(chǎng)景下實(shí)現(xiàn)商業(yè)落地不成問題。三年內(nèi)全球可能會(huì)出現(xiàn)通用型AI機(jī)器人，五年內(nèi)我們會(huì)看到天翻地覆的變化。
張巍：我同意各位的預(yù)測(cè)。我認(rèn)為這個(gè)賽道是事件驅(qū)動(dòng)型的，時(shí)間難以預(yù)測(cè)。關(guān)鍵在于AI技術(shù)的進(jìn)展。需要避免過早商業(yè)化，技術(shù)開關(guān)還沒找到時(shí)貿(mào)然推進(jìn)會(huì)遇到很多挑戰(zhàn)。
高飛：我補(bǔ)充最后一個(gè)問題，關(guān)于大模型與機(jī)器人之間的關(guān)系。我們今天討論了很多大模型技術(shù)，它對(duì)人形機(jī)器人發(fā)展有什么影響？大家能否用兩三句話總結(jié)一下觀點(diǎn)？
張巍：影響非常大。機(jī)器人發(fā)展的動(dòng)力來自AGI和大模型技術(shù)。我認(rèn)為具身智能將成為多模態(tài)大模型的殺手級(jí)應(yīng)用，包括無人駕駛。我想強(qiáng)調(diào)，大模型技術(shù)改變了我們的思維方式，從規(guī)則驅(qū)動(dòng)到算法驅(qū)動(dòng)，再到數(shù)據(jù)驅(qū)動(dòng)�，F(xiàn)在，我們先看有哪些數(shù)據(jù)，再?zèng)Q定采用什么算法進(jìn)行訓(xùn)練。因此，我們的理念是“軟件定義硬件，數(shù)據(jù)定義軟件”。
王興興：我認(rèn)為通用機(jī)器人，尤其是通用人形機(jī)器人，是大模型落地的最大載體，能解決大模型的落地問題，兩者是非常好的組合。
王鶴：現(xiàn)在的通用機(jī)器人大多使用分立的小模型，大模型可以賦能這些技能。第一，大模型可以作為代理，規(guī)劃長(zhǎng)程任務(wù)。第二，它可以作為監(jiān)控器，糾正小模型的錯(cuò)誤，及時(shí)處理問題。第三，最有前景的是將動(dòng)作作為大模型的輸出，實(shí)現(xiàn)通用感知、規(guī)劃和執(zhí)行的一體化。
陳建宇：大模型給我們最大的啟發(fā)是“Scaling Law”的存在。研究通用機(jī)器人需要匹配的通用智能，大模型引導(dǎo)我們思考如何實(shí)現(xiàn)機(jī)器人領(lǐng)域的Scaling Law，并帶來了語言模型的技術(shù)，如Transformer架構(gòu)、Token算法等。但機(jī)器人需要與物理世界交互，所以我們還需要在算法和數(shù)據(jù)層面進(jìn)行更多探索。
高飛：您提到了算力和數(shù)據(jù)，我想追問現(xiàn)在合成數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)和仿真數(shù)據(jù)的比例情況，算力如何分配？是在云端還是本地？
陳建宇：目前數(shù)據(jù)比例還沒有完全固定。比如在運(yùn)動(dòng)控制和行走方面，幾乎全部依賴仿真數(shù)據(jù)，而操作方面則依賴真實(shí)世界的數(shù)據(jù)。未來可能會(huì)有更多發(fā)展。至于算力，機(jī)器人必須要有本地算力，尤其是對(duì)于延時(shí)和斷網(wǎng)的零容忍問題。一般來說，小腦在本地，大腦在云端。
高飛：最后一個(gè)問題，圖靈時(shí)刻能否實(shí)現(xiàn)？人形機(jī)器人能否做到真假難分？請(qǐng)用一個(gè)字回答。
陳建宇：能。
王鶴：一定能。
王興興：能。
張巍：一定和必須能。
高飛：我相信這個(gè)目標(biāo)能實(shí)現(xiàn)。正如那句話所說，“預(yù)測(cè)未來最好的方法就是創(chuàng)造它”。如果大家共同努力，這個(gè)“能”字一定會(huì)實(shí)現(xiàn)。最后，感謝幾位嘉賓的參與，感謝各位觀眾。
