人形機器人的理想與現實

李開復曾提到過一個AI界流傳的“騙子又來了曲線”。?人會不斷給機器進行“是否具有人類智能”的鑒定，而這個過程，總是從被人工智能在某些領域的驚艷表現震撼，到逐漸認識到當時的人工智能還有各種局限，以至于產生巨大心理落差。

近來，人形具身智能機器人在WAIC世界人工智能大會上密集亮相，我們在現場所感受到的就是“人類要毀滅了”與“騙子又來了”，兩種聲音同時存在的復雜現象。

具體來說，認為“人類要毀滅了”，大多是不明覺厲的普通觀眾，而冷靜甚至不看好人形機器人的多為AI、機器人領域的業內人士。

比如獵豹移動董事長兼CEO、獵戶星空董事長傅盛就表示，“機器人在今年的展廳里是爆發了，但在日常生活當中，我們并沒有看到它在哪個地方被大規模用起來。機器人行業的產業爆發還遠遠沒有到來……對人形機器人的不看好一定會被時間證明”。

這兩種心態，究竟哪一種才代表人形機器人產業的真相呢？

其實并沒有什么真相。不同的心態，是由不同的判定標準而產生的。大眾、從業者和技術專家，都有一張“我心中的人形機器人”打分表，評價尺度各不相同。

而關于人形機器人的期待，在人形、大模型、具身三個標準上，大眾的預期、媒體的宣傳、產業的實際進展等都有比較大的分野。這構成了當前，人形機器人的理想與現實。

“變形金剛”的理想與現實

“他們怎么不動啊，不表演有什么必要插電源？”

“插電亮著好看。”

本屆WAIC最吸睛的，就是中央展廳的“十八金剛”了。18個人形機器人同臺而立，幾乎每個參觀者都聚集在展臺前打卡拍照，在展臺旁邊，我聽到了這段對話。

大眾理想中，人形機器人就是變形金剛、機甲戰士那樣，走路又穩又快，行動靈活，隨意移動，無論是工廠上班、護理老人還是投遞包裹，都手拿把掐。

但產業現實中，WAIC上的人形機器人大多數時間都待在展臺上，在特定時間表演一些拿蘋果、端杯子之類的手部動作，特斯拉的機器人甚至始終待在玻璃展柜中一動不動。和全場溜達的機器狗相比，人形機器人顯得“內向”很多。

由此可見，到底需不需要“雙足行走”，成了目前公眾和從業者對人形機器人，最大的認知差異。

總的來說，雙足人形機器人是“機器人的皇冠”，是終極方向，才是大眾期待的“變形金剛”。

但至少要走過三步：雙足行走、執行復雜任務、規模商用。

而目前，僅僅是第一步“雙足行走”，在技術和商業上都并不是最佳狀態。

一方面，穩定的行走，需要系統擁有極高的魯棒性。

機器人在面臨各種異常情況和輸入時，仍然能快速通過運動控制模塊調整姿態，保持正常運行。

要提升系統的魯棒性（或者說穩健性），依賴于機器人與人類、物理世界的真實交互，來積累高質量數據。如果遇到訓練環境中沒有出現過的問題，機器人就可能出現異常或“死機”，系統研發效率是比較低的。

另外，商業上“雙足行走”也并不是剛需。

比如特斯拉、Figure等都宣布要讓人形機器人“進廠打工”，從事電池分揀等工作。但實際上，制造環節80%以上生產作業動作，其實很少用到下肢，用到軀干，主要是靠手來完成的。這種上肢為主的簡單系統，可以減少控制難度，降低投入成本，并且更容易規模化量產，因為只需要將最重要的一部分功能（手部）進行復制。一旦加上四肢、軀干，控制難度、續航、成本都會大幅提升。

所以，目前能夠規模化應用的機器人形態，都是以機器狗、機械手等單一、極簡形態。滿足大眾期待的“變形金剛”，要在邁過很多步之后，才能帶來極大產業效應。

幾年之內，我們應該都會更常在展臺和展柜中看見人形機器人，而非零距離互動。

大模型的理想與現實

“現場機器人好多，我都感覺主題有點跑偏了”，一位計算領域的從業者對我說道。

智能機器人在人工智能大會上遍地開花，根本邏輯是——大模型為具身智能開啟了新的解決方案的大門。

傳統的人工智能系統，受限于缺乏先驗知識，理解力與泛化能力捉襟見肘，導致機器人難以像人類一樣擁有基本的常識判斷能力，這嚴重制約了高級別具身智能的發展。機器人執行任務時，往往需要人類工程師將復雜指令拆解為一系列簡化的、程序化的步驟，再由機器人（如機械臂）逐一執行。顯然，這種“智能水平”并不算很高，還需要人來做大量的代碼和開發工作。

理想中，大模型會為人形機器人的“智能水平”，帶來顛覆性的變革。

大模型相較于傳統機器學習方法，擁有更加強大的泛化能力，可以為人形機器人的大量任務，比如復雜任務解析、流暢連續對話、零樣本推理等，提供全新的解決方案。

舉個例子，告訴人形機器人“我餓了”，它會自動分析這句話背后的需求，并拆解為可執行的具體動作，通過觀察物理環境，從冰箱里拿出一個蘋果給你吃，不需要人來拆分指令。

但現實中，大模型給人形機器人帶來的變革，仍然停留在初級的“自然語言交互”。

目前絕大多數人形機器人，更多是擁有了類ChatGPT的“嘴”。這種結合，雖然能提供更自然生動的交互體驗，但只是將現有的語音交互進行了升級，并非“端到端”任務執行能力的顛覆式突破。

無需人工參與的高度自動化，為什么有了大模型也沒能快速實現呢？

究其根本，機器人是一個非常復雜的學科，涉及精密機械、自動控制、電氣電子、計算科學，最后呈現出一個非常復雜智能機電一體化系統。

從有監督機器學習到大語言模型，是計算領域的技術突破，可以在交互、規劃、決策等環節發揮作用。然而，從機械化到高度自動化，人形機器人的再進化，還需要感知技術、驅動與傳動技術、萬兆網絡等的技術和資源支持。

國產機器人崛起的理想與現實

“美國公司負責忽悠概念，中國公司負責讓機器人落地、商用，把價格打下來，讓人人實現機器人自由。”

此次WAIC大會，國產人形機器人的表現確實要比海外公司亮眼很多。無論是特斯拉、谷歌，在機器人的展示上都堪稱乏味。而國產人形機器人不僅批量化、大規模出現，而且展現出了在很多具體場景中的商用能力，比如做飯機器人、電信機器人、家政陪伴機器人等。

那么，這是不是意味著國產人形機器人廠商會很快崛起呢？

我們當然希望這一天能盡快實現，但目前來看現實還有不確定性。

數據層面，特斯拉、谷歌等科技巨頭，在自動駕駛領域有多年積累，可以將足夠多的空間數據喂給模型，解決人形機器人在復雜空間中的學習問題，從而更好地進行迭代學習。而在WAIC現場，我們看到的大多數國產人形機器人廠商的業務面還比較孤立，百度、商湯等數據積累面廣的AI公司，則更多聚焦在汽車形態的智能機器人。這意味著，解決人形機器人的數據問題，還有賴于產生生態化、產業化、多方共建的解決方案。

算法層面，類GPT-4o能力的國產多模態大模型還比較稀缺，這使得人形機器人通過視覺、音頻等多維度數據來識別地圖和復雜場景的能力，大大受到限制。目前，海外產學界已經在多模態大模型上系統性發力。比如OpenAI基于GPT-4o為Figure 01構建了一個具身智能AI模型，谷歌推出了多模態具身視覺語言模型PaLM-E。加州大學伯克利分校推出了LM Nav，來實現硬件本體、運動小腦、決策大腦三部分逐漸融合。目前來看，國產基礎大模型還有一段路要追趕。