文章轉(zhuǎn)載自「Linguista」

今年的 GTC 大會(huì)，英偉達(dá)發(fā)布了通用機(jī)器人模型 GR00T N1，老黃特別提到未來重點(diǎn)關(guān)注的趨勢是「Physical AI」（物理 AI）。

不僅如此，老黃還把當(dāng)下機(jī)器人領(lǐng)域的核心玩家都喊了過來，針對人形機(jī)器人領(lǐng)域當(dāng)下的技術(shù)路徑、數(shù)據(jù)問題以及通用模型和通用機(jī)器人等問題進(jìn)行了深入探討，有不少很有價(jià)值的觀點(diǎn)。

嘉賓陣容很強(qiáng)大，1X、Skild AI、Agility Robotics、Boston Dynamics……堪稱具身智能領(lǐng)域的「華山論劍」。

嘉賓介紹：

• Bernt B?rnich，人形機(jī)器人創(chuàng)企 1X 的創(chuàng)始人兼 CEO。1X 致力于構(gòu)建完全自主的人形機(jī)器人。此前曾推出專注于家庭場景的人形機(jī)器人 NEO。

• Deepak Pathak，具身智能創(chuàng)企 Skild AI 的 CEO 兼聯(lián)創(chuàng)。Skild AI 致力于打造機(jī)器人通用「大腦」。此前曾推出曾推出可擴(kuò)展的機(jī)器人基礎(chǔ)模型「Skild Brain」。

• Pras Velagapudi，人形機(jī)器人創(chuàng)企 Agility Robotics 的 CTO， Agility 曾推出第一款商用化出售的機(jī)器人 Digit。

• Aaron Saunders，美國「老牌」機(jī)器人公司 Boston Dynamics 的 CTO。Boston Dynamics 曾推出人形機(jī)器人 Atlas。

• 多模態(tài)、推理模型都是解決機(jī)器人問題的必要但不充分條件。首先必須要先解決視覺問題，擁有一個(gè)好的視覺控制系統(tǒng)，然后再追求通用機(jī)器人。

• 也許多模態(tài)大模型無法完全解決機(jī)器人或通用智能的問題，但讓機(jī)器人控制系統(tǒng)變得足夠?qū)嵱茫阋灾纹鹨粋€(gè)規(guī)模化的數(shù)據(jù)飛輪（data flywheel）。這個(gè)飛輪可以擺脫每一步遙控操作，讓機(jī)器人持續(xù)自我強(qiáng)化。

• 讓機(jī)器人更廣泛地應(yīng)用在現(xiàn)實(shí)環(huán)境中，獲取多樣化的數(shù)據(jù)是至關(guān)重要的。機(jī)器人技術(shù)的發(fā)展必須發(fā)生在人群和家庭中，因?yàn)檫@些環(huán)境能提供真實(shí)且多樣化的數(shù)據(jù)。

• 目前談?wù)撏耆銟颖镜目鐚?shí)體泛化還為時(shí)過早。做到這一點(diǎn)的一種方法是擁有大量不同類型的機(jī)器人硬件，甚至在仿真中也擁有更多種類的機(jī)器人硬件。

• 領(lǐng)域泛化可能讓機(jī)器人得到更為穩(wěn)健的結(jié)果，但不會(huì)得到最優(yōu)化的性能。

• 交互能力是消除機(jī)器人「幻覺」的關(guān)鍵。如果沒有交互能力，幻覺就無法被消除。當(dāng)機(jī)器人能夠與環(huán)境進(jìn)行交互時(shí)，它就可以不斷糾正自己的認(rèn)知，這也是機(jī)器人與其他 AI 應(yīng)用之間的重要區(qū)別。

• 三到五年內(nèi)，機(jī)器人會(huì)在大多數(shù)人中變得相當(dāng)普及。即使不是每個(gè)人都擁有機(jī)器人，但人們會(huì)認(rèn)識那些擁有機(jī)器人的人，它們會(huì)逐漸成為社會(huì)的一部分，從消費(fèi)者家庭到工廠、物流等各個(gè)領(lǐng)域。

Founder Park 正在搭建開發(fā)者社群，邀請積極嘗試、測試新模型、新技術(shù)的開發(fā)者、創(chuàng)業(yè)者們加入，請掃碼詳細(xì)填寫你的產(chǎn)品/項(xiàng)目信息，通過審核后工作人員會(huì)拉你入群～

進(jìn)群之后，你有機(jī)會(huì)得到：

• 高濃度的主流模型（如 DeepSeek 等）開發(fā)交流；

• 資源對接，與 API、云廠商、模型廠商直接交流反饋的機(jī)會(huì)；

• 好用、有趣的產(chǎn)品/案例，F(xiàn)ounder Park 會(huì)主動(dòng)做宣傳。

01

機(jī)器人領(lǐng)域加速的關(guān)鍵因素：數(shù)據(jù)、多模態(tài)、硬件成本

主持人：有人曾提到，機(jī)器人技術(shù)是最古老的領(lǐng)域之一，在過去的歷史中發(fā)展速度很慢，為什么現(xiàn)在機(jī)器人領(lǐng)域開始「加速發(fā)展」了？有哪些關(guān)鍵影響因素？

Jim Fan （NVIDIA）：機(jī)器人技術(shù)是最古老的領(lǐng)域之一，幾乎與人工智能技術(shù)本身存在的時(shí)間一樣長。機(jī)器人領(lǐng)域發(fā)展如此困難的原因在于「莫拉維克悖論」（Moravec's paradox）。這個(gè)悖論指出，對人類來說容易的事情，對機(jī)器來說卻非常困難，反之亦然。比如我們覺得極難的創(chuàng)造性寫作，對機(jī)器來說可能并不那么難。這也是為什么像大型語言模型（LLM）、自然語言處理（NLP）、計(jì)算機(jī)視覺這些領(lǐng)域，如今比機(jī)器人技術(shù)解決得好得多。所以我們現(xiàn)在正面臨這個(gè)悖論。

我認(rèn)為機(jī)器人領(lǐng)域目前加速發(fā)展得益于幾點(diǎn)因素：

一是在模型方面。大型基礎(chǔ)模型的出現(xiàn)，如 LLM 的「ChatGPT 時(shí)刻」的到來，我們現(xiàn)在有了能夠進(jìn)行推理的模型，以及能夠理解計(jì)算機(jī)視覺的多模態(tài)模型，因此對三維視覺世界的開放詞匯理解能力遠(yuǎn)超以往，這些都是解決機(jī)器人問題的必要但不充分條件。首先必須要先解決視覺問題，擁有一個(gè)好的視覺控制系統(tǒng)，然后再追求通用機(jī)器人。

二是數(shù)據(jù)方面。機(jī)器人的數(shù)據(jù)不像是大型語言模型能夠來自互聯(lián)網(wǎng)當(dāng)中的大規(guī)模數(shù)據(jù)，引用 Ilya Sutskever 的話，他說「互聯(lián)網(wǎng)是人工智能的化石燃料」，但機(jī)器人并沒有這種「化石燃料」，所以必須依靠合成數(shù)據(jù)，以及大規(guī)模收集數(shù)據(jù)。仿真技術(shù)，特別是 GPU 加速仿真的出現(xiàn)，讓機(jī)器人訓(xùn)練數(shù)據(jù)的問題變得更容易處理。因?yàn)楝F(xiàn)在可以在大約三個(gè)小時(shí)的計(jì)算時(shí)間內(nèi)生成相當(dāng)于 10 年訓(xùn)練數(shù)據(jù)量的數(shù)據(jù)，這確實(shí)幫我們超越了數(shù)據(jù)困境。

三是硬件方面。今天參會(huì)的一些最杰出公司的創(chuàng)始人，他們的公司創(chuàng)造了我們所見過的最好的機(jī)器人硬件。機(jī)器人硬件已經(jīng)變得好得多，也便宜得多。今年我們看到的硬件價(jià)格大約在 4 萬美元左右，相當(dāng)于一輛汽車的價(jià)格。而在 2001 年，NASA 建造了 Robonaut——最早的主要人形機(jī)器人之一，當(dāng)時(shí)的價(jià)格是 150 萬美元（2001 年的美元價(jià)格）。硬件的價(jià)格終于變得負(fù)擔(dān)得起，將很快成為主流。

主持人：Aaron Saunders 在機(jī)器人技術(shù)還很不成熟的的時(shí)期就進(jìn)入了機(jī)器人領(lǐng)域。你認(rèn)為，機(jī)器人技術(shù)這幾年發(fā)生了哪些變化？

Aaron Saunders （Boston Dynamics）：剛才 Jim Fan談到了很多機(jī)器人領(lǐng)域發(fā)展重要的因素，我試著挑幾點(diǎn)來展開說說。

首先是機(jī)器人「仿真到現(xiàn)實(shí)」（sim-to-real）環(huán)境之間的差距不斷縮小，這是非常關(guān)鍵的進(jìn)展。長期以來，機(jī)器人領(lǐng)域一直在致力于構(gòu)建既能準(zhǔn)確模擬物理現(xiàn)象、又具備高計(jì)算效率的仿真環(huán)境。我們可以構(gòu)建非常復(fù)雜的模型，精準(zhǔn)地再現(xiàn)物理世界，但無法實(shí)現(xiàn)實(shí)時(shí)或超實(shí)時(shí)地運(yùn)行。最大的變化是如今能夠以超實(shí)時(shí)（Super Real-Time）的方式模擬現(xiàn)實(shí)世界的物理過程，極大地提升了在仿真層面的探索效率，同時(shí)能更好地利用仿真技術(shù)推動(dòng)人工智能的開發(fā)。

另一個(gè)重要變化是機(jī)器人零部件的商品化，這要?dú)w功于消費(fèi)電子行業(yè)等相關(guān)產(chǎn)業(yè)的發(fā)展，帶來了更強(qiáng)的電池、更好的攝像頭，以及更先進(jìn)的感知、計(jì)算等技術(shù)。大概在十到十五年前，大多數(shù)機(jī)器人內(nèi)部還塞滿了 PCB 板和電線，電池容量也非常有限。但現(xiàn)在，機(jī)器人具備強(qiáng)大的計(jì)算能力，搭載微型、低功耗的傳感器。機(jī)器人零部件的商品化，并不只是反映硬件成本的降低，更是促進(jìn)機(jī)器人創(chuàng)業(yè)的浪潮。

同時(shí)，全球硬件供應(yīng)鏈中涌現(xiàn)出大量可拼接組合的關(guān)鍵部件，機(jī)器人公司不需要再從零設(shè)計(jì)每一個(gè)齒輪，而是可以像拼拼圖一樣，將這些模塊組合，在更高層次進(jìn)行創(chuàng)新。因此，如今的機(jī)器人公司更多專注于智能層面的開發(fā)，構(gòu)建應(yīng)用程序，而不是將全部資源投入到制造物理機(jī)器本身。

Deepak Pathak（SkildAI）：我想在 Jim Fan 最初觀點(diǎn)的基礎(chǔ)之上強(qiáng)調(diào)一點(diǎn)，機(jī)器人不僅是人工智能的第一個(gè)應(yīng)用場景，它本身就是 AI 的核心。回顧艾倫·圖靈在人工智能早期的論述，他設(shè)想的 AI 正是為機(jī)器人服務(wù)的。他主張，我們應(yīng)該制造可以自主學(xué)習(xí)的系統(tǒng)，而不是試圖直接構(gòu)建一個(gè)「成年人」，我們應(yīng)該創(chuàng)造一個(gè)像孩子一樣逐漸成長、學(xué)習(xí)的機(jī)器人。你可以把它放進(jìn)教室，隨著時(shí)間推移，它會(huì)成長為「成年人」。這是一個(gè)極具吸引力的想法，早在 20 世紀(jì) 50 年代艾倫·圖靈就提出了這個(gè)想法。

語言和視覺同樣也很重要，但如果我們觀察自然界的演化過程，會(huì)發(fā)現(xiàn)這些能力的出現(xiàn)遠(yuǎn)晚于物理行動(dòng)能力。比如我們訓(xùn)練大型語言模型（LLM）所用的數(shù)據(jù)，可能來自過去 100 年、200 年，最多也就 1000 年。而人類文明的歷史遠(yuǎn)遠(yuǎn)超過這個(gè)時(shí)間跨度。所以，并不是語言帶來了智能，而是智能的基礎(chǔ)早已存在。人類大腦的演化，是基于對物理世界的理解和推理，這也解釋了為什么機(jī)器人技術(shù)如此重要。你無需向任何人解釋什么是機(jī)器人，人們天然就能理解它，因?yàn)槲覀兠刻於荚谶M(jìn)行各類物理操作，每個(gè)企業(yè)、每個(gè)組織都與機(jī)器人所代表的實(shí)體交互密切相關(guān)。

除了 Jim Fan 剛提到的在技術(shù)層面的進(jìn)步外，我認(rèn)為最大的變化是我們對機(jī)器人領(lǐng)域整體思考方式的變化。以往，控制理論一直在機(jī)器人領(lǐng)域占據(jù)主導(dǎo)陣地，直到三四年前，依然占據(jù)主導(dǎo)。實(shí)際上控制理論最初并不是為機(jī)器人設(shè)計(jì)的，在二戰(zhàn)期間興起，主要用于飛機(jī)和導(dǎo)彈控制。后來艾倫·圖靈的思想推動(dòng)了機(jī)器人熱潮，人們想「我們能用什么現(xiàn)成的工具？」，于是就沿用了控制理論幾十年之久。但這和圖靈最初設(shè)想的「孩童式學(xué)習(xí)」完全不同。你不會(huì)先教一個(gè)孩子學(xué)微積分再學(xué)走路，也不會(huì)讓他們先理解關(guān)節(jié)動(dòng)力學(xué)再學(xué)走路。學(xué)習(xí)本身，是通過經(jīng)驗(yàn)完成的。

而「從經(jīng)驗(yàn)中學(xué)習(xí)」正是當(dāng)下機(jī)器人控制領(lǐng)域的關(guān)鍵變化。例如，此前 Boston Dynamics 發(fā)布的一段機(jī)器人 Atlas 通過經(jīng)驗(yàn)學(xué)習(xí)來實(shí)現(xiàn)控制的視頻。從「基于編程的經(jīng)驗(yàn)」轉(zhuǎn)向「通過經(jīng)驗(yàn)來學(xué)習(xí)」，是我們對于機(jī)器人理解方式的一次重大躍遷。

Bernt B?rnich（1X）：我接著這個(gè)話題進(jìn)一步分享。我認(rèn)為，機(jī)器人領(lǐng)域最根本的變化之一，其實(shí)來自互聯(lián)網(wǎng)。過去三十年，全球的每一個(gè)人都在向互聯(lián)網(wǎng)貢獻(xiàn)內(nèi)容，這相當(dāng)于一次巨大的集體實(shí)驗(yàn)。正是這些數(shù)據(jù)的積累，讓我們得以訓(xùn)練出今天的 AI 模型，像魔法一般。而現(xiàn)在我們要做的是，如何把這套機(jī)制再復(fù)制一次：當(dāng)然不是讓所有人去扮演機(jī)器人，而是利用現(xiàn)有的文本、圖像等數(shù)據(jù)，來推動(dòng)機(jī)器人系統(tǒng)的發(fā)展。

關(guān)鍵是如何使用這些已有數(shù)據(jù)去「引導(dǎo)」（bootstrap）機(jī)器人，讓它們開始做一些有用的事情。一旦跨過這個(gè)門檻，它們就能在真實(shí)世界中不斷學(xué)習(xí)，而真正的智能恰恰來源于這種長期的真實(shí)交互。但前提是它們必須先「足夠有用」。舉個(gè)例子，我說：「去冰箱拿瓶可樂。」如果機(jī)器人能做到一半的成功率，那我們就有了一個(gè)可行的路徑。因?yàn)榻酉聛碇恍枰粩鄧L試及反饋，「這次成功了，那次失敗了」，機(jī)器人就會(huì)在「拿可樂」這項(xiàng)任務(wù)上越來越擅長。

我認(rèn)為，這也正是現(xiàn)在多模態(tài)大型語言模型的意義所在，也許多模態(tài)大模型無法完全解決機(jī)器人或通用智能的問題，但讓機(jī)器人控制系統(tǒng)變得足夠?qū)嵱茫阋灾纹鹨粋€(gè)規(guī)模化的數(shù)據(jù)飛輪（data flywheel）。這個(gè)飛輪可以擺脫每一步遙控操作，讓機(jī)器人持續(xù)自我強(qiáng)化。這很可能是通向非常有用的機(jī)器控制，甚至可能是通向 AGI（通用人工智能）的路徑。

Pras Velagapudi （Agility Robotics）：針對 Aaron Saunders 剛提到的觀點(diǎn)：為什么機(jī)器人技術(shù)「又回來了」？人工智能起源于機(jī)器人，然后發(fā)展到其他領(lǐng)域，如今又回到機(jī)器人本體，這一點(diǎn)我補(bǔ)充一下，這其實(shí)有兩個(gè)核心挑戰(zhàn)：一是硬件本身非常復(fù)雜，二是機(jī)器人所面對的世界是非結(jié)構(gòu)化的。當(dāng)我們回顧人工智能與機(jī)器人技術(shù)的發(fā)展路徑，會(huì)發(fā)現(xiàn)機(jī)器人技術(shù)的大部分精力長期以來都集中在解決「硬件難」的問題上，比如微型傳感器（如 MEMS）、執(zhí)行器驅(qū)動(dòng)技術(shù)、儲能技術(shù)等。這些技術(shù)必須逐一攻克。甚至像 Arduino （注：一個(gè)軟硬件開源平臺）這樣的平臺，也大大降低了讓真實(shí)物體動(dòng)起來的門檻，不再需要從零開始「造輪子」。

在 AI 方面，我們則是在不斷推進(jìn)從結(jié)構(gòu)化到非結(jié)構(gòu)化問題的解決路徑：從早期解決查詢和指令，到 API 接口，到簡化的世界模型，再到現(xiàn)在復(fù)雜的非結(jié)構(gòu)化世界建模。這些拼圖逐步補(bǔ)全了 AI 平臺的能力邊界，通過尋找新的數(shù)據(jù)獲取方式、借鑒結(jié)構(gòu)化方法的最佳實(shí)踐，并向更真實(shí)的環(huán)境推進(jìn)。比如，「如果不對機(jī)器人再加一輪訓(xùn)練，會(huì)發(fā)生什么？」我們通過分析自動(dòng)駕駛車輛采集的視頻，觀察機(jī)器人攝像頭拍到的第一視角影像，推測接下來世界將如何變化。

所以我認(rèn)為，背后其實(shí)一直在發(fā)生一場「能力解鎖」的逐步進(jìn)化。我們?nèi)缃窨吹降募夹g(shù)爆發(fā)，其實(shí)是這場演進(jìn)達(dá)到臨界點(diǎn)之后的自然結(jié)果。現(xiàn)在，是時(shí)候開始真正應(yīng)對非結(jié)構(gòu)化世界的交互挑戰(zhàn)了。

Bernt B?rnich（1X）：硬件層面的變化對于機(jī)器人領(lǐng)域的快速發(fā)展至關(guān)重要。過去幾年間最重要的變化之一是我們終于能夠制造出具備足夠穩(wěn)健性的硬件，讓機(jī)器人能在真實(shí)世界中操作而不輕易損壞。長期從事機(jī)器人研究的人都了解，如果每做一次實(shí)驗(yàn)就要修復(fù)或重建機(jī)器人，那實(shí)驗(yàn)成本和周期將極其高昂。如今的硬件達(dá)到了一個(gè)新的水平，機(jī)器人可以在現(xiàn)實(shí)世界中安全地學(xué)習(xí)，穩(wěn)定地執(zhí)行任務(wù)，而不會(huì)輕易損壞自身或破壞環(huán)境。這是機(jī)器人技術(shù)能夠持續(xù)推進(jìn)的關(guān)鍵前提之一。

02

具身智能的未來是通用模型，數(shù)據(jù)很重要

主持人：你們?nèi)绾慰创斯ぶ悄芗夹g(shù)在機(jī)器人領(lǐng)域所擔(dān)任的「角色」，如何從專用機(jī)器人模型轉(zhuǎn)向通用機(jī)器人模型，以及對通用基礎(chǔ)模型爆炸式增長如何看？

Jim Fan （NVIDIA）：我可以談?wù)動(dòng)ミ_(dá)推出的通用人形機(jī)器人基礎(chǔ)大模型「GR00T N1 」所采用的策略，「GR00T N1」旨在解決「跨實(shí)體」機(jī)器人控制泛化的問題，即為不同的人形機(jī)器人構(gòu)建一個(gè)通用的「大腦」。在構(gòu)建「GR00T N1」模型時(shí)遵循了兩點(diǎn)核心原則。

一是模型要盡可能地簡單，沒有中間步驟。我們追求端到端的模型，基本上是「光子到動(dòng)作」（photons to actions）。也就是說，從攝像機(jī)獲取像素輸入后，直接輸出控制電機(jī)的浮點(diǎn)數(shù)。端到端模型的優(yōu)勢在 NLP 領(lǐng)域已被驗(yàn)證。以 ChatGPT 為例，它的出現(xiàn)顛覆了 NLP 領(lǐng)域。ChatGPT 背后的模型更為簡單，將任何文本映射到另一個(gè)文本，底層是一個(gè) Transformer，將一個(gè)整數(shù)序列映射到另一個(gè)整數(shù)序列，這種簡潔性使得所有數(shù)據(jù)和問題都能統(tǒng)一到同一個(gè)模型中。我認(rèn)為機(jī)器人技術(shù)也應(yīng)該借鑒這一點(diǎn)，讓模型盡可能簡單。

二是通過復(fù)雜的數(shù)據(jù)策略，對模型數(shù)據(jù)進(jìn)行壓縮。機(jī)器人數(shù)據(jù)是一個(gè)巨大的挑戰(zhàn)，無法直接從 YouTube、維基百科等互聯(lián)網(wǎng)中下載數(shù)據(jù)。我們采用的策略是把不同的數(shù)據(jù)看作是一個(gè)「金字塔」，分為頂部、中間層、底層。

• 頂部是真實(shí)機(jī)器人數(shù)據(jù)，這是最優(yōu)質(zhì)的，因?yàn)闆]有領(lǐng)域差距。通過遙控操作（Teleoperation）收集的數(shù)據(jù)最為精確，但擴(kuò)展性有限，受制于每個(gè)機(jī)器人每天 24 小時(shí)的物理限制，在原子世界（現(xiàn)實(shí)世界）中的擴(kuò)展非常困難。

• 中間層是仿真數(shù)據(jù)。仿真數(shù)據(jù)依賴于 Isaac Sim 等物理引擎來大規(guī)模生成數(shù)據(jù)。這些數(shù)據(jù)是基于真實(shí)世界收集的數(shù)據(jù)，或者通過「從經(jīng)驗(yàn)中學(xué)習(xí)」來生成。仿真策略基于 NVIDIA 過去作為圖形公司時(shí)積累的經(jīng)驗(yàn)，圖形引擎擅長處理物理和渲染。

• 底層是來自互聯(lián)網(wǎng)的多模態(tài)數(shù)據(jù)。這些數(shù)據(jù)用于訓(xùn)練視覺語言模型（VLM），進(jìn)而支持視覺-語言-動(dòng)作模型（VLA）。VLM 從大量互聯(lián)網(wǎng)數(shù)據(jù)中訓(xùn)練，最近的視頻生成模型已經(jīng)能生成非常高質(zhì)量的世界神經(jīng)仿真（Neural Simulation）。金字塔的最底層是神經(jīng)仿真，它超越了傳統(tǒng)的圖形引擎。借助這些神經(jīng)仿真，可以要求視頻生成模型來想象一個(gè)新的機(jī)器人軌跡。由于模型在數(shù)百萬個(gè)視頻數(shù)據(jù)上訓(xùn)練，學(xué)習(xí)了物理學(xué)規(guī)律，因此能生成符合物理規(guī)律的像素級軌跡。同時(shí)結(jié)合，我們在「GR00T N1」中提出的「潛在動(dòng)作」（Latent Action）算法，可以從這些機(jī)器人「想象」中提取動(dòng)作，將它們放回到訓(xùn)練數(shù)據(jù)中。

通過以上復(fù)雜的數(shù)據(jù)策略，我們將所有數(shù)據(jù)壓縮成一個(gè)具體的「產(chǎn)物」，從光子到動(dòng)作。因此，一個(gè) 20 億參數(shù)規(guī)模的模型足以解決廣泛的任務(wù)，這是「GR00T N1」的策略。

Aaron Saunders （Boston Dynamics）：我認(rèn)為這描繪了一個(gè)美好的未來圖景，通過一個(gè)簡單的大模型來解決從像素到運(yùn)動(dòng)的所有問題。但在這個(gè)過程中，我們需要關(guān)注當(dāng)機(jī)器人產(chǎn)品最終進(jìn)入真實(shí)世界時(shí)必須具備的確定性。面向客戶交付某樣?xùn)|西時(shí)，必須清楚其在意外情況下的行為表現(xiàn)，考慮功能的安全性，同時(shí)還需注意在現(xiàn)有功能基礎(chǔ)上添加新功能時(shí)可能出現(xiàn)的退化（regress）情況。

機(jī)器人技術(shù)的復(fù)雜性實(shí)際上已經(jīng)從傳統(tǒng)的算法和模型轉(zhuǎn)移到了數(shù)據(jù)和數(shù)據(jù)收集上，我們正處于構(gòu)建數(shù)據(jù)集的初期階段。我認(rèn)為，在追求最終強(qiáng)大模型的過程中，絕不能拋棄整個(gè)工具箱（注：這里的「工具箱」可以理解為包括傳統(tǒng)方法、新技術(shù)、算法等在內(nèi)的可用資源）。同時(shí)，還應(yīng)維護(hù)機(jī)器人購買者的信任。

盡管有很多令人興奮的新能力正在改變機(jī)器人技術(shù)的格局，但我們不能忽視現(xiàn)實(shí)世界的問題。傳統(tǒng)的工具在解決這些現(xiàn)實(shí)世界的問題時(shí)仍然有效，特別是當(dāng)機(jī)器人涉及強(qiáng)大不可控或可能產(chǎn)生危險(xiǎn)行為的功能時(shí)，或當(dāng)機(jī)器人在人的周圍工作時(shí)。因此，我們必須使用一個(gè)龐大的「工具箱」來確保安全和信任。

Bernt B?rnich（1X）：我非常認(rèn)同 Aaron Saunders 和 Jim Fan 提出的觀點(diǎn)。1X 也在朝著類似的方向努力，比如構(gòu)建一個(gè)相對簡單的基礎(chǔ)通用模型。當(dāng)我們從早期和晚期的 LLM 的歷史中汲取教訓(xùn)時(shí)，我認(rèn)為經(jīng)常被忽視的是多樣性（diversity）的重要性。早期很多公司試圖訓(xùn)練一個(gè)專門擅長寫詩的模型，他們用世界上最好的詩歌來訓(xùn)練，但這并沒有取得很好的效果。因?yàn)椋]有在與寫詩無關(guān)的、極其多樣化的數(shù)據(jù)上進(jìn)行訓(xùn)練，無法實(shí)現(xiàn)真正的智能。

同樣，在機(jī)器人技術(shù)中也類似。即使目前的機(jī)器人模型仍處于小規(guī)模參數(shù)階段，但依然受多樣性的限制，而不是傳統(tǒng)的數(shù)據(jù)規(guī)模限制。多樣性限制是指如何獲取涉及盡可能多的任務(wù)，涵蓋盡可能多的環(huán)境，同時(shí)最好還包含一些噪聲和動(dòng)態(tài)變化的數(shù)據(jù)，這樣機(jī)器人才能理解任務(wù)的本質(zhì)。

我最喜歡的例子是打開洗衣機(jī)。當(dāng)我們走近洗衣機(jī)時(shí)，我們知道要把衣服放進(jìn)那個(gè)洗衣機(jī)內(nèi)槽里，所以我們會(huì)嘗試找到手柄，若打不開，就進(jìn)一步找鎖扣，再不行就將旋鈕轉(zhuǎn)回零位。人類對洗衣機(jī)如何工作有很好地理解，因此能弄清楚如何操作一臺新的洗衣機(jī)。但目前機(jī)器人沒有這種能力，它們只是學(xué)習(xí)重復(fù)動(dòng)作。

因此，我認(rèn)為，讓機(jī)器人更廣泛地應(yīng)用在現(xiàn)實(shí)環(huán)境中，獲取多樣化的數(shù)據(jù)是至關(guān)重要的。我的這個(gè)觀點(diǎn)可能很「逆向」，但我認(rèn)為是很重要的。機(jī)器人技術(shù)的發(fā)展必須發(fā)生在人群和家庭中，因?yàn)檫@些環(huán)境能提供真實(shí)且多樣化的數(shù)據(jù)。同時(shí)，機(jī)器人在這些環(huán)境中運(yùn)行時(shí)，安全性必須是「與生俱來的」，即從設(shè)計(jì)到應(yīng)用的每一個(gè)環(huán)節(jié)都需要確保安全性，避免對人類造成過度的危險(xiǎn)。在以上基礎(chǔ)之上，我們再進(jìn)一步思考如何將這些新方法與傳統(tǒng)工具箱結(jié)合。

Deepak Pathak（SkildAI）：我認(rèn)為有兩個(gè)關(guān)鍵點(diǎn)，第一點(diǎn)是人類，人類可以通過簡單的設(shè)備（如 VR 追蹤服、手套、頭顯）來控制任何機(jī)器人，而不需要了解機(jī)器人內(nèi)部的硬件細(xì)節(jié)（如電機(jī)如何工作）。這意味著可以設(shè)計(jì)一個(gè)通用的控制系統(tǒng)來操作不同的機(jī)器人。通過這種方式，我們可以利用任何地方的數(shù)據(jù)來訓(xùn)練機(jī)器人，因?yàn)榭刂七壿嬍墙y(tǒng)一的。

第二點(diǎn)是利用人類行為數(shù)據(jù)。我們忽視了一個(gè)特殊的「機(jī)器人」——人類。人類本身可以被視為一種「生物機(jī)器人」，其大腦通過運(yùn)動(dòng)神經(jīng)元和感覺神經(jīng)元系統(tǒng)工作。人類的日常行為（如開冰箱、拿東西）可以提供豐富的數(shù)據(jù)。每天，人類可能開冰箱十次，這些行為通過視頻數(shù)據(jù)記錄下來，可以用來訓(xùn)練機(jī)器人。雖然仿真是必要的，但真實(shí)的人類行為數(shù)據(jù)同樣重要，甚至可能更具價(jià)值。

Bernt B?rnich（1X）：我非常同意你們的看法，所有這些數(shù)據(jù)都極其重要，并且我們也在積極使用這些，這些數(shù)據(jù)是機(jī)器人技術(shù)發(fā)展的基礎(chǔ)。

Pras Velagapudi （Agility Robotics）：作為一名遙操作過多種機(jī)器人的人員，我想分享的是，盡管人腦在遙操作平臺方面表現(xiàn)非常出色，但實(shí)際上性能差異是存在的。硬件的質(zhì)量在其中起到了決定性作用。我曾經(jīng)遙操作過 1X 機(jī)器人，體驗(yàn)非常好，但對于一些工業(yè)機(jī)器人，體驗(yàn)則不盡如人意。硬件在性能表現(xiàn)上確實(shí)有很大的影響，特別是當(dāng)它影響到控制性、傳感能力和慣性特性時(shí)，這對于在現(xiàn)實(shí)世界中有效運(yùn)行至關(guān)重要。舉個(gè)例子，Boston Dynamics 推出的機(jī)器人展示了極為出色的動(dòng)力學(xué)表現(xiàn)，機(jī)器的動(dòng)力學(xué)特性直接影響了其運(yùn)動(dòng)方式，這是顯而易見的。

Deepak Pathak（SkildAI）：還有一個(gè)典型的例子是達(dá)芬奇（Da Vinci）手術(shù)機(jī)器人。這個(gè)機(jī)器人廣泛應(yīng)用于手術(shù)操作，背后的公司市值已超過千億美元，核心就是通過遙控操作進(jìn)行控制。這真是非常驚人。這個(gè)例子也意味著，我們都承認(rèn)人腦非常強(qiáng)大，硬件同樣重要。因此，機(jī)器人技術(shù)始終涉及這兩個(gè)方面：硬件和方法。它們可能有不同的實(shí)現(xiàn)方式，但最終必須結(jié)合在一起。所以，問題并不是選擇某種硬件或另一種硬件，而是要將真實(shí)世界數(shù)據(jù)、人類活動(dòng)數(shù)據(jù)、仿真以及從這些數(shù)據(jù)中獲取的學(xué)習(xí)相結(jié)合。

Bernt B?rnich（1X）：我認(rèn)為，這與自下而上（bottom-up）和自上而下（top-down）的方法密切相關(guān)。當(dāng)前，我們更多的是在討論自上而下的控制架構(gòu)，但我認(rèn)為自下而上的方法也同樣值得關(guān)注。例如，如何讓機(jī)器人學(xué)會(huì)靈巧性（dexterity）？在遙控操作中，我們正在嘗試讓機(jī)器人學(xué)習(xí)如何快速而靈活地操作手部。我們并不知道如何構(gòu)建一個(gè)既快速又高效，并且能夠提供觸覺反饋的遙操作系統(tǒng)。但機(jī)器人卻能夠通過與物體的互動(dòng)自我學(xué)習(xí)這一過程，如果我們只是給它一堆物體讓它練習(xí)，它就能學(xué)習(xí)如何操作。接下來，問題就變成了：如何在遙操作界面上提升抽象層次？換句話說，不再僅僅是操作「捏住」或「抓取」動(dòng)作，而是通過引導(dǎo)機(jī)器人完成任務(wù)，并允許系統(tǒng)通過實(shí)際操作學(xué)習(xí)靈巧性。

03

「一腦多體」是未來，但實(shí)現(xiàn)路徑各家有分歧

Deepak Pathak（SkildAI）：機(jī)器人技術(shù)發(fā)展面臨的一個(gè)關(guān)鍵問題是硬件的多樣性。我們是否應(yīng)該只有一種機(jī)器人？還是可以有多種機(jī)器人？這些機(jī)器人是否可以共享一個(gè)「大腦」（即統(tǒng)一的控制軟件）？這些問題在機(jī)器人領(lǐng)域非常重要，而在語言模型領(lǐng)域則不存在，因?yàn)檎Z言模型主要依賴軟件（如GPU計(jì)算），而硬件問題早已被解決。

Aaron Saunders （Boston Dynamics）：我認(rèn)為，當(dāng)我們試圖將大腦與身體硬件分開時(shí)，往往忽視了一個(gè)重要問題，即試圖完成的任務(wù)。如果任務(wù)涉及一系列體積小、慣性不顯著的物體，可以在很大程度上將大腦與實(shí)體身體分開。但我認(rèn)為，現(xiàn)實(shí)情況是，我們現(xiàn)在制造這些機(jī)器的目的遠(yuǎn)不止于最初關(guān)注的簡單的桌面任務(wù)。比如要舉起沉重且復(fù)雜的物體，或接觸鋒利的金屬板，甚至是處理高溫物體等場景，我們希望用機(jī)器人代替人類，這時(shí)硬件的重要性就顯現(xiàn)出來了。

硬件必須與軟件協(xié)同進(jìn)化，將一個(gè)帶有 API 接口的完備硬件平臺與任何軟件大腦斷開連接的想法是不現(xiàn)實(shí)的。理解執(zhí)行器的質(zhì)量、摩擦力等細(xì)節(jié)，對于仿真表現(xiàn)可能至關(guān)重要。同時(shí)，還需要更多時(shí)間來完全理解像「GR00T N1」這類通過基礎(chǔ)模型如何在不同類型的機(jī)器人上應(yīng)用。因?yàn)槟壳埃覀冞€沒有足夠的數(shù)據(jù)來證明一個(gè)模型可以在各種機(jī)器人上完美運(yùn)行，且行為沒有顯著差異。

如果只是試圖撿起一袋薯片并放下，可能不重要。但如果嘗試拾取一個(gè)高精度零件并將其組裝到另一個(gè)高精度孔中，那就十分重要了。所以我認(rèn)為，是否能將大腦與硬件完全分開，仍然沒有定論，關(guān)鍵在于任務(wù)的類型。

Deepak Pathak（SkildAI）：我認(rèn)為恰恰相反，一個(gè)硬件平臺上可以有多個(gè)「大腦」。就像 NVIDIA 提供的基礎(chǔ)硬件平臺，許多機(jī)器人公司都可以在其上構(gòu)建機(jī)器人的「大腦」。

Jim Fan （NVIDIA）：我認(rèn)為 Aaron Saunders 提到了一個(gè)非常關(guān)鍵的點(diǎn)，即跨實(shí)體泛化（cross embodiment）。對一個(gè)模型來說，什么是跨實(shí)體泛化，需要從人類自身談起。人類在跨實(shí)體泛化方面非常擅長。每當(dāng)人類開始玩一個(gè)視頻游戲時(shí)，實(shí)際上就在進(jìn)行跨實(shí)體泛化。

比如，人類可能在駕駛游戲中的汽車，或者扮演某個(gè)奇怪的角色，甚至是非人類角色。在使用了幾小時(shí)的手柄后，人類會(huì)迅速掌握如何控制虛擬游戲中的身體，最后能順利地玩下去。所以人腦在跨實(shí)體泛化方面的能力非常強(qiáng)。我認(rèn)為這是一個(gè)可解的問題，我們只需要找到合適的參數(shù)來實(shí)現(xiàn)它。

我同意 Aaron Saunders 的觀點(diǎn)，目前談?wù)撏耆銟颖镜目鐚?shí)體泛化還為時(shí)過早。也就是說，隨便一個(gè)機(jī)器人，模型就能神奇地工作——我不這么認(rèn)為。我們還沒達(dá)到那一步，但總有一天我們會(huì)實(shí)現(xiàn)它。我認(rèn)為，做到這一點(diǎn)的一種方法是擁有大量不同類型的機(jī)器人硬件，甚至在仿真中也擁有更多種類的機(jī)器人硬件。

例如，此前 Meta FAIR 推出的統(tǒng)一模型「MetaMorph」，在仿真中程序化生成了數(shù)千個(gè)簡單機(jī)器人，這些機(jī)器人具有不同的關(guān)節(jié)連接方式，有些像蛇，有些像蜘蛛。然后我們使用「機(jī)器人語法」對這些機(jī)器人進(jìn)行標(biāo)記化（tokenize），本質(zhì)上是將實(shí)體轉(zhuǎn)換成整數(shù)序列。一旦我們看到這些整數(shù)序列，就像 Transformer 論文《Attention is All You Need》提到的思路，應(yīng)用 Transformer 對這數(shù)千個(gè)實(shí)體進(jìn)行處理。我們發(fā)現(xiàn)，實(shí)際上我們能夠泛化到第千零一個(gè)實(shí)體，但這仍是一個(gè)非常初步的實(shí)驗(yàn)。

我相信，如果我們擁有一種通用的描述語言，并且擁有大量不同類型的真實(shí)機(jī)器人和仿真機(jī)器人，我們可以對它們進(jìn)行標(biāo)記化、生成大量數(shù)據(jù)，這樣所有實(shí)體就可以形成一個(gè)「實(shí)體宇宙」（universe of embodiment），一個(gè)實(shí)體的向量空間，也許一個(gè)新的機(jī)器人就會(huì)落在這個(gè)分布之內(nèi)。

我還想補(bǔ)充的是，這不僅僅涉及技術(shù)方面的考量，而是一個(gè)非常現(xiàn)實(shí)的問題。各位硬件公司創(chuàng)始人都遇到過類似的問題，當(dāng)你有不同版本的機(jī)器人，但上一代的機(jī)器人上收集的數(shù)據(jù)和訓(xùn)練模型無法在 V2、V3 等新版本上泛化，性能顯著下降。同時(shí)，甚至在同一版本的機(jī)器人內(nèi)部，也會(huì)出現(xiàn)差異和微小缺陷，這就是來自物理世界的混亂，也是導(dǎo)致不同的機(jī)器人無法完美復(fù)制同一個(gè)模型的原因。跨代問題更為復(fù)雜，跨公司和不同設(shè)計(jì)的機(jī)器人也會(huì)面臨相同的問題。所以，這個(gè)問題很現(xiàn)實(shí)，而目前我們才在初期解決階段。

Aaron Saunders （Boston Dynamics）：但我認(rèn)為，現(xiàn)在的機(jī)器人硬件的多樣性差異不大。比如在人形機(jī)器人領(lǐng)域，各家都在使用類似的硬件平臺，基本上是在復(fù)制我們的人體結(jié)構(gòu)。在 Boston Dynamics，我們的夾持器（End Effector）只使用三根手指，這與追求完全擬人化手的趨勢相反。因?yàn)槲覀儼l(fā)現(xiàn)，人類能很容易適應(yīng)用三根手指操作，就像用五根手指一樣。可以讓一個(gè)遙操作員操作三指夾持器，經(jīng)過幾小時(shí)的訓(xùn)練，機(jī)器人幾乎能做到用五指才能完成的所有事情。

所以我認(rèn)為，這里有很大的探索空間。盡管目前各家機(jī)器人公司都在機(jī)器人硬件方面「打基礎(chǔ)」，但一旦實(shí)現(xiàn)模型的泛化能力，會(huì)出現(xiàn)更多不同于「擬人化」形態(tài)的機(jī)器人，這可能是好事也可能是壞事。我認(rèn)為最終我們可能會(huì)得到看起來足夠不同于人類、甚至讓人感到恐懼的機(jī)器人。但就夾持器而言，已經(jīng)存在如此豐富的機(jī)會(huì)空間，Agility 的夾持器也與其他人形機(jī)器人上看到的完全不同，但它們依然能完成一些相同的任務(wù)。所以，我認(rèn)為這將是未來幾年非常令人興奮的議題。

主持人：Jim Fan 剛剛提到同一款機(jī)器人在不同的場景、環(huán)境下可能表現(xiàn)不同，這是否意味著這是機(jī)器人硬件方面最大的挑戰(zhàn)？

Aaron Saunders （Boston Dynamics）：我想再次強(qiáng)調(diào)「工具箱」的重要性。如果你的機(jī)器人有很好的校準(zhǔn)方法，你清楚地知道如何表征它，并且做了很多扎實(shí)的工作，那么這些變異性（差異性）問題就不會(huì)那么嚴(yán)重了。所以，我認(rèn)為當(dāng)你面對一個(gè)無法表征、沒有校準(zhǔn)、差異大的機(jī)器人，然后隨便給它一個(gè)控制器——無論是 AI 策略還是其他什么——你會(huì)發(fā)現(xiàn)輸出有很大差異。但我相信現(xiàn)在我們可以做很多工作來最小化這個(gè)差距。

Pras Velagapudi （Agility Robotics）：是的，我認(rèn)為另一點(diǎn)是，當(dāng)你將機(jī)器人部署到真實(shí)世界進(jìn)行生產(chǎn)時(shí)，你會(huì)遇到許多變異性情況，并從中獲得經(jīng)驗(yàn)，再將經(jīng)驗(yàn)會(huì)反饋到訓(xùn)練流程當(dāng)中。例如，機(jī)器人 Digit 具有完全通過學(xué)習(xí)進(jìn)行的恢復(fù)行為。我們一直在真實(shí)世界中部署它，它已經(jīng)應(yīng)用在生產(chǎn)系統(tǒng)中。通過領(lǐng)域隨機(jī)化和數(shù)據(jù)多樣性，我們的機(jī)器人在面對這些變異性時(shí)表現(xiàn)得越來越穩(wěn)健。

Bernt B?rnich（1X）：當(dāng)你從幾百臺機(jī)器人擴(kuò)展到幾千臺時(shí)，你就必須面對這個(gè)差異化的問題，這是必然的。當(dāng)我們擁有數(shù)千或數(shù)十萬臺機(jī)器人時(shí)，不可能為每一臺調(diào)整軟件棧。所以我認(rèn)為這只是必然發(fā)生的事情。

我認(rèn)同你們的觀點(diǎn)，尤其是校準(zhǔn)的重要性。但我認(rèn)為更有趣的是，領(lǐng)域隨機(jī)化實(shí)際上是在讓機(jī)器人的系統(tǒng)保守，即告訴機(jī)器人「如果我不知道會(huì)發(fā)生什么，我最好保持安全」，這樣做掩蓋了機(jī)器人的動(dòng)力學(xué)特性。換句話說，領(lǐng)域隨機(jī)化可能讓機(jī)器人得到更為穩(wěn)健的結(jié)果，但不會(huì)得到最優(yōu)化的性能。最終，從長遠(yuǎn)來看，這種方法很重要。

Deepak Pathak（SkildAI）：我想從一個(gè)不同的角度來回答這個(gè)問題。無法跨版本更改模型是一個(gè)大問題，同時(shí)期望世界上只有一家公司擁有唯一的機(jī)器人，這是不現(xiàn)實(shí)的。就像汽車和手機(jī)行業(yè)一樣，存在多個(gè)制造商。而對于機(jī)器人領(lǐng)域，我們應(yīng)該讓機(jī)器人大腦能夠適應(yīng)不同的硬件平臺，就像英偉達(dá)GPU上的應(yīng)用開發(fā)平臺 CUDA 一樣，讓軟件從硬件細(xì)節(jié)中解耦，這將是機(jī)器人領(lǐng)域和其他領(lǐng)域的主要突破。

Aaron Saunders （Boston Dynamics）：我認(rèn)為機(jī)器人確實(shí)會(huì)產(chǎn)生「幻覺」。這種「幻覺」表現(xiàn)為機(jī)器人預(yù)期的結(jié)果與現(xiàn)實(shí)之間的偏差。這種偏差是可以驗(yàn)證的，就像代碼生成中的「幻覺」一樣，當(dāng)機(jī)器人執(zhí)行了一個(gè)不可行的軌跡時(shí)，就會(huì)出現(xiàn)這種偏差。

Deepak Pathak(SkildAI）：我認(rèn)為，交互能力是消除機(jī)器人「幻覺」的關(guān)鍵。如果沒有交互能力，幻覺就無法被消除。當(dāng)機(jī)器人能夠與環(huán)境進(jìn)行交互時(shí)，它就可以不斷糾正自己的認(rèn)知，這也是機(jī)器人與其他 AI 應(yīng)用之間的重要區(qū)別。

Bernt B?rnich（1X）：我們最近做了一個(gè)實(shí)際的例子。我們有個(gè)問題，在辦公室的廁所里，經(jīng)常沒人放下馬桶圈，我們用 Eve 機(jī)器人進(jìn)行了測試，結(jié)果它對馬桶圈是抬起還是放下的判斷完全隨機(jī)。這是一個(gè)很有趣的案例，也體現(xiàn)了機(jī)器人如何通過交互來獲得反饋，閉合反饋回路，真正做到從環(huán)境中學(xué)習(xí)。

Aaron Saunders （Boston Dynamics）：現(xiàn)在面臨的主要問題是，我們不知道如何在通用任務(wù)中做到這一點(diǎn)。我們可以為某個(gè)特定任務(wù)設(shè)計(jì)架構(gòu)，比如處理馬桶蓋。現(xiàn)在的問題是，如何將這個(gè)任務(wù)形式化，使得所有任務(wù)都基于現(xiàn)實(shí)世界。目前沒人知道如何做到這一點(diǎn)。在現(xiàn)實(shí)世界中學(xué)習(xí)的速度會(huì)非常慢。我們可以通過學(xué)習(xí)得出結(jié)論，因?yàn)橛泻蠊热缒愕袅藮|西，重力讓它下落，你能判斷出發(fā)生了什么不好的事情。但如果我們依賴物理機(jī)器人來探索，學(xué)習(xí)速度就更慢了。這又回到了數(shù)據(jù)混合的問題。你可以做很多小實(shí)驗(yàn)，但需要幾千次或幾百萬次才能獲得足夠的數(shù)據(jù)。所以，我認(rèn)為問題仍然是我們是否能承受產(chǎn)生真實(shí)世界數(shù)據(jù)的成本？

Deepak Pathak（SkildAI）：你還可以利用仿真技術(shù)。仿真同樣可以進(jìn)行交互，交互數(shù)據(jù)能兼顧兩者。

Aaron Saunders(Boston Dynamics) ：我同意，但仿真也確實(shí)需要更多的 GPU 算力支持。

04

三到五年內(nèi)，機(jī)器人將在現(xiàn)實(shí)世界普及

主持人 ：在未來兩到五年內(nèi)，大家認(rèn)為機(jī)器人領(lǐng)域未來的發(fā)展如何？

Bernt B?rnich（1X）：我認(rèn)為需要十年的時(shí)間才能真正實(shí)現(xiàn)機(jī)器人領(lǐng)域的突破或成熟。十年后，我認(rèn)為我們將經(jīng)歷類似于幾百年前電力普及時(shí)的社會(huì)變革，就像現(xiàn)在我們早上打開電燈已經(jīng)司空見慣一樣，未來數(shù)字和物理領(lǐng)域的勞動(dòng)力也會(huì)變得同樣普遍。

同樣，我們也會(huì)盡力爭取在五年內(nèi)實(shí)現(xiàn)，但確切的具體時(shí)間沒人知道，這取決于社會(huì)接納機(jī)器人的速度以及我們擴(kuò)大生產(chǎn)規(guī)模的速度。我們現(xiàn)在正處在機(jī)器人變得「有用」的臨界點(diǎn)上。我認(rèn)為我們目前已經(jīng)有了可以應(yīng)用于家庭的機(jī)器人產(chǎn)品。雖然這些機(jī)器人產(chǎn)品并不完美，還不能讓你完全不做任何事，但它們既有用又有趣。

而且，從這一點(diǎn)起，我們可以加速發(fā)展。希望它們不會(huì)像自動(dòng)駕駛汽車那樣，比我們預(yù)想的多花十年時(shí)間。不過，我確實(shí)認(rèn)為，三到五年內(nèi)，機(jī)器人會(huì)在大多數(shù)人中變得相當(dāng)普及。即使不是每個(gè)人都擁有機(jī)器人，但人們會(huì)認(rèn)識那些擁有機(jī)器人的人，它們會(huì)逐漸成為社會(huì)的一部分，從消費(fèi)者家庭到工廠、物流等各個(gè)領(lǐng)域。

Deepak Pathak（SkildAI）：機(jī)器人 AI 與 LLM 或 VLM 有顯著區(qū)別。LLM 需接近完美才能真正有用，而機(jī)器人 AI 無需完全解決問題即可發(fā)揮作用。如今，已有大量機(jī)器人在實(shí)際應(yīng)用中大顯身手，如制造產(chǎn)品等。機(jī)器人技術(shù)的關(guān)鍵在于任務(wù)分解，專用機(jī)器人將比通用機(jī)器人更早問世，且從一開始就非常有用，特別是在勞動(dòng)力短缺的領(lǐng)域。

Pras Velagapudi （Agility Robotics）：機(jī)器人技術(shù)的挑戰(zhàn)不僅在于技術(shù)本身，還涉及安全性、社會(huì)接受度等因素。自動(dòng)駕駛汽車早在 2015 年就能實(shí)現(xiàn)基本功能，但真正的普及仍需克服多重挑戰(zhàn)。未來三到五年，機(jī)器人數(shù)量在某些領(lǐng)域可能超出預(yù)期，而在其他領(lǐng)域則可能低于預(yù)期。

一點(diǎn)關(guān)鍵點(diǎn)是，機(jī)器人技術(shù)正從單一用途向多用途發(fā)展，盡管還不是通用型，但多用途已成為人們的期望。這種期望推動(dòng)了投資和精力的投入，也促使社會(huì)開始思考為什么不能擁有一個(gè)能完成多項(xiàng)任務(wù)的機(jī)器人，人們對這種技術(shù)的渴望是推動(dòng)行業(yè)發(fā)展的重要?jiǎng)恿Α?/p>

Aaron Saunders （Boston Dynamics）：目前人們對機(jī)器人實(shí)現(xiàn)時(shí)間的預(yù)測差異巨大，機(jī)器人公司的創(chuàng)始人可能說明年，而技術(shù)專家則認(rèn)為需要十年甚至更久。不同人對機(jī)器人的期望不同，比如汽車在極端天氣下也能運(yùn)行，但人形機(jī)器人帶來的生活價(jià)值卻難以衡量。

關(guān)鍵在于應(yīng)該關(guān)注機(jī)器人發(fā)展的速度和已取得的進(jìn)展。各機(jī)器人公司在不同領(lǐng)域建立了有意義的「灘頭陣地」，這些領(lǐng)域?qū)⒅饾u擴(kuò)大并相互重疊，但這需要時(shí)間。無人能準(zhǔn)確預(yù)測五年后的發(fā)展，但增長和領(lǐng)域交匯是必然的。

以自動(dòng)駕駛汽車為例，盡管自動(dòng)駕駛的實(shí)現(xiàn)比預(yù)期晚，但自動(dòng)車道保持等功能已逐漸普及，這些進(jìn)步源于對自動(dòng)駕駛的追求。同樣，人形機(jī)器人也會(huì)逐步發(fā)展。

只要社區(qū)保持熱情并持續(xù)投入，專用機(jī)器人將在一兩年內(nèi)實(shí)現(xiàn)商業(yè)價(jià)值。例如，Agility 等公司已在交付商用機(jī)器人，未來五年內(nèi)這些機(jī)器人將能完成更多任務(wù)。但要解決跨行業(yè)問題，仍需長期努力和夢想。整個(gè)行業(yè)需要幾十年的持續(xù)投入，才能解決所有邊緣案例。

Jim Fan （NVIDIA）：我非常認(rèn)同 Deepak Pathak 提到的「人們傾向于高估短期，低估長期」的觀點(diǎn)。

我認(rèn)為，在未來兩到五年內(nèi)，從技術(shù)發(fā)展的視角來看，我們有望系統(tǒng)性地揭示具身智能的 Scaling Law（Embodied Scaling Law）。這一領(lǐng)域目前仍處于探索階段，但如果我們回顧大型語言模型的發(fā)展歷程，Chinchilla Scaling Law 是一個(gè)值得深思的里程碑——它清晰地描繪了計(jì)算資源、數(shù)據(jù)量和參數(shù)規(guī)模之間的指數(shù)級關(guān)系：當(dāng)資源投入增加時(shí)，智能表現(xiàn)呈現(xiàn)出令人驚嘆的躍升。

但機(jī)器人技術(shù)的 Scaling Law 卻遠(yuǎn)比語言模型更復(fù)雜。它的縮放維度不僅局限于模型層面的擴(kuò)展，還涉及硬件集群（真實(shí)機(jī)器人數(shù)據(jù)）方面的規(guī)模化部署、仿真數(shù)據(jù)的生成效率，以及互聯(lián)網(wǎng)數(shù)據(jù)的整合能力。更值得注意的是，神經(jīng)仿真（neural dreams）作為一種新興的虛擬訓(xùn)練方法，其縮放潛力尚未被充分挖掘。

隨著仿真技術(shù)的進(jìn)步和大規(guī)模視頻生成能力的提升，我們或許即將迎來一個(gè)轉(zhuǎn)折點(diǎn)，到那時(shí)，我們能清晰地知道投入多少 GPU 資源會(huì)帶來怎樣的性能提升。

轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker