人形机器人的理想与现实

李开复曾提到过一个AI界流传的“骗子又来了曲线”。人会不断给机器进行“是否具有人类智能”的鉴定，而这个过程，总是从被人工智能在某些领域的惊艳表现震撼，到逐渐认识到当时的人工智能还有各种局限，以至于产生巨大心理落差。

近来，人形具身智能机器人在WAIC世界人工智能大会上密集亮相，我们在现场所感受到的就是“人类要毁灭了”与“骗子又来了”，两种声音同时存在的复杂现象。

具体来说，认为“人类要毁灭了”，大多是不明觉厉的普通观众，而冷静甚至不看好人形机器人的多为AI、机器人领域的业内人士。

比如猎豹移动董事长兼CEO、猎户星空董事长傅盛就表示，“机器人在今年的展厅里是爆发了，但在日常生活当中，我们并没有看到它在哪个地方被大规模用起来。机器人行业的产业爆发还远远没有到来……对人形机器人的不看好一定会被时间证明”。

这两种心态，究竟哪一种才代表人形机器人产业的真相呢？

其实并没有什么真相。不同的心态，是由不同的判定标准而产生的。大众、从业者和技术专家，都有一张“我心中的人形机器人”打分表，评价尺度各不相同。

而关于人形机器人的期待，在人形、大模型、具身三个标准上，大众的预期、媒体的宣传、产业的实际进展等都有比较大的分野。这构成了当前，人形机器人的理想与现实。

“变形金刚”的理想与现实

“他们怎么不动啊，不表演有什么必要插电源？”

“插电亮着好看。”

本届WAIC最吸睛的，就是中央展厅的“十八金刚”了。18个人形机器人同台而立，几乎每个参观者都聚集在展台前打卡拍照，在展台旁边，我听到了这段对话。

大众理想中，人形机器人就是变形金刚、机甲战士那样，走路又稳又快，行动灵活，随意移动，无论是工厂上班、护理老人还是投递包裹，都手拿把掐。

但产业现实中，WAIC上的人形机器人大多数时间都待在展台上，在特定时间表演一些拿苹果、端杯子之类的手部动作，特斯拉的机器人甚至始终待在玻璃展柜中一动不动。和全场溜达的机器狗相比，人形机器人显得“内向”很多。

由此可见，到底需不需要“双足行走”，成了目前公众和从业者对人形机器人，最大的认知差异。

总的来说，双足人形机器人是“机器人的皇冠”，是终极方向，才是大众期待的“变形金刚”。

但至少要走过三步：双足行走、执行复杂任务、规模商用。

而目前，仅仅是第一步“双足行走”，在技术和商业上都并不是最佳状态。

一方面，稳定的行走，需要系统拥有极高的鲁棒性。

机器人在面临各种异常情况和输入时，仍然能快速通过运动控制模块调整姿态，保持正常运行。

要提升系统的鲁棒性（或者说稳健性），依赖于机器人与人类、物理世界的真实交互，来积累高质量数据。如果遇到训练环境中没有出现过的问题，机器人就可能出现异常或“死机”，系统研发效率是比较低的。

另外，商业上“双足行走”也并不是刚需。

比如特斯拉、Figure等都宣布要让人形机器人“进厂打工”，从事电池分拣等工作。但实际上，制造环节80%以上生产作业动作，其实很少用到下肢，用到躯干，主要是靠手来完成的。这种上肢为主的简单系统，可以减少控制难度，降低投入成本，并且更容易规模化量产，因为只需要将最重要的一部分功能（手部）进行复制。一旦加上四肢、躯干，控制难度、续航、成本都会大幅提升。

所以，目前能够规模化应用的机器人形态，都是以机器狗、机械手等单一、极简形态。满足大众期待的“变形金刚”，要在迈过很多步之后，才能带来极大产业效应。

几年之内，我们应该都会更常在展台和展柜中看见人形机器人，而非零距离互动。

大模型的理想与现实

“现场机器人好多，我都感觉主题有点跑偏了”，一位计算领域的从业者对我说道。

智能机器人在人工智能大会上遍地开花，根本逻辑是——大模型为具身智能开启了新的解决方案的大门。

传统的人工智能系统，受限于缺乏先验知识，理解力与泛化能力捉襟见肘，导致机器人难以像人类一样拥有基本的常识判断能力，这严重制约了高级别具身智能的发展。机器人执行任务时，往往需要人类工程师将复杂指令拆解为一系列简化的、程序化的步骤，再由机器人（如机械臂）逐一执行。显然，这种“智能水平”并不算很高，还需要人来做大量的代码和开发工作。

理想中，大模型会为人形机器人的“智能水平”，带来颠覆性的变革。

大模型相较于传统机器学习方法，拥有更加强大的泛化能力，可以为人形机器人的大量任务，比如复杂任务解析、流畅连续对话、零样本推理等，提供全新的解决方案。

举个例子，告诉人形机器人“我饿了”，它会自动分析这句话背后的需求，并拆解为可执行的具体动作，通过观察物理环境，从冰箱里拿出一个苹果给你吃，不需要人来拆分指令。

但现实中，大模型给人形机器人带来的变革，仍然停留在初级的“自然语言交互”。

目前绝大多数人形机器人，更多是拥有了类ChatGPT的“嘴”。这种结合，虽然能提供更自然生动的交互体验，但只是将现有的语音交互进行了升级，并非“端到端”任务执行能力的颠覆式突破。

无需人工参与的高度自动化，为什么有了大模型也没能快速实现呢？

究其根本，机器人是一个非常复杂的学科，涉及精密机械、自动控制、电气电子、计算科学，最后呈现出一个非常复杂智能机电一体化系统。

从有监督机器学习到大语言模型，是计算领域的技术突破，可以在交互、规划、决策等环节发挥作用。然而，从机械化到高度自动化，人形机器人的再进化，还需要感知技术、驱动与传动技术、万兆网络等的技术和资源支持。

国产机器人崛起的理想与现实

“美国公司负责忽悠概念，中国公司负责让机器人落地、商用，把价格打下来，让人人实现机器人自由。”

此次WAIC大会，国产人形机器人的表现确实要比海外公司亮眼很多。无论是特斯拉、谷歌，在机器人的展示上都堪称乏味。而国产人形机器人不仅批量化、大规模出现，而且展现出了在很多具体场景中的商用能力，比如做饭机器人、电信机器人、家政陪伴机器人等。

那么，这是不是意味着国产人形机器人厂商会很快崛起呢？

我们当然希望这一天能尽快实现，但目前来看现实还有不确定性。

数据层面，特斯拉、谷歌等科技巨头，在自动驾驶领域有多年积累，可以将足够多的空间数据喂给模型，解决人形机器人在复杂空间中的学习问题，从而更好地进行迭代学习。而在WAIC现场，我们看到的大多数国产人形机器人厂商的业务面还比较孤立，百度、商汤等数据积累面广的AI公司，则更多聚焦在汽车形态的智能机器人。这意味着，解决人形机器人的数据问题，还有赖于产生生态化、产业化、多方共建的解决方案。

算法层面，类GPT-4o能力的国产多模态大模型还比较稀缺，这使得人形机器人通过视觉、音频等多维度数据来识别地图和复杂场景的能力，大大受到限制。目前，海外产学界已经在多模态大模型上系统性发力。比如OpenAI基于GPT-4o为Figure 01构建了一个具身智能AI模型，谷歌推出了多模态具身视觉语言模型PaLM-E。加州大学伯克利分校推出了LM Nav，来实现硬件本体、运动小脑、决策大脑三部分逐渐融合。目前来看，国产基础大模型还有一段路要追赶。