朱秋雨

在生成式AI爆发的2023年，有实力的科技厂商把一个赛道也带火了—人形机器人。

2023年12月，特斯拉发布了Optimus 2.0人形机器人演示视频。视频里，它不仅拥有灵活的手指，还能做瑜伽、夹鸡蛋。

这些进步让外界惊叹。要知道，人形机器人在过往，连加速跑、灵活跳跃都会让科技圈振奋。

小鹏汽车董事长何小鹏也在2023年10月“秀”了一把自己的实力。他在新车发布会上，宣布自研出了一个可以敏捷行走、会踢足球的类人机器人PX5。

那一天，他兴奋地对台下的观众谈畅想：“等我老了，机器人可以跟我一起打掼蛋，帮我换尿布了。”

听上去，科幻电影的场景很快就能在现实中实现了。但这些美好设想，在21世纪初，机器人产业飞速发展的日本、美国都提出过。那时也有人以为，智能机器人即将“占领”世界，重复、无聊的人类劳动，马上将被机器人取代。

事实倒是，发展了20多年，那些人类畅想的智能机器人，仍然没进入普通人的生活。

2023年，当人形机器人再度成为投资人眼里的大热点时，一个问题仍存：为什么产业发展了20多年，现在的机器人，看上去仍像智力不高、只能完成单一功能的机器。

为此，我去参观了两家国内年轻的机器人公司，分别与公司创始人、大学教授聊了聊这个新赛道。关于机器人如何发展的共识并不多，但一个可见的结论是，AI大模型正颠覆产业，催促众人争相追逐前方的不确定性。

对深圳市乐聚机器人董事长冷晓琨及同事的采访，经常会伴随嗡嗡的机械背景音。

冷晓琨刚满30岁，喜欢卫衣配球鞋，说话爽快，走路也快。2016年，在哈尔滨工业大学就读博士时，他与十余位校友在深圳创立了这家机器人公司。

如今，他们将人形机器人迭代了4版。最新的这一版，约1.4米高，重量约45公斤；有凶猛的胸肌以及与之协调的粗壮双腿，有点儿像高达。据称，这是“国内首款可跳跃，可适应多场地行走”的人形机器人。

他们叫它，“夸父”。

我去到时，“夸父”们正被开膛破肚，吊在天花板垂下的两条线上，由工程师做最后的调试。它们即将交付，订购者主要来自中国高校科研团队。

幕后研发人员告诉我，当下的难点是，如何让机器人做到走路既快又稳，同时行动灵活。

这是一个对人类而言非常简单的行为。但放到人形机器人领域，要想稳步行走的难度大。这是因为，人形机器人首先是双足机器人。而一些人体的运作规律，连人类自己都没完全搞清楚。比如，我们的大小脑是如何与四肢配合、稳住重心，让我们自如行走、旋转跳跃的？这些盲区让机器人的发展举步维艰。

更别提其中面对的各类工程问题。从续航能力看，目前人形机器人多数只能续航1—2小时，未来预测可以提升到20小时。而对比持续工作7—8小时的工人而言，人型机器人远未达到可用的程度。

尽管难度摆在面前，眼下，这却是受众人瞩目的赛道。

“人形机器人，2023年可以说是产业化的元年。”冷晓琨兴奋地对我说。

从2021年马斯克宣布造人形机器人Optimus开始，冷晓琨明显感到，越来越多人与钱涌入了昔日冷门赛道。

接着，2023年，ChatGPT和生成式AI的爆火，再次催熟了这个产业。人们开始相信，未来的机器人要长得像人，要有包括两只脚的四肢，这样它可以爬楼梯，也可以适应各种地形条件和生活场景。

国内最出圈的创业者，是有250万粉丝的B站UP主稚晖君（彭志辉）。他在2023年宣布从华为辞职，创业做人形机器人。仅仅用了10个月，“稚晖君”的智元机器人已经估值约40亿元。

一切的火爆與追随，都源于一种全新的相信—在软件层面，当AI可以被训练得像人一样智慧时，这一进步说不定也能被转移到它的实体—机器人上。

“从2016年我创业做人形机器人时，我就一直被别人问，‘这玩意到底能干什么？’”冷晓琨回忆。

他曾在回答这个问题时一度语塞—个人的技术信仰很难回应外界的疑问。“现在，不用我说，大家都能知道它可以干什么了。”

“90后”邱迪聪也在2023年，从某自动驾驶公司技术副总裁（VP）职位离职，加入创业大军。

新公司在2023年4月成立，坐落在香港科技大学（广州）的实验室。地方不大，但透明敞亮。

对比做人形机器人，邱迪聪选择了从更简单的移动机器人入手。他目前的机器人demo，有一只机械臂，专门服务于超市补货场景。表面看，这个机器人的外观与过往的工业机器人无异，但邱迪聪兴奋地告诉我，机器人的发展范式即将发生改变。

他做的雅可比机器人，最大的亮点是可以听懂人的语言，与人进行交互并完成简单任务。

“这也许是（创业）最好的时间点。”谈及有点冒险的决定时，他非常坚定地说。

“更早以前，做机器人连技术通路都没有，前路充满不确定性。”而过去这一年AI的智能涌现，让业内人士包括邱迪聪有了奋身前进的方向。

他在全球知名的机器人院校—卡内基梅隆大学博士毕业，非常清楚这些年的变化。要想弄清楚现在，他在白板上画了一张思维导图，和我解释过去。

传统的机器人包括三个部分：感知、决策、执行。这些分别对应着人类的感官、脑和肢体三部分。

过去，要想驱动机器人行动，工程师必须使用闭源数据集，训练机器人感知。同时，程序员还要预先写好大量代码，帮助机器人决策和规划，最后，驱使机器人行动。

这个办法耗费大量人力，机器人能做的事还十分有限，经常被嘲笑为“人工智障”。

如今，它被一套新的思路颠覆了。邱迪聪说，AI涌现智能后，业内想将大模型（LLM）理解语言和推理的能力搬到机器人的大脑（决策）系统里。

这种能力是什么？

“人面向没见过的东西，不会傻愣或者死机，而是进一步做很多猜想、推理，这叫开放认知。”他解释说。

开放感知加上开放的决策能力，结合在小脑（执行）部分的创新，给机器人行业带来了新变化。

“这是一套新的技术路线，让机器人从封闭的感知走向全开放的世界。这在过去是不可能发生的。”邱迪聪表现得依然很兴奋。

新思路让机器人产业盎然向上，但深耕产业多年的人都清楚，眼下像登山般终于见到了前方的一座山峰，但究竟怎么走、怎样更快抵达，一切仍是未知的。

邱迪聪在香港科技大学（广州）的公司摆了两排货架，上面放着可乐、雪碧、维他奶等饮料，就像一个简易的便利店。平日里，白色的、拥有底座的机器人在“便利店”里来回熟悉环境，听人的语言指令，取相应的货物。

他们的目标是，训练出区别于工业机器人的智能体。“以前的工业机器人，一般只会识别一种零部件，”邱迪聪说，“人也不敢轻易靠近，因为可能引发机器人的错误识别。”

但现在，他们想要的是智能机器人。这意味着，机器人时刻能理解和认知环境，“人看到它也不用绕路走，它可以自己规划路线、解决问题”。

只是，理解和认知环境—这一对人类极自然的事情，却是机器人领域最大的难题之一。香港城市大学机械系助理教授殷鹏用自动驾驶汽车类比，和我说明造机器人的难度。

走在马路上的自动驾驶汽车，经常面对的是从一地到另一地，从A点到B点的问题。但要做一个走入人类生活的机器人，需要认识的环境复杂程度远高于路面。

殷鹏举例和我解释：“不同的家庭，它的结构、装修风格完全不同，光照条件也非常不同；室内环境和室外又不一样；屋子里面的动态障碍物，也会干扰机器人的判断。”

这些难题之所以在机器人行业存在多年，还有一个更重要的前提—机器人不具有像人类一样的常识。人类很多天生的能力，在机器人这荡然无存。

殷鹏把这些能力概括为感性认知。他说，即使当下大模型可以通过拍照、多模态等方法，告訴机器人眼前为何物，但机器人始终无法理解真实的空间。

“比如我距离你近或者远，它没有概念；一个东西的硬度、刚度，它都没有感觉，只能依靠数据的标注。”殷鹏说。

如果再概括地说，机器人缺的是一种“非数据化的、抽象的概念的理解，也就是对这个世界的理解”。

这也是为何，2023年，无论在业界还是学界，都在为ChatGPT等生成式AI心潮澎湃。“通过与ChatGPT交流，我们确实感到它有智力，这不是单单线性公式可以实现的。”殷鹏解释。

因此，学界想把ChatGPT的智能更往外扩，让它跟物理世界建立关联。

邱迪聪也认可这样的思路—用AI驱动实体机器人认知世界，也就是学界常说的“具身智能”。

但真正投入这片蓝海时，他发现，如今核心的问题来自整个系统的协调性。那就是，即便他们成功让机器人拥有了像ChatGPT一样聪明智慧的大脑，但如何让大脑与机器人的感知、执行的两个部分衔接，又是另一个难题。

这便是AI在虚拟世界和物理世界的能力差距。

比如，“今天，如果你想吃雪糕了。”邱迪聪和我举例，“你可以告诉ChatGPT说，你给我拿雪糕，ChatGPT能听懂。”

“但问题是，它要如何驱动其他部分，真的去打开冰箱给我拿雪糕呢？”

面对上述核心且关键的问题，各家公司有各自的解法。

走在最前沿的马斯克人形机器人Optimus，提出了 “端到端”（End to End）的模式。比起将机器人模块化地分为三部分，特斯拉更倾向于将这三部分当做一个整体，输入原始数据就可以得出最终结果，相当于用数据引导行动。

这是一个风险性与实验性并存的激进方法。邱迪聪告诉我，“端到端”模式最大的特点，那就是“黑匣子”。当AI模型操纵整个系统，“端到端”地输出结果，一旦遇到问题，“很难找到出错的原因”。

这也是特斯拉等人形机器人公司一直以来面临的争议。英国《每日邮报》在2023年底爆料称，美国得克萨斯州特斯拉汽车的工厂，曾发生一起残暴血腥的事故，一名工程师遭到机器人袭击。一位代表特斯拉合同工人的律师还揭露，该工厂的受伤人数被瞒报了。

殷鹏也认为，如同自动驾驶当下的处境，安全性会是人形机器人落地的一大阻碍。

这里面，难度指数取决于场景的复杂程度。

“把机器人放在无人的工厂里，会是一个难度量级，而把机器人放在有人的工厂，又是一个量级，放在生活家居场景，又是更高一层的难。”

他认为，当机器人最终形态是协助人类、陪伴人类时，我们不能忽略它是具有大扭矩的机器。“当你身边充斥机器人的时候，如果程序出现紊乱，对人动粗，或者黑客黑进去远程操纵它，你觉得一般人能抵抗得了吗？”他问我。

一位机器人赛道投资人表示，她在观察这一新兴领域时，会着重观察公司在细节上的交付能力，否则没有客户愿意为产品买单。这主要是因为，硬件在场景解决上的容错率很低，“这可能是涉及硬件的AI和纯软件AI最大的区别”。

也因此，包括冷晓琨等上述受访业界人士对我表达了一个共识—当下距离具身智能机器人充斥人类生活的未来，还有一段距离。各家机器人公司如今准备从简单且有需求的场景切入，慢慢迭代，再逐渐让机器人进入复杂的场景，与人类共存。

冷晓琨将他的人形机器人发展之路分为三个阶段，预计5年内实现。首先，乐聚将产品交付给高校，接下来会切入特种、物业等简单场景领域。第三阶段，让复合型的机器人进入家居场景。

他为这个美好的未来提了一个口号：“让机器人像博士一样聪明，像家电一样便宜。”

殷鹏却认为，等待技术成熟，至少仍要10年左右。其中的一个关键，便是真实场景的数据十分稀缺。各家公司只能在实际落地中，积累更多数据，不断迭代技术。只有这样，机器人才能更好地处理现实生活中极端的长尾场景（corner case）。

好消息是，对创业公司和追赶者而言，前方的赛道胜局未定。谁都有超越的可能。

“数据虽然重要，但光有佐料也不行，” 殷鹏说，“巨头特斯拉有数据归有数据，但还缺一个高级的大厨，把这些数据用起来。”

“这需要一套非常合理且优雅的算法。”他告诉我。

现在，这个优雅算法，大家都在尝试突破。