芯耀
2704
作者 |??香草，編輯?|??李水青
2024年，機器人真的要接管人類了？
2024年剛過去三周，AI+機器人賽道就迎來爆發(fā)式開局！前有斯坦福機器人大秀廚藝烹飪“滿漢全席”，后有特斯拉擎天柱化身保姆將T恤疊成“豆腐塊”，還有兩家創(chuàng)企的機器人比賽起了煮咖啡。
這邊OpenAI支持的機器人企業(yè)1X剛宣布5億美元融資，那邊創(chuàng)企Figure就宣布旗下機器人入駐寶馬汽車工廠。這似乎印證了英偉達高級科學(xué)家Jim Fan去年年末的一條預(yù)測：2024年將成為機器人爆發(fā)的一年，其重要程度僅次于大型語言模型（LLM），“我們距離物理AI智能體的ChatGPT時刻還有3年?！?/p>
▲Jim Fan稱2024年機器人的重要性僅次于LLM（圖源：X）
然而，機器人企業(yè)“狂歡”之下，其宣傳視頻的真實性、機器人產(chǎn)品的實用性等也引發(fā)了爭議。不少網(wǎng)友指出，這些演示似乎存在剪輯等方面的誤導(dǎo)性工作。
那么具體來看，AI機器人現(xiàn)在都能做些什么？五花八門的行為背后究竟是自主執(zhí)行，還是人為操控？AI機器人賽道目前的發(fā)展處于什么階段？在落地層面還面臨哪些痛點？智東西與開普勒探索機器人首席執(zhí)行官胡德波，優(yōu)必選聯(lián)合創(chuàng)始人、首席技術(shù)官兼執(zhí)行董事熊友軍等從業(yè)者進行了深入交流，尋找這些問題的答案。
胡德波談道，AI機器人最可能先落地的場景主要集中在簡單重復(fù)的、相對可控的任務(wù)上，包括工業(yè)制造場景、倉儲物流場景以及一些危險性的場景等。他認(rèn)為調(diào)用云端大模型所帶來的實時性問題，是落地層面目前最大的痛點。
談到AI機器人落地的痛點，熊友軍從數(shù)據(jù)、場景、安全性以及遷移成本等方面進行了分析。例如現(xiàn)有的訓(xùn)練數(shù)據(jù)大多基于桌面，與實際場景中的應(yīng)用有很大差距，大模型的不可解釋性可能導(dǎo)致類似于語言模型中的“幻覺”等問題。
01.烹飪、煮咖啡、疊衣服斯坦福谷歌特斯拉花式開“卷”
如果說在去年年末，預(yù)告2024年將成為“機器人之年”還只是空喊口號，那么今年以來，斯坦福、谷歌、Figure、特斯拉在不到一個月的時間內(nèi)接連發(fā)布了6項以上的新演示或新進展，則為這一觀點提供了有力的論據(jù)。先是1月4日凌晨，來自斯坦福大學(xué)的三人團隊放出了基于Mobile ALOHA系統(tǒng)的機器人演示視頻，展示了機器人如何完成復(fù)雜的移動操控任務(wù)，無論是烹飪、清潔桌面，還是按電梯按鈕并乘坐電梯，都不在話下。
團隊開源了Mobile ALOHA系統(tǒng)的全部軟件、硬件和數(shù)據(jù)，從材料清單來看，硬件成本共約3.18萬美元，折合人民幣約22.8萬元。
▲Mobile ALOHA硬件材料清單（圖源：Mobile ALOHA團隊）
據(jù)介紹，Mobile ALOHA是一種用于數(shù)據(jù)收集的低成本全身遠程操作系統(tǒng)，在訓(xùn)練過程中，每項任務(wù)只進行了50次演示，其中的關(guān)鍵在于使用Mobile ALOHA收集的數(shù)據(jù)執(zhí)行監(jiān)督行為，與靜態(tài)的ALOHA數(shù)據(jù)協(xié)同訓(xùn)練，可將成功率提高90%。ALOHA則是一個用于雙手遠程操作的低成本開源硬件系統(tǒng)，由來自斯坦福、UC伯克利、Meta等機構(gòu)的團隊發(fā)布于去年3月，Mobile ALOHA是在其基礎(chǔ)上的迭代。
Mobile ALOHA一經(jīng)發(fā)布便火爆全網(wǎng)，而不到24小時之后，谷歌DeepMind就在1月4日深夜連發(fā)三項新進展AutoRT、SARA-RT和RT-Trajectory，用于提升機器人的速度、數(shù)據(jù)收集以及泛化能力。這三項新進展都基于DeepMind的RT-2模型（Robotics Transformers），這是一種視覺-語言-動作（VLA）模型，可以從網(wǎng)絡(luò)和機器人數(shù)據(jù)中學(xué)習(xí)，并將學(xué)到的知識轉(zhuǎn)化為機器人控制的通用指令。
AutoRT是一種用于機器人智能體（Agent）大規(guī)模編排的具身基礎(chǔ)模型系統(tǒng)。機器人首先利用視覺語言模型（VLM）進行場景理解，將描述輸入至大型語言模型（LLM）以得到自然語言指令；隨后在另一個名為“機器人憲法”（Robot Constitution）的LLM的指導(dǎo)下，完善指令以實現(xiàn)更安全的行為。
▲AutoRT工作原理（圖源：DeepMind）
其中，機器人憲法包含三類規(guī)則，分別是基本規(guī)則，機器人不得傷害人類；安全規(guī)則，機器人不得嘗試涉及人類、動物或生物的任務(wù)，機器人不得與鋒利的物體（例如刀）互動；具身規(guī)則，如機器人只有一只手臂，則無法執(zhí)行需要兩只手臂的任務(wù)。據(jù)介紹，在7個多月的實地評估中，AutoRT系統(tǒng)可同時安全地協(xié)調(diào)至多20個機器人，收集了包括6650個獨特任務(wù)的7.7萬次機器人試驗。
SARA-RT提出一種自適應(yīng)魯棒注意力機制，在不損失質(zhì)量的前提下將RT模型改進為更高效的版本。在提供簡短的圖像歷史記錄后，最好的SARA-RT-2模型比RT-2模型準(zhǔn)確率高10.6%，速度快14%。
RT-Trajectory是一種通過事后軌跡草圖概括機器人任務(wù)的模型，用于提升機器人的泛化能力。它獲取訓(xùn)練數(shù)據(jù)集中的每個視頻，并在執(zhí)行任務(wù)時將其與機器人手臂夾具的2D軌跡草圖疊加，從而提供實用的視覺提示。在對訓(xùn)練數(shù)據(jù)中未見過的41個任務(wù)進行測試時，由RT-Trajectory控制的機械臂任務(wù)成功率達到63％，而RT-2僅為29％。
1月7日，創(chuàng)企Figure發(fā)布了一則機器人Figure 01煮咖啡的視頻，并強調(diào)該機器人使用端到端的AI系統(tǒng)，僅通過觀察人類煮咖啡，即可在10小時內(nèi)完成訓(xùn)練。
據(jù)稱，F(xiàn)igure 01的神經(jīng)網(wǎng)絡(luò)接收視頻訓(xùn)練，輸出運動軌跡。它還學(xué)會了自我修正，如當(dāng)濃縮咖啡沒有擺正時，它會將其調(diào)整到正確的位置。
融資方面的進展也沒落下，1月11日，OpenAI支持的AI和機器人公司1X宣布完成1億美元B輪融資，投資方包括三星NEXT基金、瑞典私募股權(quán)基金EQT等。資金將主要用于將其第二代雙足人形機器人Android NEO推向市場，以及對現(xiàn)有企業(yè)客戶在物流和保安方面的支持。NEO專為日常家庭協(xié)助而設(shè)計，為消費市場中的各種家務(wù)任務(wù)提供多功能支持。
沒過幾天，人形機器人界的“頂流”擎天柱（Optimus）也來湊熱鬧。1月16日，馬斯克發(fā)布了一則擎天柱疊衣服的視頻，瞬間點燃了社交網(wǎng)絡(luò)，瀏覽量超過7100萬次。視頻中，擎天柱從身邊的筐中取出一件T恤，兩三下就把它疊成了“豆腐塊”。
1月18日，F(xiàn)igure宣布與寶馬簽署商業(yè)協(xié)議，機器人Figure 01將進入寶馬工廠，在汽車制造過程中“自動執(zhí)行困難、不安全且乏味的任務(wù)”。1月20日，一家來自中國的創(chuàng)業(yè)公司MagicLab發(fā)布了一個人形機器人空翻的視頻，據(jù)稱是電驅(qū)動的人形機器人首次實現(xiàn)空翻。除此之外，MagicLab還展示了這款機器人煮咖啡、做拉花的過程。
02.虛假宣傳or真才實學(xué)？爆火之下真實性、實用性惹爭議
不得不說，開年三個星期，產(chǎn)學(xué)研界都在“狂卷”AI機器人。然而，這些新成果在爆火刷屏的同時也引發(fā)了一些爭議，如演示是否真實、機器人系統(tǒng)是否真的實用等。在Mobile ALOHA演示視頻發(fā)布后，除了贊許外，評論區(qū)也有不少質(zhì)疑的聲音。彭博社專欄作家Karl Smith評價道：“抱歉，我不認(rèn)為這些蝦被完全煮熟了。這又是一場Gemini Ultra式的演示?！?/p>
▲網(wǎng)友質(zhì)疑演示視頻的真實性及機器人的實用性（圖源：X）
說句題外話，看來谷歌在Gemini演示視頻中靠剪輯“造假”的行為確實令人印象深刻，“Gemini式演示”儼然成了一個新的形容詞?！暗牵ㄗ龅牟耍┪兜廊绾?？”開發(fā)者Nick Dobos說。
▲網(wǎng)友質(zhì)疑機器人烹飪的實用性（圖源：X）
網(wǎng)友Sarah Roark質(zhì)疑它是由人類遠程操控的：“需要明確的是——這確定不是遠程操控嗎？”
▲網(wǎng)友質(zhì)疑機器人是否為自主模式（圖源：X）
面對這些質(zhì)疑，尤其是對自主模式和遠程操控的爭議，Mobile ALOHA團隊很快在1月6日發(fā)布了一個機器人“翻車”合集進行澄清。實際上，斯坦福同時發(fā)布了多個Mobile ALOHA演示視頻，其中作者之一Zipeng Fu發(fā)布的視頻為自主模式下的操控。
而另一作者Tony Z. Zhao發(fā)布的做“滿漢全席”的演示視頻，則是在混合模式下由人類遠程操作完成，但有很多人誤以為全部的演示都是在自主模式下完成的。
▲混合模式下的Mobile ALOHA（圖源：X）
在澄清視頻中，團隊展示了自主模式下，機器人犯過的一些“愚蠢的錯誤”。比如，你以為它能優(yōu)雅地拿起高腳杯，實際上“手滑”過不少次：
炒好的蝦本該倒入碗中，卻倒在了桌面上，鍋還被燒焦了一半：
炒蝦的過程中，鍋鏟子也時常拿不穩(wěn)：
不過在失誤合集的視頻發(fā)出后，網(wǎng)友們不僅沒有落井下石，反而紛紛表示鼓勵?！案兄x分享這些。許多人看到之前的視頻并認(rèn)為機器人是完全自主的，但實際上它是遠程操作的。正如這個視頻所示，自主模式要困難得多！”網(wǎng)友Phil Trubey說。Tony Z. Zhao也回應(yīng)道：“這確實是混合模式，我們真的希望人們可以訪問該項目網(wǎng)站并閱讀論文/代碼！”
“我更喜歡這個視頻，因為它展示了背后的努力和進步。”網(wǎng)友Kevin Hu贊許這種真誠展示背后失誤的行為。
日本創(chuàng)意工作室taziku首席執(zhí)行官田中義弘說：“它并不完美，但換句話說，它可愛又討人喜歡。”
而擎天柱這邊，有眼尖的網(wǎng)友發(fā)現(xiàn)它的右下角似乎有一只手正在遠程控制移動。
馬斯克則是第一時間在評論區(qū)補充：“擎天柱目前還不能自主執(zhí)行疊衣服的操作，但未來肯定能夠在任意環(huán)境中完全自主執(zhí)行此操作（不需要帶有只有一件襯衫的盒子的固定桌子）?！?/p>
▲馬斯克強調(diào)擎天柱非自主完成操作（圖源：X）
和Mobile ALOHA一樣，擎天柱的疊衣服展示也遭到了實用性方面的質(zhì)疑。有網(wǎng)友說：“我媽媽可能已經(jīng)趕走它然后說：太慢了，還是我來吧。”
“它像ALOHA機器人一樣進行遠程操作……在我看來，擎天柱的最大問題是成本?！盇I創(chuàng)企Abacus首席執(zhí)行官Bindu Reddy說。
還有網(wǎng)友覺得它的速度太慢了：“當(dāng)他們試圖統(tǒng)治世界時也會這么慢嗎？如果是這樣的話，我就不用再像以前一樣擔(dān)心終結(jié)者了?！?/p>
03.數(shù)據(jù)少、場景多、實時性差具身機器人落地還要攻破這些難點
這些演示雖然或多或少包含了炒作、包裝的成分，但不可否認(rèn)的是，它們對具身智能機器人這一賽道都做出了不少貢獻。一方面，演示視頻的爆火使得更多人關(guān)注到這個領(lǐng)域；另一方面，它們也展示了在精細的物理操作、低成本解決方案等方面的潛力。對于斯坦福Mobile ALOHA團隊放出的失誤視頻，開普勒探索機器人首席執(zhí)行官胡德波告訴智東西，這不能看作是“翻車”，而是成功背后的必然經(jīng)歷。他認(rèn)為，Mobile ALOHA之所以爆火主要是因為激發(fā)了大家對于機器人在家務(wù)場景中應(yīng)用的期待。在技術(shù)層面，它最大的貢獻在于物理操作的精細程度。做飯、澆花、洗衣服……Mobile ALOHA展示了機器人進入家庭所需要的解決這些瑣碎任務(wù)的能力。
優(yōu)必選聯(lián)合創(chuàng)始人、首席技術(shù)官兼執(zhí)行董事熊友軍同樣認(rèn)為這并不是一種“翻車”，而是技術(shù)發(fā)展的必然過程。在真實場景中通過遙控等方式來收集數(shù)據(jù)，能夠為以后的機器人訓(xùn)練打基礎(chǔ)，提供更高效的解決方案。談及Mobile ALOHA的主要貢獻，他認(rèn)為這個系統(tǒng)展示了一種低成本的解決方案，如網(wǎng)絡(luò)攝像頭、筆記本電腦等硬件的選取。并且它目前仍處于Demo階段，如果未來投入量產(chǎn)，成本將會更低。如果用GPT模型的迭代來比喻，胡德波認(rèn)為AI機器人目前的發(fā)展階段大概相當(dāng)于GPT-2。
具體來說，現(xiàn)階段的機器人已經(jīng)展現(xiàn)出一些智能性和自主性，能夠?qū)W習(xí)并自主完成一些簡單的操作，即機器人的智商得到了顯著的提高。但目前，還沒有像GPT-3一樣能夠大規(guī)模解決問題、形成大量用戶并成為現(xiàn)象級產(chǎn)品的機器人出現(xiàn)。在落地層面，胡德波認(rèn)為最大的痛點在于實時性。由于調(diào)用云端大模型的響應(yīng)時間可能達到秒級，對于需要實時操作的機器人來說，這樣的時延是難以支撐其部署到場景當(dāng)中的。除此之外，熊友軍告訴智東西，數(shù)據(jù)、場景、安全性和遷移成本也是許多企業(yè)面臨的痛點。
訓(xùn)練大模型，首先面臨的就是數(shù)據(jù)收集的問題。訓(xùn)練機器人模型所需要的數(shù)據(jù)不同于訓(xùn)練大型語言模型，不僅需要文本語料，還需要大量的圖片、真實的場景等數(shù)據(jù)。而場景方面，由于現(xiàn)實中的物理環(huán)境非常復(fù)雜，現(xiàn)有的訓(xùn)練大多都基于桌面，距離實際落地到生活中差距還很大。
安全性方面，由于大模型是黑箱操作，很多行為都不具有可解釋性。在語言模型中，如果出現(xiàn)錯誤等“幻覺”問題，可能只是會誤導(dǎo)用戶，而機器人模型一旦出現(xiàn)錯誤，則有可能對環(huán)境或人類產(chǎn)生危害，造成不可挽回的后果。
最后，從訓(xùn)練遷移到真實場景的成功率仍然很低，需要很多工程師花費大量精力去解決這些問題，因此遷移成本很高，要達到99%以上的準(zhǔn)確性和可靠性還有很長的路要走。雖然AI機器人落地仍面臨諸多難題，但熊友軍對此也持樂觀態(tài)度。
AI機器人賽道關(guān)注度高，獲得了諸如前文所述的很多公司、資源投入，再加上AI技術(shù)的飛速發(fā)展，這兩年所取得的進度比過去十年都要多?？偟膩砜?，胡德波談道，AI機器人最可能先落地的場景主要集中在簡單重復(fù)的、相對可控的任務(wù)上。一是制造場景，其中包含大量輔助性的、相對比較簡單的工作；二是倉儲物流場景，包括分揀、搬運等一些重復(fù)性的體力勞動；三是危險場景，如核電站、化工廠、軍工廠等地的巡邏巡檢。
04.結(jié)語：機器人“接管人類”為時尚早
能自主做飯清潔疊衣服的機器人固然吸引眼球，不過冷靜下來再看，我們會發(fā)現(xiàn)這些機器人仍需要人類遠程操控，在完全自主的模式下則表現(xiàn)得“笨手笨腳”，離真正的智能還有一定距離。數(shù)據(jù)、場景、安全性等問題仍是機器人的“致命弱點”，欣慰的是，我們已經(jīng)看到DeepMind等機構(gòu)在這些方面取得了更多進展。無論如何，企業(yè)和機構(gòu)的“卷”是件好事，我們期待在2024年看到AI機器人學(xué)會更多技能，在進入工業(yè)、家庭等場景的路上走得更遠。
下載ECAD模型
