仿人機器人時代已成現實

本月早些時候，在中國福建一所高中的畢業典禮上，一個名叫雙雙的仿人機器人上台領取了一張外交證書，雙手緊握，引發了學生和老師們的喜悅。類似這樣的時刻標誌著一個有意義的轉變，因為仿人機器人越來越多地以可見的方式進入公眾生活。

這些事件反映出的不僅僅是一時的好奇心，而是真正邁向與現實世界融合的信號。這篇文章將探討人型機器人如何從單純的觀賞工具進化為功能性工具，以及為什麼這項成就看似由硬體驅動，但卻深深依賴於整合式智慧，讓它們可以在沒有腳本的環境中行走、互動和學習。我們也將探討如何透過早期部署和長期合作來實現商業化。

人類機器人如何將人工智能推向現實世界

人工智慧最容易被忽略的挑戰之一，仍然是虛擬效能與實體可靠性之間的差距。聊天機器人可以產生流暢的文字，但卻不需要付諸行動；視覺模型可以辨識照片中的步驟，但卻不需要進行瀏覽或冒著跌倒的危險；人類機器人卻沒有這種優勢。

要讓人工智能在現實世界中運作，它必須超越靜態資料集和受控設定。它必須在不斷變化的環境中感知、決定並採取行動，例如不平的地板、錯置的物件、不可預測的人類行為，以及微妙的非語言提示。這意味著每天都要面對噪音、模糊性和失敗的可能性。

這就是體現式推理（語言與空間、時間和後果相連）超越簡單的符號預測的地方。舉例來說，當有人說「小心，很滑」時，機器人不僅必須掌握這句話的字面意義，還必須掌握空間風險和必要的即時調整。

同時，多模態學習也變得非常重要，因為沒有任何單一的輸入通道本身是足夠可靠的。攝影機可能會遺漏光滑的地板，但腳部的壓力感應器可以偵測到突然失去的牽引力。同樣地，語音辨識可能會在嘈雜的倉庫中失靈，但視覺或手勢提示可以幫助填補這個缺口。

泛化也是非常重要的。機器人不能指望看到完全相同的環境兩次。當地板濕了，光線改變了，或者一個盒子不在昨天的位置時，它必須適應。這種差異決定了它的成敗。

在 Humanoid，這就是我們與商業合作夥伴及早開始測試的原因。將我們的機器人置於活躍的環境中，我們可以發現潛在的缺陷，並在推出之前優化其功能。在模擬或腳本演示中表現出色的機器人，與在壓力下贏得信任的機器人是不同的--信任是通過真實世界的學習而建立的。

我們知道人類機器人將在未來兩年內投入商用。但我們不會等待。對我們來說，商業化要及早開始。這需要圍繞實際使用案例建立長期合作。通過試驗計劃，我們不僅向合作夥伴介紹技術，還與他們一起學習。這個學習過程也有助於我們從第一天起就精進成本結構和效能可靠性，確保我們在擴大規模時能達到最佳的總擁有成本。

為什麼人類是一般智慧的終極測試平台？

在過去的一個世紀中，我們已經建立了一個為人類量身打造的環境。門把手、堆高機、倉庫，所有這些都假設了特定的尺寸、移動範圍，以及不言而喻的社交行為。人類機器人必須適應這個現實，否則就會冒著效用有限的風險。

無論是爬樓梯、搬運物件、詮釋指點手勢，或是偵測語音中的遲疑，機器人都必須掌握遠超過視覺分類或預先編程動作的情境。它需要推斷意圖、透過觀察學習新的任務、在不同的佈局中應用技能，並在重複中改進。在實踐中，這個系統擴展了人工智能在真實世界場景中能實現的功能。

在 Humanoid，我們利用遠距操作加速這種發展。在早期階段，人類操作員引導機器人完成關鍵任務。這些實際操作的資料可以訓練出新的行為。隨著時間的推移，這些實例會為我們的端到端模型提供資訊，讓我們穩步邁向可靠的自主性。

從狹隘的系統到整合的智慧

今天的人工智能系統通常擅長於單獨的任務。但是人類不需要獨立的專家。為了順利整合，他們需要能夠跨越模式與時間尺度進行推理的系統。

考慮一個簡單的指令「去把對面儲藏室的黃色盒子給我」。人類必須將此指令分解成幾個步驟：找到喇叭、繞過走廊、識別正確的盒子、調整抓地力、避開障礙物並安全返回。

每個步驟都涉及不同的子系統 - 視覺、導航、語言、操作和回饋。整體的可靠性取決於這些部分在不斷變化的條件下的無縫溝通。

我們的解決方案是模組化架構。它讓我們可以獨立開發各個子系統，同時維持整個系統的協調性。這也讓我們可以在多種環境中擴展能力，而無需從頭開始重建。這就是我們如何從階段性的演示到開放世界的性能。

利害關係重大 - 而且是全球性的

人類很容易被視為未來主義者。然而，我們的客戶告訴我們，需求是迫切的。倉庫、裝配線和其他工作場所曾經擠滿了人，但現在卻很難維持人手。

勞工短缺反映了深刻的人口結構轉變。在日本，將近 30% 的人口超過 65 歲。在歐洲，總薪資高達 1.7 兆美元的關鍵部門正努力吸引年輕勞工。許多這些職務已不再為勞動力所需要或接受。

透過充當有用的助手，而非替代品，人類機器人可以處理重複、吃力或危險的工作 - 搬運存貨、裝載托盤、操作機器 - 而無疲憊或傷害的風險。這樣一來，人力工作者就可以專注於複雜、創意或人際關係方面的工作。

這也提升了長期的經濟復原能力。當人力不足或不可靠時，智慧型機器可協助維持工作的連續性，而不會犧牲安全、品質或適應能力。

另一個關鍵因素是合規性。當許多團隊，尤其是在法規較寬鬆的地區，延遲解決這個問題時，我們卻從這裡開始。歐洲的安全和資料法律是全球最嚴格的法律之一。我們並未將其視為障礙，而是將其視為競爭優勢。當其他市場收緊法規時，我們會做好準備，而其他市場可能會落後於人。

新的 AI 競賽 - 但不是您所想的那種

今天的人工智能討論通常圍繞著計算能力、參數數量和訓練資料集。然而，真正的突破可能來自另一個方向：將智慧融入實體世界。在這裡，AI 必須執行，而不只是預測。

從這個意義上說，真正的競賽是關於創造有能力的系統 - 能夠在公共場所安全運作、遵守法規，以及與人自然協作的系統。這些系統不僅能從資料中學習，還能從實際經驗中學習，無縫融入日常工作流程。

這就是我們不等到部署時才開始的原因。從一開始，我們就與商業夥伴合作，將系統嵌入到實際環境中，確保在最重要的地方得到改善：通過實踐。

這種實踐學習正是狹隘的 AI 系統的不足之處。儘管這些系統讓我們走得很遠，但它們並非為了處理如此複雜的問題而設計。人類需要更多的東西--協調、堅固以及從意外中學習的能力。

這就是未來的龐大機會：不是將一切自動化，而是打造能理解、導航並在以人為中心的世界中合作的機器。