仿人机器人时代即将到来

本月早些时候，在中国福建一所中学的毕业典礼上，一个名叫 "双双 "的仿人机器人上台领取了毕业证书，与师生们握手并引发了他们的喜悦。随着人形机器人越来越多地以可见的方式进入公众生活，类似这样的时刻标志着一种有意义的转变。

这些事件反映的不仅仅是短暂的好奇心，而是真正走向与现实世界融合的信号。本文将探讨仿人机器人如何从单纯的观赏工具演变为功能性工具--为什么这一成就看似由硬件驱动，但却深深依赖于让它们在无脚本环境中行走、互动和学习的综合智能。我们还将探讨如何通过早期部署和持久合作实现商业化。

人形机器人如何将人工智能推向现实世界

人工智能领域最容易被忽视的挑战之一仍然是虚拟性能与物理可靠性之间的差距。聊天机器人可以生成流畅的文本，而无需采取行动；视觉模型可以识别照片中的某个台阶，而无需进行导航或冒着摔倒的风险，但人形机器人却没有这种能力。

要让人工智能在现实世界中发挥作用，它必须超越静态数据集和受控环境。它必须在不断变化的条件下进行感知、决策和行动，例如不平的地板、错位的物体、不可预测的人类行为和微妙的非语言提示。这意味着每天都要面对噪音、模糊性和失败的可能性。

这就是体现推理--语言与空间、时间和后果的联系--超越简单的象征性预测的地方。例如，当有人说 "小心，路很滑 "时，机器人不仅要掌握这句话的字面意思，还要了解空间风险和必要的实时调整。

与此同时，多模态学习也变得至关重要，因为没有任何一个输入渠道本身足够可靠。摄像头可能会错过光滑的地面，但脚部的压力传感器可以检测到牵引力的突然丧失。同样，语音识别可能会在嘈杂的仓库中出现问题，但视觉或手势提示可以帮助弥补这一缺陷。

事实证明，泛化也是至关重要的。机器人不可能两次看到完全相同的环境。当地面潮湿、光线变化或箱子不在昨天的位置时，它必须做出调整。这种差异决定了它的成败。

在 Humanoid，这就是我们为什么要尽早与商业合作伙伴开始测试的原因。通过将我们的机器人置于活跃的环境中，我们可以发现潜在的缺陷，并在推出之前优化其功能。在模拟或脚本演示中表现出色的机器人与在压力下赢得信任的机器人是不同的--信任是通过真实世界的学习建立起来的。

我们知道，人形机器人将在未来两年内投入商用。但我们不会等待。对我们来说，商业化要尽早开始。这需要围绕实际用例建立长期合作。通过试点项目，我们不仅向合作伙伴介绍技术，还与他们一起学习。这一学习过程还有助于我们从第一天起就完善成本结构和性能可靠性，确保在我们扩大规模时实现最佳的总拥有成本。

为什么说人形机器人是通用智能的终极试验平台？

在过去的一个世纪里，我们建立了一个适合人类规模的环境。门把手、叉车、仓库--所有这些都具有特定的尺寸、移动范围和不言而喻的社交行为。仿人机器人必须适应这一现实，否则将面临实用性受限的风险。

无论是爬楼梯、搬运物品、解读指向手势，还是检测言语中的犹豫不决，机器人对环境的把握必须远远超出视觉分类或预设动作。它需要推断意图，通过观察学习新任务，在各种布局中应用技能，并在重复中不断改进。在实践中，这一系统扩展了人工智能在现实世界中的应用范围。

在人形机器人公司，我们利用远程操作加速这一发展。在早期阶段，人类操作员指导机器人完成关键任务。这些实践数据可以训练机器人的新行为。随着时间的推移，这些实例将为我们的端到端模型提供信息，使我们稳步迈向可靠的自动驾驶。

从狭隘系统到综合智能

当今的人工智能系统通常擅长于孤立的任务。但人形机器人并不需要单独的专家。要想顺利整合，它们需要能够跨模式和跨时间尺度进行推理的系统。

请看一条简单的命令"去把对面储藏室的黄色盒子拿来"。仿人机器人必须将这一指令分解为多个步骤：找到扬声器、穿过走廊、找到正确的盒子、调整抓握方式、避开障碍物并安全返回。

每个步骤都涉及不同的子系统--视觉、导航、语言、操作和反馈。整体的可靠性取决于这些部分在不断变化的条件下的无缝通信。

我们的解决方案是模块化架构。它使我们能够独立开发子系统，同时保持整个系统的协调。这也使我们能够在多个环境中扩展能力，而无需从头开始重建。我们就是这样从阶段性演示走向开放世界性能的。

利害关系是巨大的，而且是全球性的

人形机器人很容易被认为是未来派。但我们的客户告诉我们，这种需求非常迫切。仓库、装配线和其他工作场所曾经熙熙攘攘，如今却难以维持人员的正常运转。

劳动力短缺反映了深刻的人口结构变化。在日本，近 30% 的人口超过 65 岁。在欧洲，工资总额达 1.7 万亿美元的关键部门都在努力吸引年轻工人。其中许多职位已不再为劳动力所需要或接受。

通过充当有益的助手，而不是替代者，人形机器人可以处理重复性、繁重或危险的工作--搬运存货、装载托盘、操作机器--而不会有精疲力竭或受伤的风险。这样，人类工人就可以专注于复杂的、创造性的或人际交往方面的工作。

这也增强了长期的经济恢复能力。当劳动力稀缺或不可靠时，智能机器可以帮助维持工作的连续性，而不会牺牲安全、质量或适应性。

另一个关键因素是合规性。许多团队，尤其是在监管较少的地区，迟迟没有解决这个问题，而我们却从这里开始。欧洲的安全和数据法律是全球最严格的法律之一。我们没有将其视为障碍，而是将其视为竞争优势。当其他市场收紧规则时，我们会做好准备，而其他市场可能会落后。

一场新的人工智能竞赛--但不是你想象的那种

当今的人工智能讨论通常围绕计算能力、参数数量和训练数据集展开。然而，真正的突破可能来自另一个方向：将智能融入物理世界。在这里，人工智能必须执行而不仅仅是预测。

从这个意义上说，真正的竞赛在于创造有能力的系统--能够在公共场合安全运行、遵守法规并与人自然协作的系统。这些系统不仅要从数据中学习，还要从实际经验中学习--无缝融入日常工作流程。

这就是我们不等到部署时才开始的原因。从一开始，我们就与商业合作伙伴合作，将系统嵌入到实际环境中--确保在最重要的地方实现改进：通过实践。

这种实践学习正是狭隘的人工智能系统的不足之处。虽然它们已经为我们带来了很多，但它们并不是为处理如此复杂的问题而设计的。人形机器人需要更多的东西--协调性、坚固性以及从意外中学习的能力。

这就是未来的巨大机遇：不是将一切自动化，而是制造出能够理解、驾驭并在以人为中心的世界中合作的机器。