機(jī)器之心原創(chuàng)

作者：吳昕

翻車是真的，希望也是真的。

香港中文大學(xué)的一處山間小道，流水小橋，樹影斑駁，青苔攀附在陡峭連綿的石梯上。

無(wú)人機(jī)視野下500 米的定向越野路線。

一只人形機(jī)器人跨過(guò)三十度的小橋，走上一段石路，邁過(guò)兩段臺(tái)階。好不容易來(lái)到一個(gè)九十度的彎，重心一歪，仰面倒下。

全程 500 米的定向越野，它只能走完開頭。

到了90度分叉路口，就躺平罷工。

第二天，它又出現(xiàn)在大學(xué)的嶺南體育場(chǎng)，嘗試戶外分揀垃圾。

草地禿嚕，每一步都像踩進(jìn)人生陷阱，還沒(méi)碰到桌上的垃圾，就撲通倒地。

在第五屆 ATEC 科技精英賽——全球首個(gè)全自主、全真實(shí)戶外場(chǎng)景的機(jī)器人競(jìng)技場(chǎng)上，類似畫面不斷上演。離開遙控器、走到戶外，機(jī)器人還能不能工作？

其實(shí)，跳舞、空翻、端咖啡，這些「展臺(tái)神跡」從來(lái)不是真實(shí)水平。離開溫室和遙控器，一塊禿草地、一只普通水壺就能瞬間「放倒」它們。

1X NEO，別說(shuō)讓它親手洗碗了，就連把干干凈凈的鍋碗瓢盆放進(jìn)洗碗機(jī)里，都挺艱難。

過(guò)去兩三年，人們普遍高估了人形機(jī)器人的通用能力。很多人喊著，它們將走進(jìn)家庭，承擔(dān)家務(wù)，「這個(gè)事情絕對(duì)是高估的?！?ATEC 2025 專家委員會(huì)主席、香港工程院院士劉云輝認(rèn)為，「五年之內(nèi)實(shí)現(xiàn)都相當(dāng)困難。」

但「丟掉遙控器」并不是未來(lái)加分項(xiàng)，而是具身智能能否真正落地的必選項(xiàng)

一些選手表示，機(jī)器人應(yīng)該去做「人做不了或不該做的事」，在這些場(chǎng)景里，沒(méi)人能用遙控器替機(jī)器人做判斷。

必須丟掉遙控器，也不是太難。劉云輝認(rèn)為，從技術(shù)路徑上看，感知與決策是關(guān)鍵。機(jī)器人能不能正確看到世界？能不能自己決定下一步怎么做？

劉云輝院士（左）在觀看自主澆花的比賽。

感知之困

為了理解并與三維世界溝通、互動(dòng)，人類花費(fèi) 5.4 億年進(jìn)化出感知智能。如今，它正困擾著具身智能。在嶺南體育場(chǎng)，陽(yáng)光成了機(jī)器人頻繁翻車的罪魁禍?zhǔn)住?/p>

早上七點(diǎn)場(chǎng)地還籠罩在陰影中，一小時(shí)后光照明顯增強(qiáng)，到了中午，陽(yáng)光直射，連人類選手都看不清電腦屏幕。

深度相機(jī)（如 RealSense）的主動(dòng)光結(jié)構(gòu)在強(qiáng)光下幾乎失效：透明的礦泉水瓶在機(jī)器人眼里宛隱身，機(jī)械臂照常伸過(guò)去，結(jié)果直接把水瓶撞掉。

終于抓住啦。

澆花任務(wù)同樣困難重重。黃色水壺被曬得發(fā)白，白色桌面又強(qiáng)烈反光，導(dǎo)致點(diǎn)云嚴(yán)重散射，抓取動(dòng)作屢屢失敗。而在 3D 識(shí)別中，那 6 朵形狀不規(guī)則的白色假花，本身就是高難度目標(biāo)。原本規(guī)劃自主完成的隊(duì)伍，無(wú)奈選擇遙操。

選手遙操人形機(jī)器人拿水壺。

吊橋穿越也不省心。視覺定位被陽(yáng)光帶偏，機(jī)器人一步步靠近吊橋邊沿，踩空跌落。

機(jī)器人走偏后，踩空，掉下橋。

如今，機(jī)器人的移動(dòng)、視覺和導(dǎo)航都令人驚嘆，但操作能力依然相對(duì)原始。英國(guó)皇家工程院院士、意大利技術(shù)研究院（IIT）創(chuàng)始人、IEEE會(huì)士 Darwin Caldwell 說(shuō)。

為什么操作如此難？因?yàn)?，移?dòng)的底層難題，本質(zhì)上就是「站穩(wěn) + 邁步」。涉及的物理變量較為固定，也能在仿真中完整構(gòu)建，大規(guī)模強(qiáng)化學(xué)習(xí)因此收斂迅速，進(jìn)展飛快。

操作任務(wù)涉及的變量，卻極其復(fù)雜——

透明與反光、材質(zhì)差異、顏色變化、光照波動(dòng)，哪怕只是抓香蕉和抓礦泉水瓶，對(duì)機(jī)器人來(lái)說(shuō)都是完全不同的任務(wù)。

更關(guān)鍵的是，機(jī)器人目前缺乏真實(shí)的物理信息，觸覺反饋幾乎為零。而在人類操作行為中，觸覺和視覺同樣重要。

這也是為何 ATEC 會(huì)在垃圾分揀任務(wù)中選擇玩具香蕉：軟、可變形，但不會(huì)被機(jī)器人捏爛。

盡管如此，仍有兩支四足機(jī)器人隊(duì)伍像是開了掛，全自主「通關(guān)」垃圾分揀與吊橋穿越。

分揀任務(wù)中，浙江大學(xué) wongtsai 賽隊(duì)沒(méi)有依賴大模型，而是回到 「?jìng)鹘y(tǒng)視覺 + 幾何」的老牌路線，并打磨到極致。

吊橋穿越之前，他們就在模擬器里高度還原真實(shí)場(chǎng)景：不僅復(fù)刻吊橋結(jié)構(gòu)，還模擬了 RealSense 在戶外可能遇到的各類噪聲（視差誤差、散斑點(diǎn)云、紋理缺失等），sim2real 部署很順利。

智能決策之難：20 歲身體，3 歲智商

不少機(jī)器人從業(yè)者都說(shuō)過(guò)類似扎心的真話。

在開放環(huán)境下，讓機(jī)器人自主從桌上拿瓶水都很難。稍微復(fù)雜一點(diǎn)的操作，全靠遙操或同構(gòu)臂。

但我們想外包出去的家務(wù)，哪一件不是長(zhǎng)鏈任務(wù) + 工具使用的組合？做早餐不是煎個(gè)雞蛋，而是一套流程：找鍋 → 開火 → 備料 → 下鍋 → 裝盤 → 洗碗……

要讓機(jī)器人做這件事，它必須要有一個(gè)能規(guī)劃、會(huì)決策、有記憶的大腦。但多數(shù)機(jī)器人現(xiàn)在只有「20 歲身體，3 歲智商」。

ATEC2025 賽事組專家、松靈機(jī)器人具身智能部門負(fù)責(zé)人謝志強(qiáng)在直播里舉了個(gè)例子：掃地機(jī)。它能自主移動(dòng)，但一旦被卡住，只會(huì)等待人類救援。

這也是為什么自主澆花會(huì)難倒一溜兒機(jī)器人，因?yàn)槿蝿?wù)鏈實(shí)在太長(zhǎng)了——

找到水壺 → 拿起 → 開水龍頭 → 接水 → 關(guān)龍頭 → 找花盆 → 澆花 → 放回原處

相比單步抓取、視覺分類，它考驗(yàn)的是機(jī)器人是否真正具備長(zhǎng)程任務(wù)的能力。結(jié)果，沒(méi)有機(jī)器人可以做到全自主。

浙江大學(xué) wongtsai 賽隊(duì)告訴我們，實(shí)驗(yàn)室里還能泛化的 VLA（視覺-語(yǔ)言-動(dòng)作）模型，一旦到真實(shí)場(chǎng)景就不行了。

大模型能聽懂圖像和指令，但無(wú)法真正理解物理世界的細(xì)節(jié)，抓水壺、澆花，精度完全不夠。他們選擇了遙操。

浙江大學(xué)wongtsai賽隊(duì)通過(guò)遙操的方式完成了自主澆花的大部分子任務(wù)。

有的隊(duì)伍嘗試混合模式。先用遙控器把機(jī)器人挪到最佳位置，再讓機(jī)械臂自主完成抓壺、接水、澆花。

即便如此，一旦流程中某個(gè)環(huán)節(jié)出現(xiàn)異常，機(jī)器人的腦子就轉(zhuǎn)不過(guò)來(lái)了。

例如，手拿水壺打開水龍頭，萬(wàn)一卡住，就會(huì)一直停在那里。

垃圾分揀里的道具香蕉，暴曬后會(huì)發(fā)生不可逆的形變，有的機(jī)器人明明已經(jīng)夾住，卻仍堅(jiān)持判定為失敗。

各出奇招，用水壺撞開水龍頭。

成績(jī)一度領(lǐng)先的機(jī)器人，也在定向越野最后一段失控：反復(fù)掉入同一處排水溝，無(wú)法自主調(diào)整，最終只能切回遙操。

最有意思的是，吊橋穿越。

機(jī)器人先跨過(guò) 5cm、10cm 的縫隙，最后迎面撞上一道 50cm 的間隙。

「機(jī)器人要自己做思考、做決策，比如拿起板來(lái)填充，從而改變環(huán)境，適應(yīng)自己的運(yùn)動(dòng)?！?劉云輝解釋說(shuō)，這不再是簡(jiǎn)單的行走，而是包含了環(huán)境評(píng)估、工具使用、任務(wù)規(guī)劃的高級(jí)智能行為。

結(jié)果，四足機(jī)器人根本不考慮這些復(fù)雜操作，直接跳過(guò)去。

雙足機(jī)器人先靠物理外掛撐過(guò)前兩個(gè)小縫。到了 50cm 大間隙，多半會(huì)把拉繩碰掉，原地等救援。

各種物理外掛登場(chǎng)

這臺(tái)雙足機(jī)器人成功拿住了繩子，移動(dòng)木板，邁過(guò)去了。

豪華的大模型，毛坯的硬件

和如今的主流路線一樣，今年參賽隊(duì)伍的系統(tǒng)架構(gòu)大多采用「大模型 + 小模型」協(xié)同范式：

大模型負(fù)責(zé)高層語(yǔ)義理解、任務(wù)拆解與策略規(guī)劃；小模型面向前端感知、運(yùn)動(dòng)控制等即時(shí)執(zhí)行；兩者再通過(guò)管線化與反饋回路完成閉環(huán)。

但隨之而來(lái)的現(xiàn)實(shí)問(wèn)題是——

一臺(tái)機(jī)器人身上同時(shí)掛著 CPU、GPU、NPU 等一堆異構(gòu)算力，怎么把它們擠進(jìn)一塊體積足夠小、功耗足夠低的板子里，還能高效協(xié)同？

浙江大學(xué) wongtsai 賽隊(duì)以全自主方式，出色完成了三項(xiàng)任務(wù)（包括定向越野）。其端側(cè)配置堪稱豪華。

他們給機(jī)器人掛了三臺(tái)小電腦，一臺(tái) Intel NUC 當(dāng)主控，兩塊英偉達(dá)算力板（一大一?。┡懿煌?guī)模的神經(jīng)網(wǎng)絡(luò)，比如用 Segment Anything 做圖像分割。

但要支撐更大規(guī)模模型推理，算力還是明顯不夠，延遲高、耗電大。

浙江大學(xué)wongtsai賽隊(duì)接受采訪，談到 15 萬(wàn)美金獎(jiǎng)金，隊(duì)長(zhǎng)一句話總結(jié)：先還債，補(bǔ)貼昂貴設(shè)備成本。

隊(duì)伍成員也提到，要真正走向現(xiàn)實(shí)世界，機(jī)器人必須擁有順勢(shì)而為的自適應(yīng)能力。定向越野時(shí)，腳和石頭不會(huì)硬碰硬；澆花時(shí)，身體會(huì)隨著水壺重量變化，實(shí)時(shí)調(diào)整重心。

這些都考驗(yàn)著整機(jī)的力控能力與自適應(yīng)控制。而想在復(fù)雜場(chǎng)景中做這種高質(zhì)量感知和控制，目前的算力和本體都還差了一截。

「我們現(xiàn)在有一個(gè)巨大的問(wèn)題，漂亮的算法無(wú)法在機(jī)器人內(nèi)部運(yùn)行。」ATEC2025 賽事組專家、卡里法大學(xué)（Khalifa University）自主機(jī)器人系統(tǒng)教授、機(jī)器人感知研究負(fù)責(zé)人 Jorge Manuel Miranda Dias 指出。要讓機(jī)器人的身體能承載其大腦的智能，低功耗、高性能的專用芯片和輕量化模型是關(guān)鍵。

翻車是真的，希望也是真的

有一件趣事。在比賽前，不少人認(rèn)為機(jī)器人要全自主跑完定向越野，幾乎不可能。ATEC2025 賽事組專家、香港中文大學(xué)機(jī)械與自動(dòng)化工程學(xué)系教授兼系主任、新加坡工程院院士陳本美甚至放下「豪言」，如果真有人做到，香港的餐廳任對(duì)方挑，他請(qǐng)客。

結(jié)果比賽第一天，就有兩臺(tái)四足機(jī)器人完成了全自主定向越野。

500 米級(jí)自然地形導(dǎo)航，信號(hào)差、多窄梯、多彎道、強(qiáng)光擾動(dòng)……在成熟RL控制器支撐下，只依靠自身傳感器去構(gòu)建地圖、完成定位、穩(wěn)定前行。

劉云輝認(rèn)為，機(jī)器人要真正進(jìn)入人類世界，必須同時(shí)具備三大能力：能走、能操作、能改造環(huán)境。過(guò)去十年，四足機(jī)器人在「能走」這一維度已經(jīng)有了質(zhì)變。但「能操作、能改造環(huán)境」仍有巨大的研究空間。

相比四足機(jī)器人，雙足機(jī)器人和人形機(jī)器人還有更長(zhǎng)的路要走。雙足形態(tài)重心高、支撐面小，平衡、力控、地形適應(yīng)都遠(yuǎn)比四足困難，更不用說(shuō)在行走中完成操作。

它們面對(duì)的，是一個(gè)更陡峭、但也更貼近未來(lái)生活場(chǎng)景的技術(shù)坡度。

雙足、人形機(jī)器人面臨的挑戰(zhàn)，比四足機(jī)器人多得多。

翻車很正常，翻車也是一種進(jìn)步。劉云輝說(shuō)。沒(méi)有失敗，也就永遠(yuǎn)沒(méi)有成功的可能。

也正因如此，ATEC 組委才會(huì)讓機(jī)器人面對(duì)真實(shí)世界的擾動(dòng)。設(shè)計(jì)的每一道題，都不是為了讓它完成得好看，而是對(duì)這三大能力的系統(tǒng)級(jí)驗(yàn)收，讓它在碰撞中暴露真正的弱點(diǎn)。

畢竟，只有真問(wèn)題，才能讓行業(yè)知道下一步要突破什么。

AGI 的未來(lái)，注定是機(jī)器智能與物理世界的深度融合。作為賽事發(fā)起單位之一，螞蟻集團(tuán)技術(shù)戰(zhàn)略部負(fù)責(zé)人表示，AI 必須從數(shù)據(jù)認(rèn)知走向環(huán)境交互和行動(dòng)執(zhí)行，大家正期待下一次真正意義上的技術(shù)突破。