過去十年，人形機(jī)器人技術(shù)取得了長足進(jìn)步，但要實(shí)現(xiàn)大規(guī)模普及，或許需要回歸技術(shù)本源重新探索。

上一次關(guān)注人形機(jī)器人領(lǐng)域的技術(shù)進(jìn)展時，當(dāng)時的行業(yè)現(xiàn)狀用奧威爾式的話語來形容再貼切不過——也就是那句“四條腿好，兩條腿糟”。那是2015年，波士頓動力公司的首款四足機(jī)器人“斑點(diǎn)”在油管上爆紅，它能穩(wěn)穩(wěn)地爬樓梯，即便被狠狠一腳踹倒也能迅速恢復(fù)平衡。而當(dāng)時的人形機(jī)器人則是另一番光景：頻頻摔倒，摔得鼻青臉腫。比起“斑點(diǎn)”，我更心疼那些搖搖晃晃的金屬“鐵疙瘩”。畢竟，雙足行走的技術(shù)難關(guān)，實(shí)在太難攻克。

轉(zhuǎn)眼到了如今，人形機(jī)器人的技術(shù)似乎已經(jīng)成熟到了這樣的地步：特斯拉為研發(fā)“擎天柱”人形機(jī)器人，不惜將多款電動車型停產(chǎn)；一眾初創(chuàng)企業(yè)也一本正經(jīng)地開啟了人形機(jī)器管家的預(yù)售。拋開這些炒作不談，我心中滿是好奇：在我未曾關(guān)注的這些年里，這個領(lǐng)域是否發(fā)生了范式轉(zhuǎn)變？當(dāng)然，人工智能的爆發(fā)式發(fā)展是有目共睹的（也就是后ChatGPT時代的人工智能技術(shù)），這一點(diǎn)我自然不會忽略，但我實(shí)在想不到，這項技術(shù)究竟是如何讓人形機(jī)器人擺脫動輒摔倒的窘境的。

在哲學(xué)領(lǐng)域，“感受質(zhì)”指的是我們主觀體驗(yàn)的特質(zhì)：比如愛麗絲眼中藍(lán)色的模樣，或是鮑勃感受到喜悅時的心境。正如已故哲學(xué)家丹尼爾·丹尼特所言，感受質(zhì)是“事物在我們眼中的樣子”。在本專欄的文章中，專欄作家們將追隨好奇心的腳步，探索那些重要卻未必有答案的科學(xué)問題。

為了摸清真實(shí)的行業(yè)現(xiàn)狀，我采訪了兩位專家：剛從波士頓動力公司離職的斯科特·昆德斯馬，以及敏捷機(jī)器人公司的喬納森·赫斯特。兩人都親身經(jīng)歷了人形機(jī)器人“屢摔屢敗”的那段歲月。如今的雙足機(jī)器人技術(shù)已然堪稱奇跡，想必爬幾段樓梯、開一扇門對它們來說已是輕而易舉，再也不會像十年前那樣費(fèi)盡九牛二虎之力了。我向兩位研究者提出了同一個問題：你們的旗艦機(jī)器人——波士頓動力的“阿特拉斯”和敏捷機(jī)器人的“迪吉特”，這兩款目前全球技術(shù)最成熟、背景最深厚的人形機(jī)器人，能否應(yīng)對任意規(guī)格的樓梯和房門？

赫斯特的回答是：“無法做到穩(wěn)定應(yīng)對。”

昆德斯馬則表示：“我認(rèn)為這個問題至今仍未被徹底解決。”

別誤會我的意思，我從未指望那些面無表情的人形機(jī)器人能很快接手我的家務(wù)。但爬樓梯、開門這樣的小事呢？現(xiàn)在已經(jīng)是2026年了，為何人形機(jī)器人連這些事都依舊難以做好？

高效、低成本，且基本可控

平心而論，人形機(jī)器人領(lǐng)域確實(shí)發(fā)生了范式轉(zhuǎn)變，而且是三次。

第一次是深度學(xué)習(xí)的突破——運(yùn)行在高速圖形處理器上的神經(jīng)網(wǎng)絡(luò)，讓計算機(jī)視覺和強(qiáng)化學(xué)習(xí)技術(shù)實(shí)現(xiàn)了質(zhì)的飛躍，機(jī)器人感知環(huán)境、與環(huán)境互動的速度和精準(zhǔn)度都得到了極大提升。2016年，驅(qū)動技術(shù)領(lǐng)域迎來了一場革命（在機(jī)器人專家的語境中，驅(qū)動技術(shù)就是“讓機(jī)械部件動起來的技術(shù)”）：笨重的液壓機(jī)械裝置被體積更小的“本體感受式”電動馬達(dá)取代，讓足式機(jī)器人擁有了堪比動物的靈活度。而最近的一次突破，則是大型語言模型的問世。事實(shí)證明，將聊天機(jī)器人技術(shù)適配到機(jī)器人領(lǐng)域后，機(jī)器人能夠自主規(guī)劃并完成多步驟任務(wù)，比如給蘋果去核、清空洗碗機(jī)（至少在演示視頻中是如此）。

這些技術(shù)突破，讓人形機(jī)器人的性能發(fā)生了天翻地覆的變化。2015年DARPA機(jī)器人挑戰(zhàn)賽中，波士頓動力的“阿特拉斯”身形龐大、動作僵硬，最終只獲得第二名；而如今的“阿特拉斯”身形輕盈、動作流暢，不僅能跳霹靂舞，還能自主將形狀不規(guī)則的物品從一個箱子搬到另一個箱子，即便面對手持曲棍球棍的人類的干擾也能從容應(yīng)對。

比如，“阿特拉斯”那流暢的步態(tài)，就得益于深度強(qiáng)化學(xué)習(xí)技術(shù)。過去，機(jī)器人專家需要通過各種手工設(shè)計的算法協(xié)調(diào)機(jī)器人的每一個動作，用數(shù)學(xué)方程模擬機(jī)器人的物理運(yùn)動（且做了大量簡化）。而現(xiàn)在，他們通過讓人形機(jī)器人在數(shù)字仿真環(huán)境中進(jìn)行無數(shù)次訓(xùn)練，讓神經(jīng)網(wǎng)絡(luò)成為機(jī)器人的“全身控制器”。這個過程會讓神經(jīng)網(wǎng)絡(luò)習(xí)得一套“行為策略”，指導(dǎo)機(jī)器人如何將環(huán)境反饋轉(zhuǎn)化為具體的動作。

昆德斯馬說：“我們利用強(qiáng)化學(xué)習(xí)技術(shù)構(gòu)建了一套行為策略，由它來負(fù)責(zé)身體協(xié)調(diào)、避障、保持平衡等所有工作?！北热?，研究人員再也不需要將機(jī)器人的腿部建模為“線性倒立擺”，他說：“這種建模方式早已被淘汰。”

這一技術(shù)策略的落地，離不開麻省理工學(xué)院的桑貝·金在其“獵豹”系列機(jī)器人中首創(chuàng)的本體感受式驅(qū)動器?！皬?qiáng)化學(xué)習(xí)技術(shù)其實(shí)已經(jīng)存在很久了，此前也有人嘗試過，”金說，“但如果使用傳統(tǒng)的電動馬達(dá)，機(jī)器人在現(xiàn)實(shí)世界中一旦未能完美執(zhí)行既定策略，或是遇到障礙物、受到干擾，就很容易損壞。”

麻省理工學(xué)院“不可思議人工智能實(shí)驗(yàn)室”的普利克特·阿格拉瓦爾研究機(jī)器人學(xué)習(xí)領(lǐng)域，上個月我在實(shí)驗(yàn)室采訪他時，他給出了這樣的答案：“想要讓機(jī)器人擁有人類一樣的行動能力，我認(rèn)為我們必須掌握物理規(guī)律的精髓?！?/p>

他所指的并非廣義相對論、量子引力這類宇宙級的物理問題，也不是如今讓楊立昆等頂尖人工智能研究者著迷的虛擬“世界模型”，而是每一位高中生都應(yīng)熟知的基礎(chǔ)物理知識：力與慣性。

畢竟，人形機(jī)器人被設(shè)計為人類形態(tài)的核心目的，就是實(shí)現(xiàn)金所說的“多用途移動操作能力”——能夠去到幾乎任何地方（包括爬樓梯、穿房門），操作幾乎任何物品（從卸托盤到擰燈泡），且在過程中不會傷害到任何人。簡單來說，就是完成我們?nèi)祟惷刻於荚谧龅氖?。“如果想讓機(jī)器人以人類的速度完成這些動作，核心就是對力的精準(zhǔn)控制，”阿格拉瓦爾說，“力控技術(shù)在傳統(tǒng)機(jī)器人領(lǐng)域早已存在，但在現(xiàn)代機(jī)器學(xué)習(xí)領(lǐng)域，應(yīng)用還并不廣泛。”

力控技術(shù)的原理其實(shí)很簡單。想象一下，機(jī)器人手臂拿著馬克筆在白板上寫字，同時要保證不會戳壞筆尖。40多年前，機(jī)器人專家就已經(jīng)掌握了這項技術(shù)：他們?yōu)闄C(jī)器人手臂編寫程序，讓其仿佛在筆尖處連接了一根虛擬的彈簧和減震器。昆德斯馬解釋道：“可以將垂直指向白板方向的彈簧調(diào)得軟一些，將沿白板表面移動方向的彈簧調(diào)得硬一些，這樣機(jī)器人就能在精準(zhǔn)書寫出各種線條和曲線的同時，保持馬克筆與白板之間的壓力恰到好處?！?/p>

這種反饋可以由機(jī)器人關(guān)節(jié)中內(nèi)置的力傳感器提供，但問題在于，這種傳統(tǒng)的力控方法需要研究人員對機(jī)器人、環(huán)境和任務(wù)本身有充分的了解才能實(shí)現(xiàn)。

這種力控方法在執(zhí)行特定任務(wù)的工業(yè)機(jī)器人身上效果極佳，也曾為人形機(jī)器人的行走技術(shù)提供過助力，但始終無法實(shí)現(xiàn)通用化。桑貝·金研發(fā)的本體感受式電動馬達(dá)（也被稱為準(zhǔn)直驅(qū)馬達(dá)）簡化了這一問題。這種馬達(dá)不僅能承受意外的撞擊而不損壞，還具備高度的“力控透明度”——馬達(dá)將電流轉(zhuǎn)化為相應(yīng)的力（反之亦然）時，誤差相對極小。本質(zhì)上，馬達(dá)本身就成了力傳感器，昆德斯馬說：“這樣一來，我們就能去掉專門的力傳感器，降低機(jī)器人的成本和結(jié)構(gòu)復(fù)雜度?！?/p>

隨著強(qiáng)化學(xué)習(xí)逐漸取代手動編程，成為控制人形機(jī)器人運(yùn)動的主流方式，傳統(tǒng)的力控技術(shù)并未被拋棄，只是以一種抽象的方式，被分配到了硬件和人工智能系統(tǒng)中。

赫斯特說：“從人工智能的角度來看，研究者無需刻意去考慮力控的問題，只需要知道，要實(shí)現(xiàn)所需的力調(diào)節(jié)，得用準(zhǔn)直驅(qū)馬達(dá)就行。之后在仿真環(huán)境中對神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)百萬次迭代訓(xùn)練，再將訓(xùn)練好的模型部署到實(shí)體機(jī)器人上，就能實(shí)現(xiàn)各種靈活的動作?！?/p>

這些神經(jīng)網(wǎng)絡(luò)習(xí)得的是控制機(jī)器人身體部件位置的通用策略，而力的調(diào)節(jié)在仿真訓(xùn)練中往往只是間接實(shí)現(xiàn)的，有時則是通過視頻或人類演示學(xué)習(xí)時產(chǎn)生的附帶效果。

但這些方法目前都未能明確傳授機(jī)器人關(guān)于力的物理規(guī)律——至少現(xiàn)在還沒有。昆德斯馬說：“實(shí)現(xiàn)智能力控所需的諸多信號，在視頻和人類演示數(shù)據(jù)中都是缺失的?！惫雀枭疃人季S的卡羅萊納·帕拉達(dá)也承認(rèn)，視覺-語言-動作模型本質(zhì)上只是學(xué)會了在特定的預(yù)設(shè)姿勢之間切換，不過這一方法的效果已經(jīng)超出了預(yù)期?！拔覀冏约阂埠荏@訝，在沒有其他傳感數(shù)據(jù)的情況下，這一方法能發(fā)揮如此大的作用?！彼f。

但這種方法的能力終究有限。與人類的身體相比，機(jī)器人的軀體依舊相對僵硬、笨重，阿格拉瓦爾說：“它們的慣性很大，柔順性也遠(yuǎn)不如人類?！边@意味著，如果沒有精準(zhǔn)的力控技術(shù)，機(jī)器人在復(fù)雜環(huán)境中執(zhí)行精細(xì)任務(wù)時會舉步維艱?！叭绻|碰易碎物品，哪怕只是一點(diǎn)點(diǎn)操作誤差，都可能造成嚴(yán)重的后果?！痹囅胍幌拢粋€普通的雞蛋和一個實(shí)心鋼蛋，拿起前者顯然需要遠(yuǎn)比后者更小心。

許多性能出色的機(jī)器人系統(tǒng)，除了保證位置精度外，還會采用一種簡單的方法來規(guī)避力控難題——放慢動作速度。阿格拉瓦爾舉了個例子：“想象一下用汽車挪一把椅子，如果開得足夠慢，就能精準(zhǔn)控制車身的位置，進(jìn)而控制椅子的移動，力的問題也就迎刃而解了?！边@也是為什么“阿特拉斯”抓取汽車零部件時動作慢如蝸牛，而在只接觸地面、不觸碰其他物品時，動作卻能像體操運(yùn)動員一樣輕盈流暢。

昆德斯馬說：“如果說所有實(shí)用的操作任務(wù)都絕對需要力控技術(shù)，那未免言過其實(shí)，事實(shí)并非如此。”但他、赫斯特和帕拉達(dá)都一致認(rèn)為，僅憑巧妙的力控替代方案，無法讓機(jī)器管家擁有我們所需要的通用移動操作靈巧性。即便是如今結(jié)合了強(qiáng)化學(xué)習(xí)、由視覺-語言-動作模型驅(qū)動的機(jī)器人，即便擁有“互聯(lián)網(wǎng)量級”的位置數(shù)據(jù)用于訓(xùn)練，帕拉達(dá)說：“大概率還是需要進(jìn)行額外的優(yōu)化?！比祟悢Q瓶蓋時，能清晰感受到阻力的存在，而人形機(jī)器人大多還做不到這一點(diǎn)。這意味著，它們尚未掌握物理規(guī)律的精髓——至少未能像人類這樣，通過進(jìn)化賦予的極其復(fù)雜的肌肉骨骼和神經(jīng)系統(tǒng)，在與環(huán)境的終身互動中習(xí)得對物理規(guī)律的掌控。

這也是時至今日，人形機(jī)器人依舊無法徹底解決爬樓梯、開門這類問題的重要原因。某一段樓梯、某一扇門，它們或許能應(yīng)對，但所有的樓梯、所有的門，再加上其他各式各樣的任務(wù)呢？昆德斯馬說：“只依靠位置控制，永遠(yuǎn)不可能造出真正實(shí)用、能自主工作的人形機(jī)器人，力控技術(shù)必須成為核心技術(shù)?！?/p>

尋求突破，還是推倒重來？

那么，從科學(xué)角度來看，我們該如何突破這一技術(shù)壁壘？我采訪的大多數(shù)專家都認(rèn)為，這需要硬件和軟件技術(shù)的全新融合與突破。能更精準(zhǔn)收集數(shù)據(jù)的觸覺傳感器、兼具高功率、高柔順性、高力控透明度且低慣性的機(jī)器人手，將極大推動技術(shù)發(fā)展，而且沒有人認(rèn)為，必須實(shí)現(xiàn)真正的材料突破（比如用人造肌肉替代馬達(dá)）才能解決問題。

我采訪的另一位麻省理工學(xué)院資深機(jī)器人專家拉斯·特德雷克說：“如今的硬件技術(shù)已經(jīng)非常出色，如果把問題歸咎于硬件，那不過是在找借口。”“比如通過遠(yuǎn)程操控，將人類的大腦與如今的機(jī)器人硬件結(jié)合，其性能會超乎想象?！币虼耍业礁悄艿目刂品绞剑攀菃栴}的關(guān)鍵。

當(dāng)被問及如何實(shí)現(xiàn)這一目標(biāo)時，專家們各有見解。阿格拉瓦爾正在研究如何將力控技術(shù)與強(qiáng)化學(xué)習(xí)結(jié)合，讓機(jī)器人在仿真環(huán)境中習(xí)得柔順的動作模式，而非在固定的預(yù)設(shè)姿勢之間切換。特德雷克研發(fā)的“大型行為模型”（視覺-語言-動作模型的姊妹模型），打造出了能給蘋果去核的機(jī)器人演示原型，他最近在《科學(xué)·機(jī)器人學(xué)》上發(fā)文，主張借鑒ChatGPT的發(fā)展模式，通過“大規(guī)模數(shù)據(jù)收集和大型預(yù)訓(xùn)練模型”推動技術(shù)進(jìn)步。而弗蘭克·帕克——現(xiàn)代機(jī)器人學(xué)領(lǐng)域的經(jīng)典教材《現(xiàn)代機(jī)器人學(xué)》的作者，則認(rèn)為當(dāng)前的人工智能方法應(yīng)該被徹底推翻，取而代之的是能在基礎(chǔ)層面學(xué)習(xí)力、加速度等物理本源知識的新方法。他對我說：“視覺-語言-動作的架構(gòu)從根本上就是錯誤的，我認(rèn)為這種方法注定會失敗?！?/p>

在與這些專家的交流中，最讓我觸動的并非他們關(guān)于哪種傳感器、數(shù)據(jù)或人工智能架構(gòu)能“解決”人形機(jī)器人難題的爭論，而是我感受到，這個領(lǐng)域的科學(xué)理念已經(jīng)發(fā)生了轉(zhuǎn)變。我第一次采訪赫斯特時，他剛從俄勒岡州立大學(xué)的實(shí)驗(yàn)室孵化出敏捷機(jī)器人公司，如今他對此有著深刻的見解。

他說：“我記得吉爾·普拉特曾說過，他最擔(dān)心的是，我們還沒真正弄明白機(jī)器人行走和奔跑的原理，就靠著強(qiáng)化學(xué)習(xí)和人工智能技術(shù)讓機(jī)器人實(shí)現(xiàn)了這些動作?！奔獱枴て绽卦温槭±砉W(xué)院腿部實(shí)驗(yàn)室主任，后擔(dān)任DARPA機(jī)器人挑戰(zhàn)賽的項目負(fù)責(zé)人?！岸缃瘢覀冊诤艽蟪潭壬险咧@樣的路。”（編者注：吉爾·普拉特對這段對話的回憶有所不同，他承認(rèn)機(jī)器學(xué)習(xí)技術(shù)能讓機(jī)器人實(shí)現(xiàn)超出人類理論認(rèn)知的性能，但并不認(rèn)為這是一件值得擔(dān)憂的事。）

特德雷克認(rèn)同這一觀點(diǎn)，但他表示，人類在科學(xué)和工程領(lǐng)域，早已不止一次在尚未完全掌握基礎(chǔ)原理的情況下實(shí)現(xiàn)技術(shù)突破。“回顧電磁學(xué)的發(fā)展歷程，volta時代的科學(xué)家只是將電極插進(jìn)青蛙體內(nèi)做實(shí)驗(yàn)，之后法拉第做了一系列關(guān)鍵實(shí)驗(yàn)，最終麥克斯韋總結(jié)出了電磁學(xué)的基本方程。我認(rèn)為，如今的人形機(jī)器人領(lǐng)域，正處于volta時代?！?/p>

那么，人形機(jī)器人技術(shù)究竟何時才能成熟？

特德雷克說：“如今的機(jī)器人性能依舊不盡如人意，要實(shí)現(xiàn)成熟還需要時間，但技術(shù)框架已經(jīng)搭建得很好了。這兩點(diǎn)都是事實(shí)，而且，這個領(lǐng)域的探索之路，依舊充滿挑戰(zhàn)?！?/p>