“大模型+機器人”，具身智能將開啟“智械時代”

科技云報道原創(chuàng)。

從15世紀達芬奇繪制出世界上第一份人形機器人手稿，到如今波士頓動力、本田、特斯拉、Figure AI等企業(yè)相繼推出了人形機器人產(chǎn)品，機器人新物種持續(xù)衍生，人形機器人產(chǎn)業(yè)已經(jīng)從萌芽概念階段進入產(chǎn)業(yè)化落地前期。

近日，由科技巨頭OpenAI、微軟、英偉達以及電商巨頭亞馬遜創(chuàng)始人杰夫·貝佐斯等重量級投資者共同支持的人工智能機器人初創(chuàng)公司Figure AI，正式揭開了其第二代人形機器人Figure 02的神秘面紗。

這款被譽為“地球上最先進的AI硬件”的機器人，不僅標志著人工智能技術(shù)的又一里程碑，也預示著以具身智能為內(nèi)核的人形機器人向工業(yè)化、商業(yè)化應用邁出了堅實的一步。

超越想象的智能新物種

正如Figure名稱所暗示的那樣，這一堪稱目前最先進的人形機器人是2023年推出的Figure 01的后繼產(chǎn)品。

今年3月，F(xiàn)igure 01發(fā)布時，就曾引發(fā)市場高度關(guān)注。當時，F(xiàn)igure 01可以與人類進行全面對話，機器人的所有行為都是學到的，并非是遠程操作。這背后不僅有Figure引以為傲的端到端神經(jīng)網(wǎng)絡(luò)技術(shù)，還全面融入OpenAI所推出的多模態(tài)AI大模型，科技界普遍將這一人形機器人視為“行走的ChatGPT”，具備模仿人類行為、深度學習與思考以及與人類進行自然且高效率溝通等諸多強大能力。

Figure 02在大腦上，依然集成了OpenAI的GPT-4o多模態(tài)大模型，相比較于Figure 01使用GPT4，F(xiàn)igure 02將進一步地提升機器人的常識推理能力，使其能夠更好地理解和響應復雜指令，機載計算和AI推理能力提升3倍。

與特斯拉的Optimus以及波士頓動力的Atlas相比，與OpenAI大模型的深度集成也一直是Figure引以為傲的強項，該集成使其在多模態(tài)推理和任務(wù)執(zhí)行方面更具智能性和適應性，提升其在視覺、聽覺和語言交互方面的能力，使其能夠執(zhí)行復雜的端到端任務(wù)，適用于工業(yè)制造、倉庫物流等側(cè)重于輕載搬運和分揀轉(zhuǎn)移的混合任務(wù)場景。

在小腦上，F(xiàn)igure02延續(xù)使用類似01產(chǎn)品類似的RT-X機器人控制模型，使用模型預測控制器來確定腳步位置和保持平衡并遵循所需的機器人軌跡所需的力，結(jié)合步態(tài)控制以完成機機器人的基本運動，全身控制策略則確保了機器人在執(zhí)行動作時的安全性和平衡性，未來將持續(xù)優(yōu)化提升動作執(zhí)行能力。

在對話推理方面，F(xiàn)igure 02可以通過內(nèi)置麥克風和揚聲器與人類進行語音對話。這一核心功能依托于與OpenAI合作訓練的定制AI模型，能夠理解、處理并回應人類的語音輸入。機器人以語音作為默認操作界面，意味著用戶可以像跟人交談一樣自然地與Figure 02互動，而無需依賴傳統(tǒng)的按鈕或屏幕界面。

得益于機載視覺語言模型（VLM），F(xiàn)igure 02能通過攝像頭“看懂”周圍環(huán)境。進行快速的語義理解和常識性視覺推理，并做出智能判斷。例如物體識別、場景理解，甚至洞悉人類的行為意圖，顯著增強了機器人在復雜現(xiàn)實世界中的適應和交互能力。

此外，F(xiàn)igure 02機載CPU/GPU的計算和AI推理能力是上一代產(chǎn)品的3倍。這一重大提升使其能夠完全自主地執(zhí)行現(xiàn)實世界中的AI任務(wù)，而無需依賴外部資源。

事實上，F(xiàn)igure 02只是具身智能的一個載體形式。在ITF World 2023半導體大會上，英偉達創(chuàng)始人兼CEO黃仁勛直言，人工智能下一個浪潮將是具身智能，是能理解、推理、并與物理世界互動的智能系統(tǒng)，AI與機器人的融合，具有很好的想象空間。

特斯拉CEO馬斯克在近期舉行的2024特斯拉股東大會上表示，人形機器人將是今后特斯拉主要的長期價值來源，他也認為，以具身智能機器人為代表的產(chǎn)品有望成為AI的下一浪潮，并且將成為工業(yè)主力，數(shù)量有望超越人類，預計將達到100億至200億臺。特斯拉的目標是年產(chǎn)10億臺，占據(jù)市場10%以上的份額。

1950年，圖靈在他的一篇論文中首次提出了“具身智能”的概念，其是人工智能的一個重要分支，它強調(diào)智能體與其所處的物理環(huán)境緊密交互，通過人形機器人等智能實體實現(xiàn)感知、決策和行動。這種結(jié)合讓人工智能可通過攝像頭、傳感器等理解環(huán)境，并通過機械臂、輪子等執(zhí)行器作用于物理世界，在物理空間中學習、適應并完成指令任務(wù)。這是一個包含人工智能幾乎所有技術(shù)的領(lǐng)域，可以說是AI的集大成者。

從全球具身智能當前發(fā)展看，大致可以分為三個流派：實用派、性能派、學術(shù)派。

實用派——以特斯拉、Agility Robotic和1X Technologies為代表的實用派看重商業(yè)化落地的可能性，希望“讓一部分人先用起來”。可以接受前期僅在部分場景中替代少量勞動力，在設(shè)計初期便擁有明確的商業(yè)化落地目標，著重于快速降低成本、推動量產(chǎn)落地。特斯拉于2023年12月中旬發(fā)布了第二代人形機器人，提升了行走速度，可完成拿雞蛋等精細操作，給了市場更多的信心，預計2024年試產(chǎn)，2025年量產(chǎn)，最終目標售價期望低于每臺2萬美元。

性能派——以波士頓動力為代表的運動性能派，則擁有與軍方三十年之久的合作經(jīng)驗，著重于挖掘現(xiàn)有人形形態(tài)機器人的運動潛力，不太關(guān)注成本，Demo機已擁有完成諸如后空翻、跑酷等高難度動作的能力，有可能在未來戰(zhàn)爭中起到一定作用，但礙于成本過高，而影響了量產(chǎn)計劃。而Apptronik這類公司則擁有深海、太空等極端環(huán)境下的產(chǎn)品經(jīng)驗，還與NASA有較多合作開發(fā)經(jīng)驗，第一款通用機器人Demo只有上半身，計劃在2024年底前實現(xiàn)商業(yè)化。

學術(shù)派——以李飛飛教授和谷歌團隊為代表的學術(shù)派則非常追求大模型對于機器人的變革，打造出“RobotGPT”的基座模型，實現(xiàn)零樣本或少樣本學習，在更復雜乃至陌生的環(huán)境中執(zhí)行任務(wù)，實現(xiàn)人形機器人的智能涌現(xiàn)。

螺旋上升與曲折前進

具身智能這條長坡厚雪的賽道上從不缺少拓疆者。從簡單的結(jié)構(gòu)驅(qū)動到關(guān)節(jié)驅(qū)動，再到完成跑步、轉(zhuǎn)彎、識別特定人群面孔系統(tǒng)的高度集成，至目前能發(fā)揮自主決策等功能的高動態(tài)運動階段，早稻田大學WABOT-1、本田ASIMO、波士頓動力Atlas、特斯拉Optimus、小米CyberOne“鐵大”、優(yōu)必選WalkerS等代表作，不斷突破著技術(shù)的邊界。

綜合來看，具身智能在其發(fā)展過程中目前仍面臨著多項挑戰(zhàn)，這些挑戰(zhàn)源自于其發(fā)展過程中的復雜性和不斷變化的需求。

首先，是要適應非結(jié)構(gòu)化真實環(huán)境。與預設(shè)規(guī)則和模式驅(qū)動的傳統(tǒng)AI系統(tǒng)不同，具身智能必須在一個充滿復雜性和不可預測性的非結(jié)構(gòu)化環(huán)境中找到立足點。在這種環(huán)境中，信息的稀缺和場景的多變性，要求AI系統(tǒng)具備更加先進和靈活的計算能力，以便能夠適應環(huán)境的不斷變化和不確定性。這不僅是一個數(shù)據(jù)處理的問題，更是對AI系統(tǒng)感知和適應能力的全面考驗。

其次，是要發(fā)展更高級的認知策略。在自然界中，生物體通過視覺、聽覺和觸覺等多種感覺途徑獲得復雜的感知信息，并在大腦中進行有效的多模態(tài)信息融合。具身智能同樣需要模仿這種高效的多模態(tài)融合過程，以更全面地理解和適應其所處的環(huán)境。這包括但不限于對三維空間中物體的精確識別和定位，以及對環(huán)境變化和內(nèi)在聯(lián)系的動態(tài)捕捉。

此外，涌現(xiàn)式創(chuàng)新與突破的缺乏影響著具身智能的進化程度。生物群體能夠展現(xiàn)出令人驚嘆的集體智慧，主要歸功于其中個體之間的協(xié)同作用。對具身智能來說，一個重要的挑戰(zhàn)是模仿這種群體智能系統(tǒng)。這意味著需要將智能分散到多個實體中，并通過它們之間的協(xié)作，實現(xiàn)更高級別的認知和決策能力。生物群體所展現(xiàn)的自組織和適應性特征，允許它們根據(jù)環(huán)境的變化和個體之間的差異進行自我調(diào)整。具身智能需要發(fā)展類似的機制，以實現(xiàn)分工協(xié)作和動態(tài)任務(wù)分配，從而能夠更靈活地應對多種情境。

最后，具身智能在與真實環(huán)境進行交互并充分學習時，勢必會收集和處理大量數(shù)據(jù)。這就引出了一個關(guān)鍵問題：如何在實時交互中確保這些數(shù)據(jù)的安全性和隱私性。保障數(shù)據(jù)安全和用戶隱私是具身智能發(fā)展中不可忽視的重要方面。此外，具身智能在決策時還需要考慮倫理和道德問題。因此，未來的發(fā)展不僅需要技術(shù)創(chuàng)新，還需要建立更為健全和全面的倫理指南，以指導具身智能在復雜情境中的行為決策，確保其行為符合道德原則和社會價值觀。

具身智能的發(fā)展不僅是技術(shù)革新的過程，更是對人類理解、倫理道德和社會影響的深思，相關(guān)研究在推動科技邊界的同時，還將深刻影響人類社會的方方面面。

離我們還有多遠？

賽迪研究院發(fā)布的《2024中國人形機器人產(chǎn)業(yè)生態(tài)發(fā)展研究》顯示，2023年，我國人形機器人產(chǎn)業(yè)進入爆發(fā)期，產(chǎn)業(yè)規(guī)模增長至39.1億元，同比增長85.7%；預計2024年、2025年人形機器人產(chǎn)業(yè)將持續(xù)高速增長，2026年中國人形機器人產(chǎn)業(yè)規(guī)模將突破200億元。

根據(jù)高盛的預測，在技術(shù)得到革命性突破的理想情況下，2025年至2035年全球人形機器人銷量復合年均增長率可達94%，2035年市場規(guī)模將達1540億美元。更樂觀的預測提出，在生成式人工智能技術(shù)大爆發(fā)的當下，人形機器人極有可能實現(xiàn)超預期增長，下一個萬億級“藍?！币押糁?。

從場景角度來看，人形機器人的目標應用場景包括商用、醫(yī)療康復、制造業(yè)、物流等。中短期內(nèi)，更多廠商會把偏服務(wù)類的場景列為目標應用場景優(yōu)先落地。中長期來看，隨著技術(shù)提升及結(jié)構(gòu)化場景的開放，商業(yè)服務(wù)、工業(yè)制造與物流領(lǐng)域能獲得更多場景數(shù)據(jù)集進行訓練，實現(xiàn)局部場景落地。

從發(fā)展趨勢看，人形機器人是一個顛覆性產(chǎn)品的賽道，目前尚處于發(fā)展的導入期。接下來，在產(chǎn)品、產(chǎn)業(yè)和政策等條件的促進下，人形機器人的商業(yè)化落地還將提速。

根據(jù)工信部印發(fā)的《人形機器人創(chuàng)新發(fā)展指導意見》指出，人形機器人有望成為繼計算機、智能手機、新能源汽車后的顛覆性產(chǎn)品。Markets and Markets則預計到2027年，全球人形機器人市場規(guī)模將達173億美元，復合增長率為63.5%，市場發(fā)展廣闊。

此外，據(jù)國際機器人協(xié)會預測，2021年-2030年，全球人形機器人市場規(guī)模年復合增長率將高達71%。中國電子學會發(fā)布的數(shù)據(jù)則顯示，到2030年，我國人形機器人市場規(guī)模有望達8700億元。

這樣一個龐大的市場，自然引得巨頭紛紛押下重注。比如，谷歌依托其在AI領(lǐng)域強大的研究團隊，豐厚的多領(lǐng)域研究成果，引領(lǐng)著近年來機器人模型的發(fā)展。這主要集中體現(xiàn)在，Google DeepMind此前曾發(fā)布具備“自我完善”能力的“RoboCat”和融合大語言模型能力的VLA模型Robotic Transformer 2（RT-2）。RT-2在訓練時模型就同時學習視覺、語言、機器人行為這三種數(shù)據(jù)，并將這些知識轉(zhuǎn)化為機器人控制的通用指令。RT-2一方面吸收了視覺語言模型的語義推理、問題解決、視覺解釋能力，另一方面能夠從真實的機器人動作中實現(xiàn)具身任務(wù)推理，且兩方面能夠相互促進。在自然語言輸入后，通過模型的運算，直接產(chǎn)生動作的輸出，讓人類可以通過純語言命令優(yōu)化機器人控制，進一步加速機器人的智能化進程。

此外，Meta推出在少量訓練數(shù)據(jù)情況下便能取得優(yōu)異表現(xiàn)的MT-ACT模型。而微軟推出基于ChatGPT的機器人控制框架，將ChatGPT的“知識儲備”落實到現(xiàn)實場景中?？梢哉f，人形機器人模型發(fā)展百家爭鳴，大有可為。

而在國內(nèi)，小米、傅利葉、宇樹、智元、開普勒、追覓等廠商都相繼推出了人形機器人產(chǎn)品。科技企業(yè)研發(fā)進程的推進，也持續(xù)吸引著資本市場加碼。

這些入局者都非常清楚，軟硬融合方能打造出人形機器人的新高度。軟件決定人形機器人高度，算法需與硬件匹配。人形機器人本質(zhì)是AI技術(shù)落地物理世界的最佳載體，算法是核心，需與硬件匹配。

身為軟硬件能力高度集成的實體，人形機器人商業(yè)化的核心突破點在于“AI大腦”。而AI大模型的高歌猛進為人形機器人的發(fā)展，帶來無限可能——使人形機器人具備更強的事物處理和自然語言交互等能力。

從發(fā)展趨勢看，人形機器人尚處產(chǎn)業(yè)化初期，但在AI技術(shù)突破、政策加碼、科技企業(yè)強勢入局的三重要素催化下，有望盡快迎來發(fā)展拐點。

智力革命已經(jīng)打響，就像工業(yè)革命解放生產(chǎn)力，電力革命解決能源流通，是全新生態(tài)的構(gòu)建。未來嵌入具身智能的機器人、自動駕駛汽車、自動化設(shè)備等，不僅是對人類智能的延伸，更是一個通用人工智能誕生和發(fā)展的舞臺，為超越人類智能水平的人工智能提供了理想的試驗場和成長空間。

這預示著，一個更加智能、更加互聯(lián)的未來正向我們走來。

生成海報

免責聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。