2023人形机器人爆发年：智能泛化开启通用时代

编者按：本文来自微信公众号 经纬创投（ID：matrixpartnerschina），作者：经纬创投主页君，微新创想经授权发布。近期，人形机器人领域掀起热潮。2023世界机器人大会在北京成功举办，现场人潮涌动。同时，宇树科技、智元机器人等创新企业纷纷发布自家的人形机器人产品，当这些能够站立行走、奔跑跳跃的机器人真实出现在公众面前时，引发了市场的强烈反响。机器人技术一直是理论探讨容易，科幻描绘常见，但实际研发极具挑战性。即便在众多工厂的流水线上，机器人依然难以适应复杂的作业环境。然而，自去年底特斯拉推出人形机器人Optimus（擎天柱）以来，人形机器人赛道逐渐升温。那么，是什么原因让人形机器人成为热点？当前是否已达到技术突破的临界点？与工业机器人这一成熟领域相比，人们对机器人的新期待在底层逻辑上存在哪些差异？首先，我们总结核心观点：人形机器人赛道的火热，关键在于智能泛化能力的显著提升，使得通用机器人成为可能。过去，机器人行业迭代缓慢，主要因为每学习一项新动作都需要重新编程，仅实现机械自动化。而如今智能泛化能力的突破，甚至可以通过语音控制让机器人实现新功能，这是从自动化到智能化的根本转变，极大增强了机器人的通用性。英国机器人公司Engineered Arts的人形机器人Ameca，在接入Stable Diffusion后，能够完成简笔画创作，如绘制猫咪形象。基于这一认知，我们可以进一步探讨：当机器人技术突破临界点，更智能的机器人将如何应用？机器人是否必须采用人形设计？训练数据的获取瓶颈如何突破？本文将深入探讨这些问题，但需注意人形机器人作为新兴赛道，许多问题尚无定论，欢迎读者在评论区交流讨论。人形机器人是一个具有广阔前景的赛道，能够带动众多细分领域的发展。以特斯拉机器人Optimus为代表的硬件全景图，展现了人形机器人的巨大潜力。当机器人技术达到突破临界点，更智能的机器人将如何应用？曾经，机器人领域迭代速度相对较慢，如今汽车工厂中已广泛应用工业机器人，并拥有数十年的应用历史，但这类机器人多为非通用智能机器人。其瓶颈在于，工业机器人等非通用智能机器人（通常只是机械臂）只能在特定场景执行特定任务，其动作和反应算法都是预设的，一旦遇到新情况或环境变化，若无预先编写的算法应对，就会立即表现出“智能不足”。如今，通用机器人的出现可能改变这一现状，极大扩展机器人的潜在应用场景。过去，工业机器人只能在流水线的单点执行任务，如拧螺丝或组装部件，但有了通用机器人，只需教会其安装逻辑和评估标准，不仅能拧螺丝，还能在螺丝用完后自行从仓库取用，或配备灵巧手处理更复杂的任务。此外，结合大语言模型（LLM），我们还可以实现语音控制，只需说出“请给我拿杯水”，系统将语音转换成代码，再转换成机器人的动作。这并非影视剧中才有的场景，而是正在发生的现实。今年谷歌发布Robotics Transformer-2（RT-2），微软发布“ChatGPT for Robotics”论文，为整个机器人行业带来巨大震动。这些新进展与过去“每做一套新动作就需要重新编程一次”的机器人相比，存在天壤之别。未来，无论是在工厂车间、商场还是家庭，都可能出现通用机器人，适应不同环节，无需重新编程即可在不同任务间灵活切换。目前，大多数通用机器人创业公司的首要目标并非ToC（消费者市场），而是ToB（商业或工业场景）。先在B端场景中打磨技术，再逐步应用于C端，是许多公司的战略规划。汽车生产是许多公司优先考虑的场景。汽车工厂规模庞大，自动化程度较高，许多环节已通过工业机器人实现流水线作业，但仍需大量人工操作。例如，在汽车工厂的总装车间，仍需大量人力，人形机器人可以替代这些环节，而非替代已实现自动化的部分。智元机器人的人形机器人应用在汽车工厂的案例。按照马斯克的计划，特斯拉首批机器人主要应用于B端，替代危险、枯燥、重复的工作，或人类不愿承担的任务。第二批大规模使用的机器人将具备现实世界导航能力，利用特斯拉电动车的视觉导航技术，无需特定指令即可执行有用任务；第三批则预计在10年后，人们可以在家中使用机器人。除了汽车工厂，3C产品的组装、检测等环节，以及商业场景中的零售业货架管理、清洁等，仍有大量人工需求。随着社会老龄化及人力成本上升，将出现巨大的劳动力缺口需要填补。当然，并非所有场景都必须采用人形机器人，应根据实际需求选择。宇树科技创始人兼CEO王兴兴曾表示，四足机器人相比双足机器人，具备更高的载荷能力、更强的平衡能力，且更易于控制、设计和维护，在工业端和消费端均有广泛应用场景，尤其适合在危险环境中替代人类作业。鸿海、软银投资的日本机器人初创公司Telexistence，可作为商超货架的补货机器人。然而，当前的通用机器人距离真正商业化落地仍面临诸多挑战。最明显的是成功率、执行速度和精度仍需提升。例如，谷歌的RT-2相比RT-1，执行成功率提升至80%，但在实机演示中仍出现错误，如将柠檬味苏打水误识别为“橘子味”，或回答“桌子上有什么水果”时说成“白色”而非实际存在的香蕉。谷歌解释称，因WiFi临时中断，机器人使用了缓存答案。虽然80%的准确率在一些场景可用，但在需要高精度的场景仍不足够。当然，我们探讨了具身智能和通用机器人，但并不意味着工业机器人领域没有机会，只是发展逻辑不同。在传统机械设备领域，仍有大量机器人零部件创新和国产替代的机会。例如，工业机器人的核心零部件减速器长期被日本和德国公司垄断，工业机器人整体国产化率仅为35%，尤其在汽车3C、焊接等细分赛道，国产化率偏低，结合智能化仍有成长空间和创新潜力。机器人是否必须采用人形设计？在无数科幻影视作品中，人形机器人一直是人类对机器人的终极想象，相比工业机器人，人形机器人代表着更高维的存在。但由于实现难度极大，长期以来并非机器人行业的主要形态，直到最近一年特斯拉推出人形机器人Optimus，才成为市场焦点。市场对此也存在诸多质疑：我们是否真的需要人形机器人？实现难度如此之大，何时才能在现实生活中落地？是否应先从机械狗、多轮底盘+机械臂等形态入手，而非直接追求人形？目前尚无确切答案。我们看到谷歌搭载RT-2的机器人，采用轮式底盘+单机械臂设计，已能实现捡拾小物、开窗户、垃圾筛选等功能。这种单臂、轮式服务机器人无需灵巧手或仿人腿的运动控制系统，也能满足许多家庭、工厂场景的需求。当然，其局限性在于无法上下楼梯。我们的观点是人形是终极形态，因为相信最终机器人将进入千家万户。但根据不同场景需求，其他形态的机器人也将共存，如不一定是双足双臂，更早出现的可能是轮式单臂。人形机器人的优势在于应用范围。从终局思维来看，人形机器人最适合社会所有场景，因为人类社会的建筑、工具等都是基于人类身形设计的，无需改变场景适应机器人，即可直接使用人类社会的所有工具。这也符合马斯克提出的愿景，即未来人类不想干的事都可以交给机器人，甚至发掘出目前尚未预料到的用途。例如，人类的腿和手在仿生步态下，机器人的运动能力远超传统履带、四轮、双轮机器人，可上下楼、跳跃过障碍物。对于手来说，基于空心杯电机的灵巧手可实现双手配合和工具替换，比传统工业机器人能使用更广泛的人类工具，技能更丰富。其次，从交互角度看，“人形”能传递丰富的肢体语言、面部表情等信息。心理学家梅拉宾法则强调肢体语言的作用，肢体语言最符合人类认知，人类无需重新学习即可轻松理解机器人的动作。结合大语言模型后，人机交互将更加流畅。例如英国Engineered Arts公司的人形机器人Ameca，输入大量真人表情数据，通过立体3D打印机制作出精确模具，实现了生动的面部表情和肢体语言。Ameca能在橡胶皮肤上表现出超过62种面部表情，这是其著名的“苏醒时刻”。尽管人形机器人优势明显，但最大的制约仍是软硬件技术的高难度。从每个关节的设计到运动控制、环境感知，每个环节都存在技术难题，综合起来对系统的集成度和鲁棒性要求极高。例如运动控制的标杆波士顿动力，成立31年，历经被谷歌、软银、现代集团收购，持续投入，虽实现了“跑酷”等炫酷功能，但背后是不计成本的投入、功耗极高、噪音很大，距离量产落地仍很遥远。不过，如果一家公司以人形机器人为目标，不代表其产品只有一款人形机器人。在攻克高难度技术过程中，无论是移动、抓取还是视觉感知等方面，都可以迭代出新的产品，最终将各项技术组合在一起。简单来说，人形机器人是最难的机器人形态，谁能做好人形，谁就能做好其他形态的机器人。总之，机器人的通用性和智能化是未来重点，但不一定非要是人形，当前仍需根据场景需求选择。训练数据是瓶颈，数据还能从哪里来？能否获取高质量且成本可控的数据，是当前制约智能机器人发展的关键，也是拉开公司间竞争差距的重要手段。前车之鉴是Everday Robots，曾是谷歌的明星独立项目，但在今年2月因成本控制被谷歌解散，并入其他部门。造成Everday Robots成本高昂的重要原因之一是数据采集成本过高。OpenAI也曾有机器人部门，但后来放弃，问题也出在数据收集上。为何采集成本如此之高？主要是因为Everday Robots基于真实环境采集数据。谷歌为训练PaLM-E，用了13台机器人，收集了17个月的数据，若在更复杂的工业场景，数据采集成本会更高。目前，人形机器人主流的数据获取手段有四种：遥操作数据：这是目前最主流的方式，特斯拉等机器人公司都在使用。这种方式基于人工遥操作，先学习人类动作，再对应到机器人。由于使用真实世界数据，数据质量最高，但采集成本也最高。机器人的遥操作模拟器数据：由于遥操作成本过高，基于模拟器生成仿真数据的方式越来越受欢迎。一方面，合成仿真数据可大幅扩展数据集，此外仿真场景还可补充现实中较少出现的任务。在导航、抓取物品等任务中，仿真表现不错，但在流体运动、物体破裂等对真实物理数据要求高的场景，仿真仍难以完全模拟。但模拟器并非万能，如何构建丰富的3D内容、设置合适的奖励机制等，也是其面临的问题，此外还有算力成本。视频数据：鉴于线上视频网站中存在大量第一人称视角视频，这些视频可让机器人或AI学习，都是真实人类活动的视频，通过图像训练机器人的行为决策，可快速低成本实现数据积累和泛化能力。目前学界和谷歌等大厂，都在尝试这种方式加速训练。模仿学习：这种方式仍在研究中，即让人直接在机器人面前演示一遍，机器人即可学会。例如在家庭场景中，扫地或把脏衣服放进洗衣机等动作，可能只需教几遍，无需额外采集数据，也不需要动作捕捉。已有不少相关论文发表。总之，具身大数据对机器人至关重要，缺乏具身数据很难训练出真正好用的具身基础模型。目前，每条数据获取的技术路径上，都有公司或高校在尝试，许多公司也混合使用多种方式，以最快速度和最低成本获取高质量数据。今年，机器人在真实环境中的规划、感知、决策、执行等能力大幅提升，通过语音直接控制成为可能，人机交互也显著增强。在这种智能化、通用性发展趋势下，通用机器人的应用领域被极大拓宽，人形机器人的商业化也成为可能。通用机器人还将推动工业制造能力飞跃，从只能机械完成代码指令的工业机器人，变成能使用大量人类工具、载具的通用机器人。而在工业制造领域，无论是在机器人零件端，还是工业制造的应用场景、训练所需的数据成本等方面，中国更具优势。英伟达创始人黄仁勋在ITF World 2023大会上表示，人工智能的下一个浪潮将是具身智能，即能理解、推理、并与物理世界互动的智能系统。而通用机器人，无疑是理想的载体。本文为专栏作者授权微新创想发表，版权归原作者所有。文章系作者个人观点，不代表微新创想立场，转载请联系原作者。如有任何疑问，请联系http://www.idea2003.com/。