机器人领域的 AI 突破短期内不会改变你的生活

本文是《麻省理工科技评论》与Aventine的合作成果。Aventine是一家非营利研究基金会，致力于创作和支持关于科技与科学如何改变我们生活的内容。

一个外形像人的机器人——白色机身，黑色头部和躯干——不断出现在视频画面中。也许你见过它跳舞或递爆米花、把垃圾放进垃圾桶、吸尘，或者按下微波炉的按钮。又或者，你看到过它在分发水瓶时向后摔倒，或是费力地熨衬衫。

这就是特斯拉的Optimus，一款由AI驱动的人形机器人。该公司CEO埃隆·马斯克认为，它“不仅是特斯拉有史以来最大的产品，而且很可能是有史以来最大的产品”，将进入工厂车间工作，之后还会进入我们的家庭。今年7月，他告诉股东，它最终“将拥有人类、乃至超人类的灵巧度”。马斯克主张，Optimus机器人可以以每台低至2万美元的价格，实现几乎所有人类劳动的自动化——从搬运金属板材到叠衣服。今年1月在瑞士达沃斯举行的世界经济论坛年会上发言时，他预测到2027年底它们就可能向公众发售。

马斯克并非唯一如此鼓吹的人。硅谷风投公司Andreessen Horowitz的联合创始人兼普通合伙人马克·安德森曾表示，机器人技术可能成为“地球历史上最大的产业”。今年1月，英伟达CEO黄仁勋表示，人形机器人今年将达到人类水平的能力。根据摩根士丹利的说法，到2050年，“外形和行为都像人类”的机器人数量可能接近10亿，创造出一个价值超过5万亿美元的市场。

这些宣言在很大程度上源于这样一种想法：推动OpenAI的ChatGPT和Anthropic的Claude等工具发展的同一批AI进步，将使新一代机器人能够模仿人类动作，就像聊天机器人模仿人类语言一样。但许多机器人研究者对此持怀疑态度，他们认为，这类假设低估了用建立在语言和图像之上的智能来驾驭物理世界无限可变性所面临的挑战。“那些（制造人形机器人的）公司——绝对没有一家——知道如何让这些机器人聪明到有用，”常被称为AI教父之一的杨立昆在1月达沃斯会议期间的另一场活动上说。

研究者还指出，将外形仿人的机器人等同于能够学习和执行多种任务的所谓通用机器，是一种误导。“造一个看起来像人的机器人非常容易，”Agility Robotics联合创始人兼首席机器人官、俄勒冈州立大学机器人学教授乔纳森·赫斯特解释说，“而要造出一台在运动或行为上像人一样动态或物理地行动的机器，则要困难得多。”

这些分歧——关于全能型人形机器人究竟是近在眼前还是遥遥无期，以及当前形式的AI是否足以完善它们——正在全美各地的机器人实验室中上演。在这些实验室里，对时间表的炒作掩盖了艰苦但有意义的进展。

大约十年前，一系列突破引发了生成式AI革命，将长期设想的人工智能可能性变为现实。机器人研究者——尽管他们对这究竟何时发生意见不一——相信机器人领域也可能发生同样具有变革性的革命，这场革命将赋予机器长期以来难以企及的物理直觉和流畅性。随着机器人技术的进展缓慢推进，问题在于：推动AI进步的那些方法和工具是否足以实现这一目标，还是需要一条全新的路径。

要了解当今最聪明的机器人大脑之一如何工作，值得看看谷歌DeepMind能用一台名为ALOHA 2的设备做些什么。ALOHA是“用于双臂遥操作的低成本开源硬件系统”的缩写。

长期以来，机器人研究者一直在争论通用机器人是否需要类人形态。支持者认为，这将有助于它们融入现实世界；反对者则认为不值得费这个劲。ALOHA 2体现了后一种思路。它其貌不扬，只是一对机械臂、一些夹爪和几个摄像头。但尽管看似简单，它却是谷歌DeepMind研究人员的主力工具，他们在各个实验室里用它来测试其最先进的机器人AI系统Gemini Robotics。

在Gemini Robotics的控制下，ALOHA 2更像一个通用机器人，因为它能根据训练过的示例执行任意数量的任务。让它装一个午餐盒，从这段操作视频可以看出，它能用两个钳形夹爪轻轻地把一片白面包放进Ziploc保鲜袋，封好袋口，把一串葡萄放进特百惠容器，盖紧盖子，然后小心地把这些物品移入午餐盒并拉上拉链。

这顿午餐算不上丰盛。但机器人能把它装好，这一事实代表着相比哪怕三年前所能做到的，已经迈出了客观的一步。

这在很大程度上归功于AI及其对所谓机器人策略的影响。机器人策略控制着通用机器人如何评估和理解周围环境、规划如何在其中移动，然后正确执行任务。

ALOHA 2机器人不过是放在工作台上的一对机械臂，但它充当着尖端AI机器人模型的试验台。这些动画基于人类对机械臂的遥操作，这些数据被用于训练谷歌DeepMind的模型。（视频：Google DeepMind / 斯坦福大学 / Hoku Labs）

从历史上看，这些策略基于工程师制定的规则，他们将其硬编码到机器人的软件中——成千上万行代码决定了机器人在数百项任务中每一毫米的动作。过去几年发生的情况——也是人们对通用机器人持乐观态度的主要原因——是机器人策略正被交给先进的AI系统，而不是被编码进机器人的软件中。这最早出现在VLM，即视觉语言模型上。它们与大语言模型类似，但训练数据既包括文字也包括图像。给VLM看一张咖啡洒了的图片，并要求它找工具清理污渍，它能识别出附近的抹布。这种即时的情境理解在几年前机器人策略还是硬编码时并不存在。

接下来是视觉-语言-动作模型，它使机器人能够评估其环境并在其中采取行动。这些模型通过增加另一个组件来实现这一点：运动指令。VLA基于与执行特定任务相关的一系列图像或视频，以及关于机械臂如何运动来执行该任务的相关数据进行训练。这些运动数据通常通过遥操作收集，即人类使用遥控器引导机器人完成一个动作。这种训练使AI能够学习如何命令机器人在给定任务中移动和操作。把一台由VLA驱动的机器人放在桌子前，告诉它“合上笔记本电脑”或“把耳机线缠好”，它就会环视场景、识别相关物体、规划执行请求的方式，然后挥动手臂开始行动——至少如果它以前见过这项任务完成的话。

Gemini Robotics模型是一个VLA，基于大量人类演示训练而成，这些演示描绘了各种各样的动作。因此，它可以执行相对复杂的任务，比如用厨房夹子夹起雪豆、做折纸，或者组装一顿简单的午餐。这令人印象深刻，但有一个明显的局限：目前，如果要求一台由VLA控制的机器人执行超出其训练集的任务，它极有可能失败。

“考虑到所有任务的空间，一个真正的通用策略应该能够完成这一范围内的所有事情，”伦敦帝国理工学院的机器人学教授Edward Johns说。然而如今，一个Gemini Robotics模型只能做“这里几件事，那里几件事”。

那么，我们如何让机器人能够做更多事情？通常的答案可能并不令人意外：用更多数据训练它们。

更多的数据，这种思路认为，等于更多的示例，而更多的示例等于更强的通用性。例如，谷歌DeepMind希望汇集“尽可能多的数据”，该公司前机器人技术负责人、目前正在从事自己的人工智能机器人项目的Pannag Sanketi说。但从哪里获取数据呢？大语言模型受益于海量现有文本用于训练。目前并不存在与之对应的、可用于训练机器人的高质量物理演示数据池。研究人员有几种方法来弥补这一点，但都有缺陷。一种是雇用大量人员来创建和收集遥操作数据（成本高昂且耗时）。另一种是用人们执行活动的视频来训练VLA（所得数据质量差）。还有一种是将机器人部署到现实世界中，并利用从这些经历中收集的数据来进一步改进AI模型（机器人在实验室外既不安全也不可靠）。Sanketi认为，采用“多管齐下”的方法、利用从所有这些来源收集的数据，是最有可能的前进道路。

但认为仅靠训练数据就能解决问题这一信念远非普遍。Agility的Hurst将其描述为“一个根本上有缺陷的前提”。

问题在于，现实世界中的任务会迅速变得极其复杂。比如说，如果你想煮咖啡，就有无数变量：没有两个厨房是完全相同的；咖啡机的工作方式各不相同；不同的杯子需要不同的握法；咖啡粉、热水和牛奶都需要以不同方式处理。即便是这项简单的任务，也需要理解一份不断变化的可能性清单。Hurst认为，通过VLA实现通用性将需要“对[机器人]可能做的所有事情实现完整的数据覆盖”。或者换句话说，需要一个几乎无限的训练数据池。

LeCun对整个方法不屑一顾。“在语言方面取得成功的[AI]方法，并不适用于高维度、连续、嘈杂的数据”——这类数据在机器人技术中司空见惯，他在达沃斯说。“你必须使用别的东西。”

“别的东西”的主要竞争者就是所谓的世界模型——一种与其说基于文本训练，不如说基于视频、三维扫描和传感器数据的组合训练，并旨在预测现实世界中行动结果的AI形式。目标是构建这样的模型：它们对现实拥有足够精确的内部表征，能够捕捉物理世界实际如何运作——物体如何移动、碰撞、坠落和变形。如果机器人学家能够在足够忠实于现实世界物理规律的模拟中训练机器，开发将变得更快、更便宜、更安全，从而减少对现实世界测试的需求。更具变革性的是，配备世界模型的机器人可以对其周围环境进行推理，而不仅仅是做出反应，帮助它们在采取行动之前预判行动的后果。

英伟达和谷歌等公司正在研发这项技术，投资者资金正涌入备受瞩目的初创企业。由斯坦福大学AI研究员李飞飞联合创办的World Labs于2月融资10亿美元，并于9月底被AMD以82亿美元收购。由LeCun（Meta前首席AI科学家）联合创办的AMI Labs也在3月融资10亿美元。然而，用他们自己的话说，现在仍处于早期阶段。去年年底，李飞飞称该领域“尚处萌芽期”，并补充说“基础性方法仍在建立之中”。在6月的一篇Substack文章中，她描述了种种艰巨挑战。目前，世界模型是一个前景广阔的研究领域，而非通往通用机器人的直接路径，但我们已开始看到它们所能实现之成果的微光。

其中一瞥来自去年4月在旧金山一家机器人实验室发生的一次虽小但可能意义重大的飞跃。

在旧金山教会区的中心地带，初创公司Physical Intelligence——或者按它喜欢被称呼的PI（即π）——正专注于开发一种通用大脑，理论上它可以将任何机器人变成通才。该公司采用一种“把厨房水槽都算上”的方法来训练机器人AI模型，最近观察到了一点迹象，显示出配备世界模型的机器人大脑可能具备的能力。

2024年，PI公布了其首个通用机器人系统π0的细节，这是一种VLA，该公司声称它是“迄今为止能力最强、最灵巧的通用机器人策略”。该模型最初使用一个1万小时的专有人类演示数据集进行训练，这些演示通过遥操作收集，此外还使用了若干开源机器人数据集。2025年春季发布的版本π0.5在更广泛的数据集上进行了训练，包括来自网络的标注图像，从而赋予其更强的通用性。2025年秋季的更新版本π0.6为模型加入了强化学习。

每次更新都为模型性能带来了重要提升，使其能力清单不断扩大，从缓慢叠衣服到在新环境中收纳物品，再到以更高成功率完成折箱子等任务。然后，在2026年4月，π0.7似乎将PI推向了新领域。这个版本使用了一个能力较弱的世界模型，该模型会生成执行任务所需步骤的图像。当机器人执行任务时，这个“轻量级”模型会向它提供下一步该做什么的快照。

该公司声称，该模型展现出组合泛化能力的最初迹象。组合泛化是指AI系统通过重新组合训练数据中学到的技能，来执行它们从未接触过的技能的能力。其中一项测试要求模型“把红薯放进空气炸锅”——这是它此前从未遇到过的任务。在一段演示视频中，机器摸索了一会儿，几次起步失误，最终完成了一次还算合理的尝试，尽管它并未完全完成任务。

加州大学伯克利分校教授、PI联合创始人Sergey Levine对这一潜力感到兴奋：“这实际上是我们第一次令人信服地看到那种组合泛化，即我们基本上可以要求模型执行我们并未专门收集数据并训练它去做的任务，而它确实会做出一个还算过得去的尝试。”

这一成功让团队开始思考，模型是如何实现这一壮举的。经过一番挖掘，他们发现训练材料中潜藏着相关标注遥操作数据的片段，其中包括两个人类控制员使用机器人将空气炸锅炸篮推入炸锅的示例。这些零散数据可能足以让π0.7几乎完成用空气炸锅烤红薯的任务。

目前尚不清楚π0.7的泛化能力究竟有多令人印象深刻。不过，考虑到该模型接触空气炸锅的时间如此短暂，它仍让人得以一窥当前前沿研究能把机器人带到多远。

你可能会感觉到一种脱节：一边是机器人在实验室里蹒跚迈出的婴儿步——“看！它把红薯放进空气炸锅了！”——另一边是许多演示和视频中展示的令人眼花缭乱、栩栩如生的灵巧动作，机器人在其中从在舞台上跳舞到彬彬有礼地端送饮料，无所不做。这类演示往往没有清楚揭示一个关键事实：在许多情况下，是人类在控制机器人，或者已仔细编写了其动作脚本。（例如，2025年3月与英伟达CEO黄仁勋一同登台的那台机器人，看似在回应他的指令并跟着他走动，实际上是由其制造商所称的“幕后木偶师”远程控制的。）

目前，让机器人知道自己该去哪里的完全自主运动规划——尤其是在建筑工地或不熟悉的住宅等新的混乱环境中——在很大程度上仍是一个未解决的挑战。更大的挑战——尽管往往与此相关——在于让机器人处理更大、更模糊的工作，这些工作包含多项任务，并且需要就如何完成以及以何种顺序完成做出决策。这将是机器人在能把盘子放进微波炉与能成功响应“做晚饭”这一提示、通过翻找冰箱、切配料并点燃炉灶之间的差别。Google DeepMind在这方面最好的尝试——让其机器人巡视厨房，并把制作蘑菇烩饭的所有食材装进篮子——迄今都以失败告终。

更添挑战的是，一台实用机器人基本上必须每次都做对。对于VLA，波士顿动力公司创始人Marc Raibert说：“当结果从50%的成功率提升到70%时，人们非常兴奋。但70%的成功率就像是不管用，对吧？”

目前正在真实环境中接受测试的少数人形机器人，只能在受到严格管控的环境里执行极为有限的任务。它们远非通用型机器人。据Agility公司称，其已有数百台机器人在GXO Logistics、亚马逊和舍弗勒旗下设施的试验中投入使用。但赫斯特表示，就目前而言，这些机器人瞄准的只是搬运箱子和周转箱之类的简单任务。他补充说，即便如此，也花了数年时间才研发出足够安全、让物流公司敢于考虑使用的机器人。就埃隆·马斯克而言，他在2025年5月声称，到当年年底将有“数千台”Optimus机器人在特斯拉工厂工作，但今年1月他却表示，公司只有“部分特斯拉Optimus机器人在工厂里做简单任务”。

尽管人形机器人正开始踏入工厂车间，但要进入家庭则会更加困难。眼下，如果你愿意，可以预订1X Neo家用机器人，预计今年晚些时候某个时候可以交付。售价2万美元，它承诺承担“家中无聊而琐碎的任务”——收拾餐具、应门、整理客厅——“让你能专注于对你重要的事”。其设想是，这台身高五英尺六英寸的机器人有朝一日能自主完成所有这些任务，但目前它做大多数事情仍需要远程人工操作员。（是的，一个人需要获得许可，才能通过机器人的摄像头窥视你的家。）当被问及还要多久全自主机器人才能胜任家务时，赫斯特说：“如果我非得给个数字，我会说，还要10年，机器人才能……真正在人们家里做有用的事。”

当那一天到来时，这些机器人很可能来自中国，因为中国在生产方面远远领先于西方。据市场情报公司Omdia和中国机器人公司宇树称，2025年出货的约1.5万台人形机器人中，近90%由中国公司制造。宇树生产的一款型号去年出货的人形机器人数量超过任何其他公司，其价格不到6000美元。如此亲民的价格可能在让机器人对消费者更具吸引力方面大有帮助，不过该公司预计其机器将首先用于工业场景。（顺便说一句，如果你想知道是谁在购买所有这些中国机器人，美联社最近报道称，订单主要来自企业和学术实验室以及国有企业。）

制造人形机器人的梦想由来已久：早在1495年，列奥纳多·达·芬奇就勾勒出一个由缆绳和滑轮控制的机械骑士的设计。整个20世纪，科幻狂热梦想中的机器来来去去。

西屋电气那台七英尺高、长着腿的箱子形机器人Elektro在1939年纽约世界博览会上亮相，还叼着一根烟。日本早稻田大学1973年制造的WABOT-1是第一台全尺寸、可编程的人形机器人。本田于2000年发布的ASIMO，很可能是第一台至少在某种程度上证明自己尚算能干的此类机器——它至少在一定程度上能爬台阶、识别人脸并在空间中自主移动。但该机器人于2018年停产，因为它除了在演示中能做到的事情之外，无法取得足够进展以变得有用。

在当时，所有这些都堪称令人印象深刻——甚至令人瞠目结舌——的工程壮举。但没有一个准备好应对现实世界。如今的机器人，即便拥有先进AI的变革性力量，仍面临同样的生存性挑战。

在AlphaGo对阵围棋冠军李世石十年之后，今天的AI仍未真正利用上当年让那场胜利成为可能的机制。