從簡單的獨立行走到精準的前后空翻，從經過反復訓練才能抓取物品到無須訓練就能聽從指令處理家務……人形機器人的“進化”速度令人驚訝。最近，硅谷機器人創(chuàng)新公司Figure AI的最新大模型Helix亮相，業(yè)內有觀點認為，Helix的能力“前所未有”，讓機器人能夠像人一樣思考與行動。Figure AI這次發(fā)布究竟有哪些重大突破？它會是現(xiàn)階段人形機器人的主流發(fā)展方向嗎？中外人形機器人具有哪些不同的發(fā)力方向？《環(huán)球時報》記者對此進行了采訪和調查。
Figure AI公司兩個共用“大腦”的機器人配合完成一系列復雜任務
這個刷屏的美國機器人有啥絕活
在Figure AI公布的一段近3分鐘視頻里，兩臺Figure人形機器人按照工作人員的指令，配合默契地將一堆食物與雜貨放入冰箱等相應的位置。
美國機器人網站The Robot Report提到，視頻中有幾個值得注意的要點，例如兩個機器人并不進行語言交流，但它們在互動過程中會有明顯的停頓，它們盯著對方，似乎是一種不可思議的“心靈感應”。
按照Figure AI公司的說法，兩臺機器人共用一個大模型“大腦”，協(xié)作完成復雜任務，這在行業(yè)內是首例。此外，Helix還創(chuàng)造了其他多項“第一”：它是全球首個能夠對整個人形機器人上半身進行高頻率、連續(xù)控制的視覺-語言-動作（VLA）模型；它僅需接收自然語言指令，就能拾取幾乎任何小型家用物品，包括數(shù)千種它從未見過的物品。這些體現(xiàn)了人形機器人的“泛化”能力。
“Helix最大的突破在于它是一個‘通用’的視覺-語言-動作（VLA）模型。這意味著它將機器人的視覺感知、自然語言理解和動作控制整合到了一個統(tǒng)一的框架中，這就是有點奔著端到端具身智能大模型方向去了。”一位人工智能專家告訴《環(huán)球時報》記者，傳統(tǒng)的機器人系統(tǒng)往往針對特定任務進行設計，需要大量的編程工作，難以適應新的環(huán)境和任務。而Helix模型則具備更強的泛化能力，能夠理解自然語言指令，并處理之前從未見過的任務，這大大減少了對特定任務演示或大量手動編程的需求。
《環(huán)球時報》記者在調查和采訪中了解到，Helix模型目前還存在一些短板。首先，Helix目前主要應用于Figure機器人的上半身控制，包括手腕、頭部、手指甚至軀干。這意味著，對于下半身的控制，比如行走、奔跑等，可能還需要進一步研發(fā)和完善。其次，盡管Helix在數(shù)據(jù)利用效率上表現(xiàn)出色，但其訓練所用的數(shù)據(jù)量仍然相對較少，這可能會影響它在處理更復雜、更多樣化任務時的表現(xiàn)。
代表未來發(fā)展方向嗎
值得關注的是，大模型與人形機器人的融合日益加深。Helix模型不僅讓機器人能夠“看懂”“聽懂”，更重要的是，能夠讓機器人根據(jù)所見所聞，做出相應的行動。這打破了以往機器人技術中感知、理解和行動之間的壁壘，實現(xiàn)了更高層次的智能化。有專家告訴記者，Helix模型可以被視為人形機器人發(fā)展歷程中的一個重要節(jié)點，是數(shù)字化的AI模型與物理世界的真實交互，是一種“虛實融合”。
《環(huán)球時報》記者在采訪中了解到，從Helix的架構來看，它與最近一篇發(fā)表在2024年機器人學習大會（CoRL）上的論文“非常相似”。
“Figure AI認可了這條路線并成功移植到實體機器人上。Helix的出現(xiàn)證明了‘具身智能’方向的迭代速度越來越快，許多最新提出的技術路線能迅速落地到真實機器人身上。不過，目前我們依然處在技術爬坡階段，量產仍是具身智能機器人領域面臨的最大挑戰(zhàn)。”深圳市人工智能與機器人研究院具身智能中心主任劉少山對《環(huán)球時報》記者表示。
業(yè)內普遍認為，“端到端”具身智能大模型是人形機器人發(fā)展的重要方向之一。即希望機器人能夠像人一樣，直接根據(jù)眼睛看到的、耳朵聽到的信息，做出相應的反應，然后去執(zhí)行任務。
“像Helix這樣的通用型VLA（視覺-語言-動作）模型，很可能代表了人形機器人大模型的一種主流發(fā)展方向。從目前的技術趨勢來看，人形機器人需要的大模型，不僅僅是‘大’，更重要的是‘通’（指的是模型的通用性和泛化能力）和‘精’（模型的高效性和精確性）。”專家說。
不過，“端到端”具身智能大模型并非是人形機器人發(fā)展的唯一目標，也不是現(xiàn)階段的全部。業(yè)界還存在另一種技術路線，即基于LLM（大語言模型）或VLM（視覺-語言模型）的分層大模型。此方案難度低一些，一般將任務分解為感知、決策、執(zhí)行等多個模塊，每個模塊可以使用不同的模型來實現(xiàn)，更易于快速落地和迭代。一些行業(yè)內的頭部企業(yè)，都采用了這種方案。
劉少山表示，與聊天式大模型相比，具身智能大模型更需要的是強大的“學習能力”——它必須能在陌生環(huán)境中，通過與環(huán)境的交互不斷學習和進化。當前大模型大多是從海量數(shù)據(jù)中提取知識，而具身智能則強調“學習如何學習”，而非簡單記憶已有的知識。只有具備這類元學習、上下文強化學習等理論基礎，才能真正實現(xiàn)通用智能。雖然這類研究方向提供了思路，但還需要時間來發(fā)展和完善。
國內外機器人各有側重
全球人形機器人的技術競賽正在升溫，新技術亮相越來越密集。近日，國產“天工”機器人成為全球首例可在室外連續(xù)攀爬多級階梯的人形機器人。“天工”實現(xiàn)了基于視覺的感知行走，可實現(xiàn)無磕碰、不踩棱、不踏空地跨越連續(xù)多級樓梯和35厘米大高差臺階，奔跑時速提高至12公里，并且能在雪地進行高速奔跑。深圳一家機器人公司的產品則完成了全球首例人形機器人“前空翻”特技。
“與Figure的最新機器人技術相比，國內的機器人是在不同領域各有側重。”一位人工智能專家告訴《環(huán)球時報》記者，國內機器人公司在運動控制方面取得了顯著成果，例如跳舞、空翻等。這些機器人可能在部分處理復雜任務，特別是涉及與環(huán)境的深度交互、理解自然語言指令等方面，與Figure相比可能有一定差距。
何時能像人一樣思考
在Helix的加持下，人形機器人能夠直接理解自然語言、解析視覺信息，并執(zhí)行相應動作。有科技媒體評論稱，Helix讓機器人像人一樣思考和行動。Figure AI首席執(zhí)行官宣稱，“Helix的思維方式類似于人類。”劉少山認為，“目前仍處于行業(yè)的早期階段，要讓人形機器人真正具備與人類相似的思維能力，還有很長的路要走。即便最先進的大模型，在幾乎無限算力的支持下，與人類的思維方式和水平依然存在顯著差距。”
另一位專家稱，綜合國內外多篇論文來看，目前最先進的大模型應該定性于“初始AGI（通用人工智能）”階段，雖然能力很強，但仍局限于特定領域，比如做題目等，無法在所有通用任務中始終超越人類。要實現(xiàn)真正像人一樣思考，人形機器人需要實現(xiàn)通用人工智能（AGI）乃至超級人工智能（ASI）。這就得包括更先進的算法、更強大的計算能力、更完善的感知系統(tǒng)，以及對人類大腦工作機制的更深入理解。“這是一個長期、漸進的過程，可能需要十幾年、幾十年甚至更長時間。”
“大家都是在黑暗中摸索，你現(xiàn)在走的路線看似取得了一定成果，最后這個路線就一定能走得通嗎？這個問題沒有人能夠給出答案。”上述不具名專家告訴《環(huán)球時報》記者，發(fā)展未來產業(yè)的精神，就是在不確定性中尋找最大的確定性。階段性的成果也能夠形成較好的規(guī)模應用，造福社會，賦能產業(yè)。“我們一開始奔著終極目標，哪怕遭遇挫折，有部分技術轉化為成果也可以，并不強求非得造出一個全知全能的AGI。”
專家在受訪時還提到，未來人形機器人可能會出現(xiàn)新的形態(tài)。一方面，機器人不必非得是人形，“實際上人形態(tài)并不是專業(yè)場景下最好的選擇，有時候輪式甚至機械臂工作效果更好、性價比更高。”另一方面，人形機器人可能會呈現(xiàn)虛擬形態(tài)，類似更智能、更完善的數(shù)字人。“類似于電影《流浪地球2》中的MOSS系統(tǒng)，也有一定的可能，但這些距離現(xiàn)實還相當遙遠。”
