推动人形机器人热潮的AI学习革命

投资者在最近一年内向人形机器人领域投入了 61亿美元——是前一年总额的四倍。这股资本热潮并非来自更好的电机或更便宜的执行器，而是源于机器人学习方式的根本性突破，这一突破自2015年以来悄然积累，如今已让科幻小说中的机器人成为可行的工程目标。

• 为什么2015年后机器人学习改变了一切
• 从规则到强化学习：模拟时代
• 基础模型如何赋予机器人常识
• 仍制约行业发展的局限
• 这对机器人买家和硬件市场意味着什么
• 常见问题解答

为什么2015年后机器人学习改变了一切

在机器人学的大部分历史中，智能意味着规则——工程师为涵盖每种可预见情况而编写的数千条手工编码指令。一台折叠衣物的机械臂需要针对袖子方向、布料硬度、领口检测以及数十种边缘情况编写明确的逻辑。规则集在变得可靠之前，就已经复杂到失控。

这种方法为结构化环境（焊接线、拾取和放置单元、传送系统）生产出了可靠的工业机器人，但它无法泛化。将同一台机械臂移到不同的环境中，改变光照，引入新的物体形状，性能会立即崩溃。

机器人能做的事与研究人员梦想它们能做的事之间的差距一直顽固地存在。然后，大约在2015年，方法论发生了转变。

根据 MIT Technology Review对机器人学习当代史的深度剖析，关键变化是从编码规则转向数据驱动的试错——然后在2022年之后，转向从互联网规模数据中学习而非仅靠手工模拟的AI基础模型。

从规则到强化学习：模拟时代

大约在2015年，领先的机器人实验室开始用 强化学习（RL） 取代手写规则——这是一种训练方法，AI智能体在成功动作时获得奖励信号，在失败时获得惩罚信号，然后通过数百万次迭代自行发现策略。

OpenAI的Dactyl项目，一只完全在模拟中训练的五指机械手，展示了这种方法的威力和核心局限。Dactyl通过数字环境（本质上是虚拟物理引擎）学习操纵小方块，然后部署到真实硬件上。问题在于：即使模拟世界与物理现实之间存在微小差异，也会导致性能急剧下降。

工程解决方案是 领域随机化——在数百万个模拟训练环境中故意引入随机变化。摩擦力系数、光照条件、物体颜色和表面纹理都被随机变化，以使训练出的策略能够足够鲁棒地应对真实世界的杂乱。该技术效果足够好，Dactyl最终能解魔方——尽管在标准打乱情况下 只有60%的成功率，在更难的配置下 降至20%。

这些数字对于理解当时该领域的状况很重要。模拟训练的RL确实产生了令人印象深刻的灵巧性，但可靠性不足以用于商业部署。OpenAI于2021年关闭了机器人部门，反映了这项技术已达到天花板。

模拟到现实的差距：关键技术挑战

基础模型如何赋予机器人常识

大型语言模型的出现对机器人学的影响，比过去十年的任何硬件进步都更为深远。关键见解在于架构：LLM通过预测序列中下一个token（单词、子词或字符）来学习，摄取大量文本语料来构建丰富的语言和世界知识内部表征。机器人学家提出了一个显而易见但具有变革性的问题——如果token是传感器读数、摄像头帧和关节位置而不是文字，同样的架构能否奏效？

Google DeepMind的答案是RT-1及其后续RT-2（机器人Transformer）。RT-1在 17个月的遥操作数据 上训练，涵盖 700个不同任务，接收机器人摄像头视图和手臂关节状态作为输入，并生成电机指令作为输出。在训练期间见过的任务上，它达到了 97%的成功率。在完全新颖的指令上，它仍然做到了 76%——比纯模拟方法取得的任何成就都有显著提高。

RT-2更进一步，整合了互联网规模的图像和文本数据，赋予了机器人一种基于更广泛视觉世界而非仅仅机器人实验室的常识。这是关键的概念飞跃：研究人员发现，不是用规则编程机器人，也不是仅用机器人特定数据训练它们，而是通用的世界知识——在网络规模预训练期间嵌入视觉-语言模型的那种知识——能够惊人地迁移到物理操作任务中。

实际意义重大。一个在预训练期间看到过数百万张厨房、抽屉和杯子图像的机器人，会带着基于规则的系统永远无法获得的上下文理解到达现场。它不确定人类想要哪个杯子，但它有一个合理的先验。这个先验极大地减少了达到有用性能水平所需的机器人特定训练数据量。

仍制约行业发展的局限

当前的兴奋是真实的，但值得标出哪些问题仍未解决。机器人学的基础模型面临着一个数据问题，而语言模型则没有以相同形式存在这个问题。文本数据丰富、廉价且易于从网络上抓取。高质量的机器人演示数据——多样化、物理基础扎实且标注准确——收集成本高、依赖硬件，且难以在不同机器人形态之间转移。

早期的社交机器人展示了另一种局限：有功能但没有可靠性。Jibo，这个由MIT开发的家庭社交机器人，通过众筹募集了 370万美元，零售价为 749美元，愿景引人注目，但最终被其时代的预LLM语言技术所拖累。它的对话依赖于脚本化的回应片段，很快就让人感觉重复和肤浅。今天的语音AI本可以彻底改变Jibo可能的样子——但新一代AI驱动的玩具引入了相反的风险。脚本化系统不会脱轨；生成式AI系统绝对可以，正如AI伴侣给儿童提供危险建议的记录案例所证明的那样。

该领域用一套局限（僵化、脆弱）换来了另一套局限（不可预测性、安全不确定性）。两个问题都没有完全解决。发生变化的是，改进的轨迹现在明显更陡峭。

这对机器人买家和硬件市场意味着什么

AI学习革命不仅仅是学术故事——它已经在重塑硬件估值，方式对现在的买家和运营商都很重要。

在当前市场中，能力被锁定在原始编程中的机器人贬值很快。具有固定运动程序的第二代工业手臂的转售价值正在下降，因为买家越来越期望适应性。与此同时，为运行基于学习的软件而设计的硬件平台——具有可访问的计算能力、开放的API和足够的传感器负载——保值性更强。

对于今天评估采购的买家来说，有几个含义很突出：

• 平台的可扩展性与当前能力同样重要。 一台本地运行现代ML推理的协作机器人，其使用寿命将比锁定在供应商特定编程环境中的机器人更长。
• 二手硬件定价反映了AI准备度。 那些收到重大基于学习的软件更新的机器人平台保留了价值；而那些被制造商抛弃的平台正在大幅打折。
• 数据基础设施是新的差异化因素。 部署多台机组的买家应从一开始就规划遥操作数据收集——这些演示数据将成为提升性能的训练语料。

对于考虑入门级部署的运营商来说，当前的 二手工业机器人市场 提供了以更低成本获取有能力硬件的途径，但买家应仔细评估软件更新路线图。同样，不断增长的 协作机器人类别 尤其能从基础模型部署中受益，因为协作机器人天生灵活、与人相邻的操作环境。

常见问题解答

是什么导致了最近人形机器人投资的激增？

主要驱动力是AI基础模型的成熟——具体来说，是发现经过互联网规模数据训练的视觉-语言模型可以被适配来生成机器人电机指令，其泛化能力远超以往的基于规则或纯模拟方法。在研究表明像RT-2这样的模型无需任务特定训练就能执行新颖任务，从而开启通往通用机器人的可信路径后，投资激增。最新数据显示投资同比翻了四倍，达到610亿美元。

什么是机器人学中的领域随机化，为什么它很重要？

领域随机化是一种模拟训练技术，在训练过程中生成数千种略有不同的虚拟环境——随机变化光照、摩擦力、物体颜色和物理参数。它解决了模拟到现实的差距（模拟训练的策略在物理硬件上运行时性能下降的问题），通过迫使学习到的策略在多种可能的世界配置中保持鲁棒性。OpenAI的Dactyl使用这种方法实现了机械手解魔方，尽管在标准难度水平下成功率停留在60%。

机器人学的基础模型与标准LLM有何不同？

标准大型语言模型将文本token作为输入和输出。机器人学基础模型扩展了这一架构，将摄像头帧、深度传感器读数和机器人关节位置作为额外的输入token，并将电机速度指令作为输出token。核心预测任务——“在给定先前上下文的情况下，接下来是什么？”——在结构上保持相似。关键优势在于，在互联网规模的视觉和语言数据上进行预训练，赋予了这些模型纯机器人演示数据无法有效提供的世界知识和常识。

AI自适应机器人会很快让旧的固定程序机器人过时吗？

不会立即。固定程序工业机器人在高产量、低变动的任务（如焊接和冲压）中仍然非常经济有效，因为适应性不提供价值。过时压力在混合SKU物流、轻装配和服务环境中最高，这些任务的可变性是固有的。买家应评估自己的具体任务概况是否真正受益于适应性，然后再假设更新的AI能力平台证明其相对于成熟传统硬件的溢价是合理的。

当前机器人学习中的主要未解决问题是什么？

三个挑战仍然重要：（1）与语言模型的文本数据相比，多样化机器人演示数据的高成本和有限可用性；（2）在物理环境中部署的生成式AI系统的安全不可预测性，特别是与弱势群体交互时；（3）可靠的灵巧操作——精细运动任务，如穿线或处理可变形材料，在现实世界条件下（而非受控实验室环境）仍难倒大多数当前系统。

机器人学习革命是真实的，但尚未完成。基础模型打破了基于规则系统施加的天花板，投资数字反映了真正的技术进步，而非纯粹的投机。科幻机器人与可部署硬件之间的差距在过去三年中比前三十年缩小得更多。

下一个制约因素不是算法。而是数据、安全验证以及规模化硬件可靠性——这些硬核工程问题单靠资金无法以超过一定速度加速推进。

哪种机器人学习方法——强化学习、基础模型还是遥操作数据——你认为将决定谁在人形机器人竞赛中胜出？