馬斯克畫的餅，波士頓動力要實現了？

Photo by Spectrum

?有界UnKnown原創

作者丨錢江

編輯｜山茶

人形機器人行業又迎來一對新的強強聯合。

近期，波士頓動力宣稱，會使用豐田研究所的“大型行為模型”來訓練機器人，它類似于驅動ChatGPT的“大型語言模型”，可以讓機器人通過少量演示數據和多模態感知來掌握復雜任務，走向通用機器人。

在過去，這條技術路徑一直是馬斯克為Optimus（下稱“擎天柱”）畫的“餅”，想借此實現通用人形機器人。

今年10月初，馬斯克以《We, Robot》為主題在加州開了一場“科幻”味兒十足的發布會。在現場，擎天柱以服務員的身份一邊為賓客調酒，一邊抬手打招呼說著“Hi,everybody”，甚至在現場和賓客熱舞。

但發布會結束后，有現場賓客卻表示，擎天柱“親口”向他承認，自己是被遠程遙控的。而整個發布會，馬斯克也沒有透露關于擎天柱的任何技術細節。

看似自主的機器人，依舊離不開人類的遠程遙控。

馬斯克似乎做了一個雙面鏡，一面是真實的擎天柱仍然做著人類的提線木偶；而另一面，他又用一種近乎虛假的方式為人們構畫出一個可能實現的未來。

但顯而易見，馬斯克并沒有興趣解答擎天柱當前的研發進度，那么作為馬斯克在機器人領域的強敵， 波士頓動力這次與豐田研究所的聯合，能將馬斯克畫的餅實現嗎？

波士頓動力，率先走到終點？

想要完成馬斯克這張拼圖，擎天柱需要擁有與人類和環境交互的能力。

比如將機器人放在廚房，它首先要能識別出自己所處場景是“廚房”。然后，當人類告訴他要做一道菜時，它可以主動從冰箱拿出食材、清洗、切菜、并按步驟烹飪。

要實現這個過程，意味著機器人能夠自主辨別什么是冰箱，并移動到冰箱前，打開冰箱門，在眾多食材中找到需要的食材，取出來，然后結合各種工具進行清洗.....

這個過程對人類來說十分簡單，但對機器人而言卻十分困難。

當前無論是老牌人形機器人波士頓動力的Atlas，還是“新貴”擎天柱、Figure，都只能在受限制的環境里執行單一任務，比如在案板前將已經分揀好的各種蔬果拿起或者放下。

▲Figure01拾取水果，圖源YouTube@Figure

▲Optimus Gen2拾取雞蛋，圖源YouTube@Tesla

要知道這其中的區別，可以想一想咱們自己家里的冰箱，當各種食材被混雜在一起、用透明塑料袋裝著的時候，識別難度就會高于單個的西紅柿、紅薯。

所以如果將機器人自主做出一頓飯的難度，比作是登上珠穆朗瑪峰，那么現在的人形機器人才剛剛坐進學步車。對，它還沒有學會“走路”。

而更重要的是，當前機器人學習新技能的效率十分低下，比如學會了疊衣服之后，轉而疊被子就要重新學習大量數據。

為了克服這個難題，波士頓動力和豐田研究院團隊采用一種新的AI系統“大型行為模型”訓練機器人，通過物理演示任務（例如觀看視頻）進行教學，來幫助將Atlas打造成一款自主性能力強的通用人形機器人。

經過這套“大型行為模型”的訓練，機器人可以通過少量數據學習新技能，這種方法叫做“擴散策略”，這套策略可以探索多種不同的路徑，并根據實時情況選擇最佳方案，它可以幫助機器人更好地應對不確定性的環境，比如突然的障礙或任務變化。

豐田研究院公布了關于這一成果的報告，其中有一個通俗案例可以解釋這個策略：

經過擴散策略訓練的機器人，可以做醬汁燒注和涂抹任務，需要將醬汁涂抹在披薩面團中心，分拆步驟來看：①握住勺子接近披薩面團中心；②將醬汁以螺旋狀鋪在披薩上；③提起勺子。

▲論文《擴散政策：通過動作擴散進行視覺運動策略學習》

在這個過程里，披薩面團會隨機移動，而機器人可以“隨機應變”，它能跟隨披薩面團中心位置的遷移而及時挪動勺子。

根據豐田工作人員透露，學會這個能力并不費勁，“這個過程從老師遠程操作演示一小部分技能開始”，機器人晚上學習，第二天就可以獲得新技能。也就是說，它用少量數據向機器人演示，便能夠讓機器人獲得“泛化”能力。

和傳統的機器人學習相比，這種行為模型就像運動界的ChatGPT一樣，給它一點行為上的Prompt，就能泛化出一套完成任務的操作軌跡和應變能力。

但并不是任何人形機器人都能適配這套策略，擴散策略更依賴視覺數據，這就需要硬件上擁有高精度視覺傳感器，還要擁有抓取復雜和精細物體操作能力。

這也是目前波士頓動力面臨的挑戰。

其最新款人形機器人Atlas目前并不具備實現“自主”的硬性條件，它既沒有靈巧手，又缺乏生活場景的數據。

Atlas機器人雖然具備一定的抓握能力，但其手部設計相對簡單，只有三指，并且常用場景是應急救援和工廠搬運，對于生活場景的數據也相對缺乏。

與此相比，特斯拉的擎天柱卻顯得更有優勢。

比如在視覺數據上，特斯拉的自動駕駛一直堅持純視覺的解決方案，目前市場上運行著將近600萬輛特斯拉汽車，可以積累大量的視覺數據。

其次擎天柱在靈巧手、關節有更接近人類的設計。在特斯拉最新展示的視頻里，擎天柱可以走到桌邊，用雙手的“指尖”舉起重11kg的4680電池盒。

這雙機械手已經擁有22個自由度，分布在手指、手腕和小指下方，而年初手部擁有11個自由度的第二代擎天柱，所有手指都具有觸覺感應，能夠靈巧地處理雞蛋等易碎物品。

▲擎天柱舉起電池，圖源：Tesla@YouTube

所以，雖然波士頓動力和豐田研究院的找到了一種更有效率的機器人訓練方式，但想要比擎天柱更快實現真正的自主性，Marc Raibert或許需要聯合他的老搭檔---曾一起在MIT腿部實驗室共事、豐田研究所的CEO兼豐田汽車公司首席科學家Gill Pratt，對目前Atlas的機械手作一番改造，并且補足視覺識別所需要的硬件能力。

馬斯克鐘愛“奇跡廚房”

與波士頓動力聯合豐田研究院發布的新技術相比，馬斯克更鐘愛打造“奇跡廚房”。

所謂“奇跡廚房”，是指夸大產品能力的科技營銷行為。

1959年7月，《展望》雜志刊登了一篇描述未來“奇跡廚房”的文章，讓美國人認為，未來自己家庭會有功能齊全、十分智能的廚房，在美國的宣傳片中，有一部分電器的運作會被含糊其辭地描述為“自主”的：

“推車會將吃完飯后的臟盤子，推到墻面，進行自動清洗和干燥”

“清潔器可以從墻上自動出來，在清理完地面后，會自動回歸原來的位置”

“揮一揮手”就能召喚出隱藏在墻面的飲料機，告訴它“我想喝一罐冰凍橙汁”，飲料機就會自動出水

▲吸塵機器人，照片由Robert S. Lerner Photography LLC拍攝

但這些在50年代令人感到驚奇的黑科技，卻是一個實實在在的謊言。

2013年，一位“奇跡廚房”設計師成員揭露，自動洗碗機和清潔器這些“自走式電器”根本無法正常工作，而是工作人員在后臺通過遙控操作，讓一些隱藏在地板下的電子軌道輔助完成的。

“奇跡廚房”本質上是冷戰時期的一種營銷工具，設計初衷是為了嚇唬蘇聯游客，讓他們產生“一無所有”的感覺。

但從馬斯克的角度，他上演“奇跡廚房”的目的，顯然并不是為了讓人覺得自己一無所有，反而是為了讓人們知道自己未來可能會擁有什么。

2021年9月，馬斯克在特斯拉AI Day上突然宣布進軍人形機器人領域，配合他宣傳的是一段“機器人”的熱舞，當時這些機器人還只是身穿緊身衣的人類舞者，而僅僅一年之后，擎天柱的原型機就被人攙扶著走上了發布會。

一直以來，馬斯克都以這種近乎夸張的方式，超前兜售自己的夢想。今年的《We,Robot》發布會也是如此。

在10月初的《We,Robot》發布會上馬斯克用了一種科幻手法，在香檳美酒和燈光舞影之下，一群擎天柱與人類其樂融融地相處，甚至在一個玻璃房里集體大跳“夜店舞”。

▲擎天柱熱舞，圖源Tesla@YouTube

可能是因為擎天柱的表現過于自然，以至于現場賓客幾乎沒有格格不入感。

但賓客很快就發現了不對勁。在現場，不同擎天柱的音色不盡相同，并且它們與人類互動的反應是即時的，還伴隨著順滑的手勢，相比于自主，更像遠程遙控。

連擎天柱自己都承認了這一點，前微軟戰略家Robert Scoble在X上分享了一段視頻，他在現場向擎天柱發問：“How much of you is AI？Some or none.”（你的表現里有多少成分是AI驅動？一點點，還是完全沒有？），擎天柱回復“It might be some.”

擎天柱就像提線木偶，和背后操縱它的人類共同演了一場戲。

馬斯克并不是第一次這么做，2024年1月份，他在X上發了一個擎天柱疊衣服的視頻，并配文“擎天柱在折襯衫。”

▲擎天柱折襯衫，圖源X@Elon Musk

眼尖的網友從視頻上看到一只快速閃現的手，擎天柱很快被質疑背后由人類遠程操控，馬斯克也親自承認了這一點，他發了一條“重要提示”：擎天柱還不能自主地做到這一點。

馬斯克的做法，與當年“奇跡廚房”的構建如出一轍。通過模棱兩可地描述，來構建一個似有似無的科技場景。

雖然很多人對于這樣的營銷方式不滿，但一些機器人從業者表示理解，谷歌DeepMind一位工作人員Ted Xiao在X上直言“實現低延遲全身遠程操作是邁向自主化的一大步”。

特斯拉機器人工程師Milan Kovac在X上也承認擎天柱“一定程度上有人類的幫助”，但它們可以自主行走，并且在保持平衡的情況下，跳了4個小時的舞蹈，期間只摔倒過一次。

▲特斯拉機器人工程師Milan Kovac，X@Milan Kovac

總結起來看，雖然擎天柱每一次的出場，都有著遙操的成分，但它在遙操模式下的表現越來越好。

而馬斯克就好像在完成一張龐大的拼圖，一點一點地累積擎天柱的能力，讓它從一個需要被攙扶著上臺的“機器”，逐步變身為一個“有血有肉”的“類人”物種。

擎天柱研發每走到一個新的階段，馬斯克就開始啟動一次“奇跡廚房”，用營銷上的含糊口徑，向外界秀一遍自己腦中關于擎天柱的拼圖全貌。

哪怕這張拼圖可能才完成百分之一。

結語

1939年，在紐約的世界博覽會，西屋電氣公司推出一款身高7英尺（2.1米）的機器人Elektro，它的外形酷似人類，會抽煙、會用手指數數，可以通過語音命令行走、會說700個單詞。

一經出現，Elektro就成為大眾心中的文化偶像，他激發了當時的人們對未來機器人的想象。

▲A Blast from the Past，圖源justoborn-Elektro Robot

但實際上就像特斯拉擎天柱第一次登上發布會一樣，Elektro的一切都是假的，它其實是用內置78rpm的唱片機來朗讀預先錄制的詞匯。

但85年后的今天，Elektro展示的一切已經成為現實。越來越多企業開始聯合，共同推動人形機器人的發展。

比如為了給給機器人安裝大腦，波士頓動力、Figure都選擇了尋找軟件實力強的合作伙伴，前者找到了豐田，后者綁定了OpenAI.

與他們相比，馬斯克就像一個孤膽英雄，他選擇了軟硬件自研的路徑。

不論是哪一種方法，在探索新物種的道路上，都充滿荊棘。

人類一直試圖厘清自己“從哪里來”，并據此衍生出女媧造人、亞當夏娃這些神話故事。

在這些神話里，中國的女媧、歐美的耶和華神，都充當著人類“造物主”的角色。而人形機器人，則是人類自己企圖成為“造物主”的具象體現。

這個物種需要和人類一樣，擁有自己的思想和行動。

但現在，人們還只能在“奇跡廚房”里，等待著它們的到來。