文｜適道
2023年3月，一家僅創(chuàng)立幾個月的機器人公司號稱要推出“世界上第一個商業(yè)上可行的通用人形機器人”，并放出了幾張PPT。
接下來的一年中，這家名為Figure的公司經(jīng)歷了——被質(zhì)疑“碰瓷波士頓動力”——創(chuàng)紀錄地邁出人形機器人“動態(tài)雙足行走”第一步——半個硅谷科技圈下注， 融資高達6.75 億美元，估值猛漲至26億美元。
本周三，僅在B輪融資完成后的13天，這位“當紅炸子雞”放出了Figure 01的最新視頻。
雖然只用到了一個“端到端”神經(jīng)網(wǎng)絡，但Figure 01卻可以在你想要食物時，貼心地遞上蘋果而不是盤子；還能一邊回答你的問題，一邊對物品進行分類——將垃圾收拾進框子里、將杯子和盤子歸置放在瀝水架上。而且！它甚至能回答你餐具瀝干水分的大致時間。
有人說，F(xiàn)igure只用了1年時間，就走完了波士頓動力20多年的路。于是，壓力給到了波士頓動力，讓我們回到實驗室，再扒一些女團舞吧（bushi）。
話說回來，F(xiàn)igure 01的最新視頻有沒有一絲絲“注水”的可能性？難道傳說中“世界上第一個具身智能”機器人真的來了？！
Figure創(chuàng)始人Brett Adcock特意在X上強調(diào)，視頻是以1.0倍速度拍攝并連續(xù)拍攝的，機器人是在完全自主的情況下進行的行為，沒有遠程操作。
言外之意就是“無剪輯，無加速，一鏡到底”。
然而，適道和一些相關(guān)領(lǐng)域投資人交流時，獲得了另一條思路：有沒有一種可能——Figure 01的完美表現(xiàn)是“試”出來的。
例如在測試階段，當你說“我餓了”并指向“蘋果和碗”，F(xiàn)igure 01會遞給你碗；當你指著“梨子和盤子”，F(xiàn)igure 01會遞給你盤子。可能試了一大通后，得出面對“蘋果和盤子”組合，F(xiàn)igure 01的表現(xiàn)是最好的。
但在適道看來，與其說這是“注水”，不如說這正是Figure神速進化的技術(shù)秘籍——“端到端”技術(shù)黑盒。
01 Figure進步神速的秘籍 ——“端到端”神經(jīng)網(wǎng)絡
根據(jù)Brett Adcock的說法，F(xiàn)igure 01主要通過“端到端”神經(jīng)網(wǎng)絡來與人類進行對話。大致流程為：OpenAI的LLM提供“大腦”——視覺推理和語言理解 ；Figure神經(jīng)網(wǎng)絡提供“小腦”——做出一系列快速、低級、靈巧的機器人動作。
Figure機器人操作高級AI工程師Corey Lynch進一步解釋：“這些神經(jīng)網(wǎng)絡以每秒 10 幀的速率接收機器人內(nèi)置圖像，并能生成每秒200次的24自由度動作（包括腕部姿勢和手指關(guān)節(jié)角度）”
何為“端到端”？
“端到端”（End-to-End）是深度學習中的概念，指一個AI模型，只要輸入原始數(shù)據(jù)，就能輸出最終結(jié)果，有點像馬斯克遵循的“第一性原理”。
舉個簡單的例子，兩個同齡小孩，一個生活在城市，一個從小長在河邊。城市小孩想學游泳，需要找教練，進行一系列抱水、換氣、劃水、蹬腿的分解動作，才能系統(tǒng)性地掌握蛙泳技能；而在河邊長大的小孩，看了大人們游泳的姿勢，就去下河摸索，經(jīng)歷了嗆水、訓練、強化，也學會了游泳，而且游得像魚一樣嫻熟。
如果你要問這個小孩經(jīng)歷了哪些針對性訓練，都有什么訓練模塊，他一定答不出所以然。但從結(jié)果來講，他不僅泳技超群，甚至學習時間還可能更少。
“端到端”的原理跟這個例子有點類似。
例如，想讓機器人變成“咖啡師”，如果通過傳統(tǒng)編程，雖然看起來“透明”“可解釋”，但代碼非常復雜，靈活性也很差。
而Figure 01的卓越表現(xiàn)證明了，通過這種“不可解釋”的“端到端”神經(jīng)網(wǎng)絡（輸入視頻、輸出行動軌跡），機器人能夠在數(shù)小時訓練后就能get新技能。
在1月5日的視頻，F(xiàn)igure 01展示了自己出色的“學霸”能力，只需觀看10小時的人類煮咖啡錄像，就能學會人類的動作和手勢，并通過模仿這些動作，成為一名real咖啡師。
而“端到端”也正在成為機器人訓練的主流路子。例如，1X EVE 、Digit同樣是通過“端到端”學習新技能。
由此不難得出，雖然目前Figure 01展示的只是做咖啡、物品分類，但理論上，只要獲取到人類的數(shù)據(jù)，進行“端到端”地訓練，它就能掌握更多技能。
我們再回到被“質(zhì)疑”的“蘋果和盤子組合”——即便Figure 01的完美表現(xiàn)是“試出來”的，但隨著“端到端”訓練量加大，“試錯”會越來越少，成功率越來越高，最終Figure 01或許真能輕松拿捏家務，說不定還會在你喊餓時包出一頓餃子。
這一切正如創(chuàng)始人Brett Adcock所言：機器人就像我的孩子們一樣，在他們學習做某件事的過程中，盡管可能失敗了很多次，但他們一旦掌握了就不會忘記，然后他們會不斷積累新的技能。
02 創(chuàng)始人：人形機器人成本會低于一臺廉價電動汽車
Figure的創(chuàng)始人Brett Adcock年僅38歲，但Figure已經(jīng)是他創(chuàng)立的第三家科技公司。在去年10月的一次訪談中，Brett 分享了 Figure 01的設計過程，以及他對于通用人形機器人領(lǐng)域的預測。
Brett 認為人形機器人研發(fā)一定是軟硬件一體的過程，LLM 為機器人提供了強大的大腦，是軟件層面的重要補足，而硬件角度，幾乎沒有成熟的供應鏈可供使用，因此，Brett要求團隊在設計產(chǎn)品的同時就要考慮到機器人重量、計算處理、現(xiàn)實環(huán)境等細節(jié)。
適道也對訪談進行了原文編譯和節(jié)選，請配合食用。
1、簡單介紹一下 Figure，你們的使命和目標是什么？
Brett：Figure 是一家 AI機器人公司，專注于設計自動通用人形機器人（Autonomous General-purpose Humanoids）。自動通用人形機器人是指具備自主能力，能夠自動執(zhí)行多種任務，并且在外觀和行為上類似于人類的機器人。我們的目標是在長期能夠部署和人類數(shù)量一樣多的人形機器人，讓體力勞動成為一種選擇而非必然。
我們的遠期計劃是在全球部署 100 億個人形機器人。未來 1-2 年內(nèi)，我們的重點將放在開發(fā)具有里程碑意義的產(chǎn)品上，希望在未來一兩年內(nèi)，能向公眾展示大量人形機器人產(chǎn)品的研發(fā)成果，包括 AI 系統(tǒng)、低級控制（Low-Level Control）等，最終展示能在日常生活中發(fā)揮作用的機器人。
2、如果能成功降低制造成本、提高生產(chǎn)量，一個功能完善的人形機器人制作成本能降低多少？
Brett：如果我們回顧消費品或汽車行業(yè)的發(fā)展歷史時，可以看到產(chǎn)品的價格與生產(chǎn)量之間存在強相關(guān)。根據(jù)經(jīng)驗曲線（Experience Curve），每當生產(chǎn)數(shù)量翻倍，產(chǎn)品的價格或成本就可能下降 20%或 30%。因此，我們可以認為價格取決于生產(chǎn)量。
這個原理同樣適用于人形機器人的生產(chǎn)。目前，一個人形機器人大約有 1000 個零件，重量約為 150 磅（68 公斤）。相比之下，一個電動汽車可能有大約 1 萬個零件，重量可能在 4000-5000 磅（1800-2250 公斤）之間。
從長期來看，一個人形機器人的成本應該低于一臺廉價電動汽車。這主要取決于機器人的執(zhí)行器、電機組件、傳感器的成本以及計算成本。
3、你們打算訓自己的模型，還是集成其他模型？
Brett：要讓人形機器人從工廠走進家庭，關(guān)鍵在于語言，所以 LLM 或視覺語言模型對我們的業(yè)務幫助很大。我們要讓機器人能夠從語義層面理解世界，做到理解和回應用戶的需求和指令，恰好 LLM 可以做到這點。
因此，我們會逐步將視覺語言模型加入機器人的研發(fā)過程，從高層次的行為角度來幫助人形機器人理解人類在說什么，讓它能與人類進行對話，同時推斷和理解人們在說什么以做出回應。
我們很可能不會自己訓模型，但我們可以在機器人系統(tǒng)上訓練視覺語言模型，關(guān)聯(lián)傳感器數(shù)據(jù)。
打造一個正確的 AI 數(shù)據(jù)引擎對我們來說非常重要，它能確保我們對機器人產(chǎn)生的數(shù)據(jù)進行準確的訓練，對神經(jīng)網(wǎng)絡進行正確的訓練，以便未來能夠有效地部署和使用。這也是驅(qū)動我們盡快讓產(chǎn)品進入市場的動力，我們希望將更多的機器人投放市場，收集數(shù)據(jù)，從而讓我們未來的機器人隊伍將變得更加智能、學會更多技能。
4、為什么需要軟硬件一體開發(fā)？
Brett：如果算上做控制系統(tǒng)（control）、中間件（middleware）和自主決策與行動能力（autonomy）的人，我們的軟件占比會比硬件稍微多一些，因為硬件團隊的員工只有 15 個左右，軟件規(guī)模要明顯大一些。
長遠來看，軟件會成為公司最大的業(yè)務板塊。Figure 作為一家專注于 AI 的公司，以后會有一個龐大的 autonomy 團隊，并且研發(fā)出關(guān)鍵的 AI 數(shù)據(jù)引擎。
但硬件方面也同樣重要。如果我們真的想做出實現(xiàn)高性能、高可靠性、高安全性和低成本的人形機器人，就需要開發(fā)自己的執(zhí)行器、電子設備、電池和幾乎所有軟件，因為這些都沒有現(xiàn)成的解決方案。
長時間從事軟件開發(fā)再進入硬件領(lǐng)域是真的很困難，研發(fā)硬件需要經(jīng)過一個漫長的迭代周期，這也是我們受挫的主要因素。
5、人形機器人的潛在大市場在哪里？何時出現(xiàn)？
Brett：我們計劃先在未來十幾年內(nèi)持續(xù)擴大在商業(yè)勞動力市場的規(guī)模。我們關(guān)注的領(lǐng)域包括醫(yī)療保健、房地產(chǎn)、建筑和零售等，我相信這些領(lǐng)域都有巨大的市場潛力。
另外，還有一些市場尚未應用人形機器人，比如房地產(chǎn)?？萍挤康禺a(chǎn)公司開發(fā)的在線平臺可以使用人形機器人來代替人類經(jīng)紀人提供服務。人們可以通過訪問網(wǎng)站預約看房，然后由人形機器人打開門迎接他們，在一個虛擬的房屋中全程介紹。這是一個價值數(shù)萬億美元的市場，但科技公司迄今為止還未涉足，因為目前房地產(chǎn)領(lǐng)域的工作仍然過于依賴人力。
此外，還有許多行業(yè)的工作可以通過遠程操作或其他技術(shù)來完成，人形機器人可以為這些行業(yè)帶來新的發(fā)展機會。
6、人形機器人會讓人們失去工作嗎？
Brett：我的觀點是在接下來的 10-20 年里，機器人業(yè)務的發(fā)展將與自動駕駛汽車的發(fā)展路徑類似。就像自動駕駛汽車，高速公路的測試視頻會比城市街道的更早公開，是因為城市街道有更高的安全要求和更多的不確定性。
同樣，人形機器人也會首先解決相對容易的問題，比如在預知環(huán)境和任務的情況下搬運貨物。這類任務就像在高速公路上駕駛，相對簡單易行。然而，更復雜的任務，例如在家中烹飪或照顧老年人，就像在城市街道上駕駛，更具挑戰(zhàn)性。
盡管大家對人形機器人的期望往往集中在復雜任務的解決上，比如谷歌的機器人做垃圾分類，豐田研究院在雜貨店等場景的研究，但這些都是非常困難的挑戰(zhàn)。
我很高興有這些研究，但從商業(yè)角度出發(fā)，我們的首要任務應該是解決那些簡單但必要的問題，然后逐漸將 AI 數(shù)據(jù)引擎應用到更復雜的任務中。
所以 ，F(xiàn)igure 和其他研究團隊關(guān)注的事情恰恰相反。我們的目標是在倉儲制造領(lǐng)域應用人形機器人，這個領(lǐng)域的勞動力短缺問題最為嚴重。全球約一半的 GDP 來自勞動力，我們正在面對全球范圍內(nèi)的勞動力短缺問題。隨著嬰兒潮一代的退休和生育率的下降，這個問題將越來越嚴重。