文 | 極智GeeTech
在1927年上映的《大都會》中，全世界第一部包含人形機器人的角色Maria誕生。
時隔60多年，人形機器人從電影走向現實。2000年，本田的ASIMO成為世界上最著名的人形機器人之一，它能夠行走、跑步甚至進行簡單的交流。如今，人形機器人浪潮正全面席卷而來。
2024年，在大模型的加持下，一個足夠性感的故事正在展開：長出“大腦”的人形機器人與科幻電影中通用機器人之間的差距正在縮短。在今年世界機器人大會上，27款人形機器人齊聚亮相，創(chuàng)歷屆之最。
作為人形機器人的內核，具身智能站在大模型和自動駕駛的臂膀上，其商業(yè)化進程要比預期來得更快。故事的書寫者們，已在具身智能領域內掀起一場諸神之戰(zhàn)。
具身智能 vs 自動駕駛
對于具身智能，并沒有一個嚴格的官方定義，其通常是指本體與智能體的結合，本體實現與物理環(huán)境的交互，感知環(huán)境做出行動，智能體通過環(huán)境信息持續(xù)學習賦予智慧，是包含人工智能、機器人本體、認知科學、神經科學等多學科交叉的系統。
2024年5月，英國自動駕駛獨角獸Wayve完成了10.5億美元C輪融資，這不僅是英國史上最大規(guī)模的AI融資，也是迄今為止全球排名前20名的AI融資之一。值得注意的是，Wayve聯合創(chuàng)始人兼CEO在完成融資當天寫下這樣一句話：“具身智能注定會成為最具價值的AI應用，未來還可能會改變我們與科技的交互方式?！?/p>
令人好奇的是，為什么一家自動駕駛公司要在融資當天提到具身智能，甚至還極為看好？
有人說，自動駕駛的存在是取代司機，具身智能的存在是要替代整個人類。當然，這只是跟隨如今互聯網風格的一種狹隘理解。自動駕駛與具身智能的真正相似之處是，從技術到底層邏輯的相似。而一種更好的理解則是，既然2024是自動駕駛的商業(yè)化元年，那么同樣地，它也見證了具身智能的“元年”。
根據全球頂級對沖基金Coatue發(fā)布的一篇關于“具身智能”的報告《The Path to General-Purpose Robots》（通往通用機器人之路），如果將具身智能的階段與自動駕駛的階段做類比，“過去無人駕駛汽車從L1到L2花了大約20年，而從L2到現在的L4只用了不到10年；那么人型機器人從L1到L2用了大約50年，從L2到L4預計只需要不到5年。”
業(yè)界普遍認為，人形是機器人領域形態(tài)發(fā)展的最終目標，如果用自動駕駛的等級類比，即擁有高智能水平的人形機器人是L4。
與智能汽車類似，具身智能的實現包括“感知、決策、控制”三個主要環(huán)節(jié)，并需要內外部通信傳輸的支持。
感知是具身智能交互世界的窗口，首先要通過環(huán)境傳感器、運動傳感器收集環(huán)境與自身狀態(tài)信息，作為決策環(huán)節(jié)的依據；其次，要根據感知的信息以及任務目標，對自身行為進行規(guī)劃決策，并向控制模塊發(fā)出指令；之后，將決策指令轉化為實際操作，實現與物理世界的互動；傳輸方面則強調低時延、多連接、連續(xù)性能力。
從商業(yè)化的角度來看，具身智能與自動駕駛的發(fā)展路徑也或有高度擬合。以L2、L4區(qū)分，具身智能時代的人形機器人可以分為2種路徑：一種是在L2級別下逐步孵化出衍生的商業(yè)化產品，并且機器人的軀體形態(tài)也逐漸從輪式、足式、雙臂、到全身等等；而另一種則是L4級的打法，企業(yè)從一開始就只做人形機器人，直接求解最難的問題。通過大規(guī)模融資來穿越技術的發(fā)展周期。
自動駕駛的商業(yè)化有三類機會：首先是車本身，即L4自動駕駛技術的機會；其次是應用場景，即L2級別自動駕駛的機遇；最后是傳感器、毫米波、智能座艙等供應鏈技術。
清華大學智能產業(yè)研究院（AIR）院長張亞勤認為，無人駕駛將是未來五年內最大的物理（具身）智能應用，并且有望成為第一個通過“新圖靈測試”的具身智能系統。2025年將成為無人駕駛的“ChatGPT 時刻”，2030年無人駕駛成為主流，預計有10%的新車具備L4級別的自動駕駛能力。
對具身智能來說，機器人從局部到全身整體的蛻變過程，也會帶來三類機遇。
首先是機器人本體的開發(fā)，企業(yè)若有條件在初期就推出人形，自然能搶奪市場先機，讓后來者很難分一杯羹。
其次是場景機會，目前機器人的應用場景相對較少，但這也為行業(yè)提供了探索和發(fā)展的空間。
第三是產業(yè)上下游的機遇，上游包括智算中心的建設、算力芯片和端側模型等賦能機器人的關鍵技術；下游則涉及到各種傳感器、關節(jié)模組，它們相當于機器人的感官系統，包括視覺、觸覺和運動感知等等。
很顯然，在具身智能中，“上難度”的人形機器人代表著需要穿越周期的L4，甚至是L5。
“大腦+小腦”，大模型實現具身智能
從馬斯克到AI知名學者李飛飛，從英偉達、OpenAI甚至到國內幾乎所有科技大廠，全部紛紛涌入具身智能賽道，一致看好這個如今AI大模型加持下的機器人產業(yè)。
今年，人形機器人行業(yè)在具身智能領域取得了顯著的突破，基于通用大模型、數據集、高效計算架構、多模態(tài)融合感知等關鍵技術，為人形機器人安上聰明的“大腦”，使得人形機器人具備認知和決策能力，推動人形機器人走向實用階段。
從大模型角度看，從最初的大語言模型（LLM），逐步邁向圖像-語言模型（VLM）乃至圖像-語言-動作多模態(tài)模型（VLA），這一轉變不僅意味著機器人將擁有更加豐富的信息處理能力，更預示著它們將能夠跨越語言與視覺的界限，實現更為復雜、靈活的交互方式。在這樣的技術背景下，人形機器人正朝著具身智能的終極目標邁進。
“具身”特點使具身智能大模型與通用大模型存在顯著差異。傳統具身智能的研究以深度學習范式為主流，通過模仿學習或強化學習技術訓練具身系統，使其習得技能。但傳統深度學習算法對數據集的依賴程度較高、遷移泛化能力較弱，對于訓練數據以外的技能執(zhí)行起來較為困難。
大模型的出現為邁向通用人工智能提供契機。自谷歌Transformer神經網絡架構發(fā)布以來，眾多研究者發(fā)現基于Transformer的預訓練語言模型在非語言類的任務中也能取得不錯的效果，具有較強的泛化能力。此后大模型被引入具身智能領域，例如谷歌在2023年發(fā)布的PaLM-E模型，即是基于Transformer神經網絡開發(fā)的具身多模態(tài)大語言模型。
相較通用大模型，具身智能大模型需要更多地考慮感知的細度與廣度、與環(huán)境的交互性以及控制的協調性。
具身智能系統不僅要能夠準確地識別物體的類別和屬性，還要將視覺信息轉化為精確的空間坐標，以供機械臂、靈巧手等部位執(zhí)行精細操作和關節(jié)控制。
同時，除文本、圖像、音頻、視頻等較為常見的模態(tài)數據外，具身智能還需要接收觸覺（如力的反饋、表面材質）、姿態(tài)（如空間坐標、位移距離、旋轉角度）等信息，以實現對環(huán)境更全面和準確的理解。
具身智能算法也需要理解物體的運動軌跡、事件的發(fā)展順序，才能做出及時而準確的決策。
環(huán)境交互是具身智能區(qū)別于其他有實體機器人的重要特征，通過與環(huán)境的交互，持續(xù)學習并更新知識，從而不斷提升算法性能。
目前，人形機器人廠商主要采用分層端到端的方案，即通過“大腦大模型”和“小腦大模型”互相配合完成任務。
“大腦大模型”大多基于多模態(tài)通用大模型，完成對任務的感知規(guī)劃，再通過API調度“小腦大模型”驅動關節(jié)硬件完成執(zhí)行。
例如優(yōu)必選人形機器人Walker S接入百度文心大模型；智元機器人與科大訊飛簽署合作戰(zhàn)略協議，依托訊飛星火大模型進行聯合開發(fā)；樂聚機器人夸父搭載的是華為盤古大模型。
在“小腦大模型”方面，在技能應用上，智元機器人推出了通用的位姿估計模型UniPose、通用的抓取模型UniGrasp，通用的力控插拔模型UniPlug等一系列通用原子能力模型，可以配合大語言模型框架去做任務編排，使得機器人相比傳統協作機器人更容易部署，且具備一定的泛化能力。
優(yōu)必選則從應用場景出發(fā)，集合了工業(yè)場景垂域大模型技術、計算機視覺感知、語義VSLAM導航、學習型全身運動控制、多模態(tài)人機交互等人形機器人全棧式技術，將人形機器人引入汽車產線的智能搬運、質量檢查和化學品操作等工位，推動人形機器人在汽車工廠的大規(guī)模應用。
值得注意的是，特斯拉Optimus使用完全端到端的神經網絡大模型，借助傳感器和計算機視覺技術，利用海量數據不斷優(yōu)化訓練過程，直接生成關節(jié)控制序列。
在“小腦”操作大模型領域，各大廠商剛剛起步，多技術路徑同步發(fā)展。操作大模型決定了人形機器人在任務執(zhí)行側的準確度，是大規(guī)模商業(yè)應用場景落地的前提。
數據成為第一大瓶頸
業(yè)內普遍認為，缺乏規(guī)模龐大且高質量數據是具身智能的發(fā)展難題之一。由于訓練機器人所需的物理數據不如文本數據量大且易獲得，相較于圖文大模型千億規(guī)模的數據訓練量，目前機器人數據集量遠不能滿足機器人達到通用大模型的需求。
目前，解決人形機器人訓練數據短缺的問題，一方面通過強化學習算法提高模型訓練效率，一方面則通過仿真平臺合成數據，建立數據開放生態(tài)。
數據對于訓練人形機器人具有至關重要的作用，它直接影響到機器人的感知能力、思考和決策能力以及行動執(zhí)行能力。大模型通過大量數據學習，讓機器人理解任務意圖，并遷移到下游任務中，高質量訓練數據能夠有效提升人形機器人場景泛化能力。
在解決高質量具身智能數據不足的問題上，可以通過模擬環(huán)境合成數據輔助真實世界數據以豐富訓練數據來源，還可以構建更大規(guī)模、更多模態(tài)的共享數據集。
使用仿真及合成數據能夠降低數據收集成本并提高開發(fā)效率。合成數據的常見來源是借助大量符合現實世界物理規(guī)則的虛擬仿真場景學習技能和策略，后遷移到真實世界。與真實采集數據相比，基于仿真環(huán)境的合成數據具有采集成本低、采集速度快、可擴展性強、標注準確度高的優(yōu)點。
共建高質量開源數據集，可以實現數據最大化利用。由于數據獲取的高成本、長周期以及隱私安全問題，大部分具身智能研究組織和企業(yè)僅限于在某個特定環(huán)境中收集數據，數據共享的缺乏導致重復勞動和資源浪費，形成“數據孤島”。
2023年，DeepMind與眾多科研機構展開合作，構建了真實機器人開源數據集Open X-Embodiment，包含22個機器人超過100萬個軌跡片段、500多項技能、16多萬項任務?；诖碎_源數據集訓練的具身智能控制基礎模型RT-X，表現出在跨場景、多任務應用中超越此前基于特定場景和數據集下的技能水平。
具身智能行至爆發(fā)前夜
從1973 年早稻田大學開發(fā)的世界上第一款人形機器人WABOT-1，到特斯拉的人形機器人Optimus、Figure AI的Figure 02，機器人的移動能力、操作能力、交互能力已經發(fā)生了巨大的變化，過去兩年，多模態(tài)大模型的加持，讓機器人借著具身智能的快速發(fā)展進入了一個新的階段。
2023年，行業(yè)新品迭出不窮，特斯拉、Figure AI，以及宇樹、智元、傅利葉等一批國產品牌集中在2023年推出首款人形機器人產品，銀河通用、加速進化、星動紀元等廠商紛紛成立，促成行業(yè)新品迭出的欣欣向榮之象。
行至2024年，優(yōu)必選、Apptronik、特斯拉、Figure AI等公司開始陸續(xù)與汽車主機廠展開合作，將人形機器人落地汽車制造場景，初探商業(yè)化可能。
不過，目前絕大部分具身智能公司還處于不斷迭代的Demo階段，何時能夠將產品與某一場景很好地結合并商業(yè)化落地，是行業(yè)關心的重點問題。
根據中金研究院及研究部聯合研究發(fā)布的《AI經濟學》報告，從任務角度看，人形機器人“具身”的特點使其尤其適合力量型、靈巧型及空間移動導航等體力任務，例如上下料、維修、巡檢等。同時，其“智能體”特征使其具備人的智能與情感，能夠在教培輔導、服務接待、人文關懷等支持型任務中發(fā)揮作用，例如教育、講解導引、養(yǎng)老助殘等。
大部分行業(yè)都是由多類任務組合而成的，如果向終局去看，人形機器人有望在各個行業(yè)找到適合自身落地的應用場景。比如，服務業(yè)前臺（營業(yè)部客戶接待）、采礦業(yè)（物料挖掘搬運）、水電熱氣（電力巡檢）、看護養(yǎng)老業(yè)（康養(yǎng)陪護）、裝備制造業(yè)（工業(yè)制造）、醫(yī)療衛(wèi)生業(yè)（手術機器人）、住宿和餐飲業(yè)（餐飲服務機器人）等等，不一而足。
可以說，人形機器人的滲透不會一蹴而就，隨著技術不斷成熟，人形機器人不僅能夠有更自然的交互性能，實現在交互要求更高的公共服務場景以及個人家用場景中的應用，還能提升對復雜場景的應對能力，進而開啟在高危、救援、多變環(huán)境下的滲透?？傮w趨勢是由專用場景向通用場景漸次滲透，最終實現在全行業(yè)各場景的落地。
具身智能時代的機器人，最終會擁有什么樣的形態(tài)？這個問題的背后，歸根結底是人類創(chuàng)造者對機器人的想象力。而無論是怎樣的想象，可預見的未來機器人或許都有類似的含義：一個在視覺、學習、決策等多維度擁有更高智能水平的機器人。
一個新的物種，正在硬件與智能的交互中誕生。