人形机器人近年来频繁亮相,从跳舞到倒饮料,看似进步神速,但真正能替代人类工人的通用机器人仍遥不可及。本文深入剖析物体操控、技能泛化、安全隐患等核心难题,揭示机器人技术从演示到大规模部署之间的巨大鸿沟。
近年来,人形机器人领域可谓热闹非凡。从特斯拉Optimus在发布会现场为嘉宾递送饮品,到宇树科技的人形机器人在春节联欢晚会上完成高难度的武术动作,再到2026年世界人形机器人运动会上机器人跑出百米8.86秒的成绩,这些炫目的演示让许多普通人对机器人技术的发展速度感到惊叹,同时也引发了广泛的焦虑:如果机器人已经能跳舞、跑步、倒饮料,那它们距离取代人类工人还有多远? 然而,当我们将目光从聚光灯下的舞台转向真实的工厂、仓库和家庭时,会发现一个截然不同的图景。机器人技术的真实进展远比那些精心策划的演示视频所呈现的要复杂和缓慢得多。从实验室里的一次成功演示,到大规模商业部署之间,横亘着一条充满挑战的漫漫长路。 物体操控:机器人领域最核心的未解难题 当我们惊叹于机器人灵巧的舞步时,需要理解一个关键事实:跳舞这个任务,对于机器人来说其实相对简单。正如机器人专家所解释的那样,跳舞时机器人主要需要控制自身的姿态和动作,而地面对机器人动作的反应是完全可以预测的。
机器人不需要与流动的液体、易碎的物体或形态多变的材料打交道。 然而,现实世界中的绝大多数有用工作,都涉及到与物体的复杂交互。打包箱子、钉钉子、煎汉堡包、折叠衣物 - - 这些任务看似简单,实际上要求机器人能够理解物体在受力时的形变、滑动、倾倒等各种反应。预测外部世界如何响应机器人的动作,是机器人学中最具挑战性的课题之一。 以抓取一个物体为例,这一看似简单的动作,实际上会改变物体的位置,也可能改变其形状。不同的物体在被拿起时表现截然不同:枕头是软的,会变形;薯片袋里有空气,会发出声响;装满水的水杯必须保持平稳,否则会洒出。
如何让机器人以通用的方式处理这些差异,是当前研究的重点和难点。 为了推动这一领域的技术进步,研究人员专门设计了一系列对人类而言简单、但对机器人极具挑战性的操控任务。在这些任务中,包括打开不同类型的门、制作花生酱三明治、剥橙子等。对于一个八岁小孩来说,这些任务可能只需要几秒钟就能完成,但对机器人来说,每一个都是需要专门训练才能攻克的难关。 更令人深思的是,即便是那些成功完成这些任务的机器人,其表现也远不能与人类相提并论。某知名机器人公司曾宣布在数月内成功完成了十几项这样的任务,但仔细审视其成果会发现:每个任务都需要研究人员通过遥控操作反复示范数百次,相当于数小时的训练数据;机器人完成每个任务所需的时间是人类的三到五倍;成功率仅略高于一半。
这并不意味着该公司的成就不值一提 - - 能够在如此短的时间内取得这种进展,确实是了不起的突破。但它也清晰地表明,即使在相对简单的任务上,机器人的表现距离人类水平仍有相当大的差距。 更难的任务:长时段、多步骤工作的挑战 当前最令人印象深刻的机器人演示,通常都集中在那些人类只需几分钟就能完成的任务上。但人类工人的日常工作,往往涉及更长时段、更复杂的多步骤任务。比如重新组装一台汽车发动机、安装厨房橱柜、装修一整套房屋等,这些任务可能需要数小时甚至数天才能完成。 让机器人完成这种长时段任务,面临着独特的挑战。
与大语言模型不同,机器人模型不能简单地将所有历史信息塞入上下文窗口。机器人的传感器每天可能产生高达数TB的数据,开发人员需要找到有效的方法来压缩过去的观察结果,形成可用的记忆系统。即便有方法压缩历史信息,目前的机器人模型能够记忆的时长也相当有限 - - 某领先公司的最新模型只能记忆过去约十分钟内的动作历史。 另一个挑战是可靠性。要完成一个由数十甚至数百个子任务组成的长时段任务,机器人需要在每一步都保持较高的成功率。即便每一步的成功率高达99%,当步骤累积到一定数量时,整体成功率也会急剧下降。
人类在执行长时段任务时,会根据过程中的实际情况灵活调整计划,而当前的机器人系统还缺乏这种实时适应的能力。 泛化能力:机器人从演示到实用的关键瓶颈 机器人公司已经掌握了如何通过投入大量精力来训练机器人完成特定任务的方法。然而,那些值得投入如此大精力的特定任务,大多数已经通过传统的自动化技术得到了解决。因此,一个关键问题在于:机器人的能力能否泛化到新的环境,而无需为每个新场景收集大量训练数据? 以中国某制药仓库中部署的机器人为例,它的任务是逐个将货架上的箱子取出并放入滑槽。尽管任务本身相对简单,机器人完成每个箱子的取放仍需约四十秒。而且,每当仓库中添加新类型的物品时,公司都需要专门花时间训练机器人来识别和抓取这种新物品。
目前几乎所有的人形机器人部署都采用类似的思路:选择一个变化性足够大、传统自动化方法难以胜任的任务,但同时也不能变化太大,否则现有的人工智能方法也无能为力。每一个部署场景通常都需要大量的设置和训练工作。 当然,也有一些令人鼓舞的进展。某些公司开始展示其机器人仅通过少量演示就能学会新任务的能力,甚至有公司宣布其机器人只需观看一次人类示范视频就能学会一项新任务。但这些成果距离真正的通用泛化能力仍有相当距离。 考虑这样一个假设场景:机器人被训练将一个午餐盒放入一种带拉链开口的背包中。
现在,如果给它一个完全不同设计的背包,开口处是带扣的而非拉链的,当前的机器人能否顺利适应这种新情况?答案很可能是不能。 安全问题:腿足机器人面临的独特挑战 除了操控能力之外,人形机器人还面临着腿足设计带来的独特挑战,其中最突出的就是安全问题。 目前大多数腿足式人形机器人需要主动维持平衡。如果由于任何原因,腿部的电机停止运转,机器人就会倒下,可能伤及周围的人。而电机停止运转的情况在实际使用中并不罕见。 过热问题是其中一个主要挑战。
某知名型号的机器人曾被研究人员描述为:能搬运几公斤的箱子大约五分钟,然后就会过热,需要让机器人在角落静置半小时甚至一小时才能再次使用。经过改进后,情况有所改善,操作员可以连续工作五到十五分钟,然后休息十分钟。但这种工作节奏显然还远不能胜任实际的生产任务。 除了过热,电池意外耗尽、长时间使用后零件老化、设计缺陷等都可能导致机器人突然失去动力。更糟糕的是,当人形机器人倒下时,其运动控制算法有时会陷入混乱,开始疯狂地抽动腿部试图恢复平衡,这反而可能造成更大的危险。 曾有研究人员遇到过这样一个令人困惑的故障:部署在现场使用一段时间的几台机器人在蹲下时开始出现问题 - - 一条腿会失效,机器人就会摔倒。
但当机器人重新站起时,又一切正常。深入调查后发现,腿部某块印刷电路板随着使用时间的推移会逐渐弯曲,最终导致蹲下时连接器断开。伸直腿部时,连接器又会重新接上。这种问题只有在经过数千步的使用后才会显现出来。 为了防止此类故障危及人类,机器人公司必须做出审慎的设计和部署决策。某些公司选择将部署的机器人放置在远离人类工人的安全围栏内。
某些公司则通过限制机器人的设计来降低风险 - - 比如让机器人尽可能轻便,使其即使倒下也不太可能造成严重伤害。还有一些公司选择使用轮式底座而非腿足设计,虽然牺牲了在不平坦地形上的机动性,但换来了更低的成本和更高的安全性。 从演示到部署:技术成熟需要时间的沉淀 将一个在实验室中能正常工作的机器人演示转变为大规模部署的产品,是一项极其困难的任务。著名机器人专家曾指出,他很少见到一项新技术从实验室演示到成功部署所需的时间少于十年。原因在于,需要时间来充分了解该方法在实际使用中的表现,需要进行充分的特性化分析,以确保机器人在无人监督的真实环境中独立工作时不会出故障。 自动驾驶汽车行业的发展历程,为我们提供了一个很好的参照。
在二十一世纪一十年代中期,众多创业公司涌入自动驾驶领域,迅速取得了令人印象深刻的演示和测试部署。当时,许多业内人士都认为公司在几年内"解决"自动驾驶问题。 二零一五年,谷歌自动驾驶项目(后来成为Waymo)的负责人曾表示,他将在儿子拿到驾照之前解决这个问题。福特公司曾宣布将在二零二一年量产没有方向盘的汽车。某网约车公司的高管曾预测,五年后全自动驾驶的车队将提供该国大部分网约车服务。 然而十年之后,尽管Waymo已经在多个城市运营自动驾驶出租车服务,但消费者仍然无法购买到一辆完全自动驾驶的汽车,自动驾驶服务的覆盖范围也仅限于少数城市环境。
事实证明,将自动驾驶从技术演示扩展到大规模部署,远比让汽车在大多数时候能自己驾驶要复杂得多。 人形机器人虽然不会面临与自动驾驶完全相同的部署挑战,但许多瓶颈是共通的。现实世界异常复杂,从演示一种能力到大规模部署,需要付出巨大的努力。 更现实的期待:技术进步的意义 以上分析并不意味着当前机器人技术领域的研究不重要或不令人振奋。事实上,近年来机器人技术确实取得了实质性突破。许多在五年前还基本不可能完成的任务 - - 比如让机器人折叠一件衬衫 - - 如今已经变得稀松平常。
那些在舞台上跳舞的机器人,所展现的也是硬件和训练技术方面的巨大进步。 但从这些令人印象深刻的演示视频,到无处不在的实用机器人之间,仍然隔着漫长的道路。物体操控的核心难题、技能的泛化能力、长时段任务的可靠性、腿足设计的安全隐患、从演示到部署的技术成熟过程 - - 每一个挑战都需要研究人员、工程师和企业家们投入大量的时间和精力去攻克。 对于那些担心机器人即将大规模取代人类工作的人来说,这或许是一个稍感宽慰的消息。但对于机器人领域的从业者来说,这更是一个提醒:技术进步是一个循序渐进的过程,需要在保持乐观的同时,对现实困难有清醒的认识。只有这样,才能真正推动人形机器人技术走向成熟,最终实现为人类创造价值的远大目标。
。
