波士頓動(dòng)力等中外專(zhuān)家探討“人形機器人”的過(guò)去與未來(lái)

8 月24 日，“2024 世界機器人大會(huì )”主論壇進(jìn)入第三天，在下午的主論壇上，舉辦了“為人形機器人發(fā)展提供新‘動(dòng)力’”的對話(huà)環(huán)節，德國慕尼黑工業(yè)大學(xué)教授A(yíng)lois C. Knoll主持，AI研究所執行主任、波士頓動(dòng)力公司創(chuàng )始人Marc Raibert（馬克·雷伯特）與來(lái)自本土的四家企業(yè)老總參與了討論。

1   人形機器人的歷史

主持人——德國慕尼黑工業(yè)大學(xué)教授A(yíng)lois C. Knoll首先做了開(kāi)場(chǎng)白。

我們已經(jīng)走了很長(cháng)的路，但也許不是每個(gè)人都意識到這是一條非常非常長(cháng)的路。

人們可能不知道：世界上第一個(gè)機器人就是人形機器人。

捷克作家卡雷爾·卡佩克（Karel Capek）于1920 年創(chuàng )作了一部名為《R.U.R.（Rossum’s Universal Robots），羅薩姆的通用機器人》的戲劇，該劇于1921 年首次上演。因此100多年前，機器人（robot）這個(gè)詞出現^注1。有點(diǎn)可悲的是，即使在那時(shí)，機器人也基本上接管了人類(lèi)，并治愈了人類(lèi)。所以從那一刻起，人形機器人就有了相當負面的含義^注2。

第一個(gè)機械的、實(shí)際工作的人形機器人是由美國西屋電氣公司為1939 年的世界博覽會(huì )生產(chǎn)的，叫Elektro。Elektro 2.1 米高，重120 公斤，可以根據語(yǔ)音命令走路、說(shuō)大概700 個(gè)詞（使用一個(gè)錄音機）、抽煙，吹氣球、移動(dòng)頭和胳膊，光電眼能分辨紅色和綠色光。后來(lái)，Elektro 有了一條四條腿的狗作伴，名叫Sparko。

圖1 1940年，Elektro有了自己的機器狗Sparko

這也是很久以前——80 年前的事了。

如果繼續前進(jìn)，我不得不說(shuō)，我必須向所有有不同意見(jiàn)的人道歉。這是對此后幾年重要事件的個(gè)人看法，早在1973年，微處理器發(fā)明后不久，日本早稻田大學(xué)建造了第一個(gè)人形機器人Wabot-1，它是一個(gè)全尺寸的人形機器人。隨后是Wabot-2，能讀樂(lè )譜并彈奏電子鍵盤(pán)。它頭上有一個(gè)攝像頭，并且有五指，那是在1980年——44 年前的事情了。

第二波浪潮是行走機器人的時(shí)代，在1985—2010年。有一些不同的實(shí)驗室參與其中，本田是一家出色的公司，他們從1986 年兩足步行機開(kāi)始，以ASIMO 結束——2005 年推出第二版。遺憾的是，該計劃被終止了。但正如Marc（波士頓動(dòng)力）所說(shuō)，如果你真的想賺錢(qián)，也許在那時(shí)，不應該建造人形機器人。也許這種情況正在改變。

在第二波，主要是行走、全身移動(dòng)和一些有趣的軀干的研發(fā)。

我也做一點(diǎn)自我營(yíng)銷(xiāo)。在2000 年，我發(fā)起并主持了第一屆IEEE/RAS 人形機器人會(huì )議（Humanoids2000）。

多年來(lái)，該會(huì )議不斷發(fā)展壯大，最近一次是2024 年在法國舉行的。

2008年，我參與了歐盟旗艦項目的概念開(kāi)發(fā)，2013年是該項目的人腦項目HBP 的聯(lián)合創(chuàng )始人。2009 年參

與了歐盟大型項目ECHOPD（歐洲開(kāi)放機器人協(xié)調中心），是一個(gè)為期10 年、耗資5000 萬(wàn)歐元的大型服務(wù)機器人項目。

從2006起，我們也做了多款人形機，最新的是2024年的roboy（如圖2）。

圖2 主持人在做開(kāi)場(chǎng)白。四位國內領(lǐng)軍企業(yè)的老總（從左3至右）是：星動(dòng)紀元創(chuàng )始人、清華大學(xué)交叉信息研究院助理教授陳建宇，宇樹(shù)創(chuàng )始人、CEO兼CTO王興興，北京大學(xué)前沿計算研究中心助理教授、北大銀河通用具身智能聯(lián)合實(shí)驗室主任王鶴，北京具身智能機器人創(chuàng )新中心總經(jīng)理熊友軍。

2   為何對人形機感興趣

主持人：王興興（宇樹(shù)）在大會(huì )的主題報告中稱(chēng)：我們現在正進(jìn)入一個(gè)新時(shí)代，發(fā)展可能會(huì )呈指數級增長(cháng)。

想問(wèn)小組成員的一個(gè)問(wèn)題：是什么讓你們與人形機聯(lián)系在一起？你為什么對人形機感興趣？

我很不禮貌，讓我從自己的介紹開(kāi)始。自2001 年以來(lái)，我一直是慕尼黑工業(yè)大學(xué)的教授，我對人形機器人的一個(gè)方面產(chǎn)生了興趣，那就是具身。

我和蘇黎世大學(xué)的朋友Paul Pfizer（音）一起（可惜他已經(jīng)退休了），我們都是具身的堅定信徒。我們認為，只有在以非常自然的方式與世界相連的人體中，才能發(fā)展出人形的智能。因此，身體應該具有相同的動(dòng)力學(xué)和尺寸等。否則將很難發(fā)展。關(guān)于這一點(diǎn)，可以看到一系列機器人是這種具身智能的結果之一。

內在功能比外在表象重要

Marc（波士頓動(dòng)力）：人形是否意味著(zhù)有兩只胳膊、兩條腿、一個(gè)頭？實(shí)際上，直到最近我才感興趣人形機器人。我一直認為，功能（注：因為Marc 是一名教授）是最重要的——移動(dòng)性、靈活性、感知力和智力等，形態(tài)和化妝是次要的。另外，人形機器人意味著(zhù)動(dòng)態(tài)的、逼真的，能與外界互動(dòng)。

我一直是人形機器人的粉絲，盡管波士頓動(dòng)力公司制造的第一個(gè)機器人是彈簧棍（音：pogo stick）之類(lèi)的東西。但我認為人形機器人的許多要素都在那些彈簧棍的東西里。當波士頓動(dòng)力公司開(kāi)始建造機器人時(shí)，那些直立的、有雙腿和雙臂、有時(shí)甚至可以向前移動(dòng)的機器人很吸引人公眾（非科學(xué)家、非工程師），例如在視頻網(wǎng)站YouTube上，點(diǎn)擊量會(huì )是四條腿機器人的10 倍以上，可見(jiàn)公眾對人形機器人更感興趣，而狗卻沒(méi)有得到同樣的關(guān)注。

人形機的幾點(diǎn)改進(jìn)方向

北京具身智能機器人創(chuàng )新中心總經(jīng)理熊友軍：我開(kāi)始對機器人感興趣是在讀博士時(shí)——2000 年開(kāi)始做工業(yè)特種機器人，用在一些危險環(huán)境里。這是因為那時(shí)機器人技術(shù)還很不成熟，但是在一些領(lǐng)域，尤其在危險場(chǎng)景里必須要由機器人去完成。

但是那時(shí)機器人的智能是很低的。所以當時(shí)的辦法是將機器人的智能跟人的智能結合起來(lái)，所以做了機器人遙操作。

但是在遙操作過(guò)程中，發(fā)現很多場(chǎng)景用工業(yè)機械手臂、輪式機械臂解決不了的問(wèn)題，尤其在一些狹小、復雜的環(huán)境中，輪式、履帶式進(jìn)不去，但是人可以進(jìn)去；還有一種情況是需要使用很多工具去完成的工作，當時(shí)用機械手臂等機器人很難去完成?？梢?jiàn)，人形機器人應該是一種好的工具或解決方案。

當年本田公司的機器人P1（1993）、P2（1996）、P3（1997）及ASIMO（P4 的俗稱(chēng)，2000），給我提供了一些啟發(fā)。從那時(shí)起我對人形機器人非常感興趣，畢業(yè)后一直從事機器人方面的工作。

2012 年在上海，我與周劍（注：現任優(yōu)必選CEO）等人合作，一起創(chuàng )建了優(yōu)必選。之后一直在做人形機器人/ 機器人的研發(fā)工作。2023 年我從深圳來(lái)到北京，籌建了“北京具身智能機器人創(chuàng )新中心”，聚焦人形機器人方面的研發(fā)，希望解決人形機器人的一些共性和關(guān)鍵性技術(shù)，包括三個(gè)方面。

①本體技術(shù)研發(fā)的不足——現在人型機器人在本體、關(guān)鍵的核心器件、傳感器等方面有非常多要攻克的地方。

②運動(dòng)控制方面的技術(shù)研發(fā)，采用深度強化學(xué)習的運動(dòng)控制方式，包括現在也用一些AI 神經(jīng)網(wǎng)絡(luò )的方式用去做運動(dòng)控制。

③智能的研發(fā)，例如用具身智能的方式，做具身智能的一些基礎性工作，例如建數據集，去研發(fā)具身智能模型的框架等。

堅持源于熱愛(ài)

星動(dòng)紀元創(chuàng )始人、清華大學(xué)交叉信息研究院助理教授陳建宇：我的興趣來(lái)10歲左右對智能機器人非常感興趣，例如對本田ASIMO 非常著(zhù)迷。

但是創(chuàng )業(yè)充滿(mǎn)了挑戰性，例如Marc創(chuàng )辦了波士頓動(dòng)力公司，并已做了40多年，非常令人尊敬。假設沒(méi)有一個(gè)發(fā)自?xún)刃牡?、天生的熱?ài)，是很難堅持下來(lái)的。所以我對機器人的熱愛(ài)，某種程度上是與生俱來(lái)的。但真正開(kāi)始做是在大學(xué)本科時(shí)，當時(shí)在學(xué)校里接觸了機器人，知道IHMC（人類(lèi)與機器認知研究所）的一款雙足機器人，當時(shí)我主要做捕獲點(diǎn)的不太規范的研究，后來(lái)博士階段繼續做機器人，雖然不是人形，但也是相關(guān)領(lǐng)域，包括控制、無(wú)人車(chē)和機械臂等。

在我回國后，在清華接觸了一個(gè)項目后，正式開(kāi)始投入去做人形機器人了，后來(lái)孵化了星動(dòng)紀元公司。如今，星動(dòng)紀元最新一代的機器人是第六代產(chǎn)品。

關(guān)注新的智能體機器人

宇樹(shù)創(chuàng )始人、CEO兼CTO王興興：我10 歲左右就看過(guò)波士頓動(dòng)力公司在MIT 實(shí)驗室做的單腿、雙足人形機，印象非常深刻。之后在2009、2010 年——大一寒假時(shí)做過(guò)一個(gè)小人形機器人，但不太滿(mǎn)意。在研究生期間又做了一款機器人，采用了低成本的硬件，運動(dòng)性能非常好，可以直接實(shí)現關(guān)節的力控及整機的力控。開(kāi)始時(shí)我對人形技術(shù)比較悲觀(guān)，但是后來(lái)在2022年左右，隨著(zhù)整個(gè)機器人、AI 技術(shù)的進(jìn)步，再加上ChatGPT出來(lái)以后，人們看到了人形機和AI 結合的可能性，所以宇樹(shù)公司重新開(kāi)始做高性能的人形機。實(shí)際上，宇樹(shù)真正感興趣的并不是人形機，而是新的智能體機器人的形態(tài)。

人形機器人只是目前人們比較公認的一種最有可能的“通用機器人+ 通用AI”的結合體，但是這可能并不是唯一的。宇樹(shù)希望誕生比人類(lèi)更高級的智能體，以大大推動(dòng)人類(lèi)的工業(yè)變革，推動(dòng)新的工業(yè)革命。努力研發(fā)，使人形機走進(jìn)千行百業(yè)、千家萬(wàn)戶(hù)北京大學(xué)前沿計算研究中心助理教授、北大銀河通用具身智能聯(lián)合實(shí)驗室主任王鶴：我與人形機器人和具身智能結緣，是從斯坦福大學(xué)讀博開(kāi)始，2016 年深度學(xué)習技術(shù)已經(jīng)出來(lái)，也應用在了圖像識別、分類(lèi)等任務(wù)中。

當時(shí)作為一個(gè)前沿研究，人們試圖去理解人類(lèi)是如何把感知、思考和交互能力融合在一起的。所以我博士期間的第一個(gè)工作就是用一個(gè)視覺(jué)模型來(lái)看桌面上人的動(dòng)作和物體的運動(dòng)，然后推理人下一步想要什么。這是一個(gè)語(yǔ)言模型。最后再用一個(gè)簡(jiǎn)單的機器人——一個(gè)智能的馬克杯去響應人的動(dòng)作。

這個(gè)工作獲得了歐洲圖形學(xué)的最佳論文提名。但是它還有很多不足，例如馬克杯只能在桌面上移動(dòng)；機器人只能響應動(dòng)作，沒(méi)有跟人交互的能力；視覺(jué)只能看有限的幾種物體；語(yǔ)言模型只能根據人與桌面東西的一些動(dòng)作來(lái)做簡(jiǎn)單的推理。

通過(guò)過(guò)去8 年的研究，已取得了一些技術(shù)進(jìn)展，例如怎樣把機器人的操作能力做得更泛化——什么東西都能抓取和放置；還有跟現在的多模態(tài)大模型技術(shù)相結合，真正明白人類(lèi)想讓你干什么、言出法隨地去執行。2023年我們還孵化了“北大銀河通用具身智能聯(lián)合實(shí)驗室”這家人形機器人公司?，F在把視覺(jué)、語(yǔ)言、動(dòng)作這三種不同的模態(tài)融合到大模型中，真正賦能人形機器人。公司的愿景是：使人形機器人能走進(jìn)千行百業(yè)、千家萬(wàn)戶(hù)。

3   今天相比10年前的優(yōu)勢，未來(lái)5年將會(huì )怎樣？

主持人：在你們看來(lái)，我們今天擁有哪些10 年前沒(méi)有的重要技術(shù)？因為人們可能會(huì )有這樣一個(gè)問(wèn)題，為什么在2000 年時(shí)不可能看到今天的情況？對注重實(shí)際的人來(lái)說(shuō)至關(guān)重要的：未來(lái)5 年，這個(gè)行業(yè)將如何發(fā)展？

硬件開(kāi)發(fā)和AI 在進(jìn)步

Marc（波士頓動(dòng)力）：今天在很大程度上取決于硬件開(kāi)發(fā)和AI。如果談?wù)撐磥?lái)5 年，硬件開(kāi)發(fā)將繼續發(fā)揮重要作用，毫無(wú)疑問(wèn)，能夠打破語(yǔ)義理解障礙的基礎模型或其他AI 方法將是最具影響力的。

人類(lèi)可以做的就是概括和理解他們所看到的事物的意義，但這種意義仍然沒(méi)有被真正捕捉到，相信AI 能在這方面取得進(jìn)展。其他將取得巨大進(jìn)步的包括計算機、傳感器、感知控制、電池等。

我認為人們忘記了電池——它是工業(yè)時(shí)代的產(chǎn)物，但電池真的很重要。所以在汽車(chē)行業(yè)，人們在過(guò)去的5年里把電池做得更好。

主持人：人形機也將從電動(dòng)汽車(chē)的電池等技術(shù)發(fā)展中獲利，當然還有消費電子。

5年內可能迎來(lái)ChatGPT時(shí)刻

北京具身智能機器人創(chuàng )新中心總經(jīng)理熊友軍：從AI視角來(lái)看有非常大的不同：10 年前/2014 年左右，深度學(xué)習剛出來(lái)不久。它解決了圖像處理等問(wèn)題。之后有兩個(gè)重要的里程碑：①以2016 年阿爾法狗為代表的深度強化學(xué)習，而不是學(xué)習。強化學(xué)習有非常長(cháng)的歷史，主要是深度學(xué)習出來(lái)之后，緊接著(zhù)把它用在了強化學(xué)習上面。深度強化學(xué)習解決了強化學(xué)習的維度災難的問(wèn)題。②最近以ChatGPT 為代表的大語(yǔ)言模型。

所以這兩個(gè)是過(guò)去10 年以前所沒(méi)有，但是又對未來(lái)機器人、具身智能的發(fā)展起著(zhù)決定性的作用的兩種技術(shù)。

可能在接下來(lái)的幾年，這兩項技術(shù)會(huì )非常深度地跟人形、具身智能融合起來(lái)，但它們也分別需要經(jīng)過(guò)一定程度的skill，強化學(xué)習也需要訓練，做比較通用的模型。以大模型為代表，仿真model 也需要去skill，以解決更加豐富的物理世界的數據程序。

相信在接下來(lái)的5 年，這幾項技術(shù)能取得大的進(jìn)展。我們可能會(huì )在5 年內迎來(lái)ChatGPT 時(shí)刻。

機器人AI 模型的發(fā)展將很快

陳建宇（星動(dòng)紀元、清華）：過(guò)去10 年最大的變化還是由AI 技術(shù)帶來(lái)的，人們對AI 能做的事情有更多的信心了。

此外，對于本體企業(yè)，包括整個(gè)社會(huì )對人形機的共識也是非常關(guān)鍵的。目前人們相信人形機器人可以產(chǎn)生更多的價(jià)值，這在10 年前是完全不能想象的——那時(shí)整個(gè)社會(huì )對人形機沒(méi)有什么信心。

在未來(lái)5年，機器人AI模型的變化會(huì )非?？?。因為目前AI日新月異，人們可以用AI 集成技術(shù)去搭建各種自己的模型去做訓練，整個(gè)已經(jīng)變成一個(gè)非常扁平化以及容易化的操作過(guò)程。因此很多人可以參與進(jìn)來(lái)，去做機器人模型、去做訓練。所以未來(lái)5 年，各種AI模型創(chuàng )新，包括更新的神經(jīng)網(wǎng)絡(luò )模型、脈沖神經(jīng)網(wǎng)絡(luò )等，都有很多的機會(huì )。

過(guò)去實(shí)現完美抓取，未來(lái)還能夾擰掰

王興興（宇樹(shù)）：自2014 年以來(lái)的10 年發(fā)展很快。10 年前我們已經(jīng)看到了一些曙光。其實(shí)在那時(shí)，具身智能甚至不是一個(gè)在西方學(xué)術(shù)界流行的詞匯。但過(guò)去10 年的一大技術(shù)進(jìn)展是：我們在具身智能里已經(jīng)有一些技能實(shí)現了非常強的泛化性。

以我個(gè)人的研究舉例，在抓取的問(wèn)題上已經(jīng)取得了長(cháng)足的進(jìn)步：從只能抓方塊、圓形等特定形狀的物體，到基于三維視覺(jué)傳感器，可以抓不透明、不反光的，在深度傳感器里能完美成像的物體，到最近的技術(shù)能夠預測透明、高反光金屬、吸光等非常有挑戰材質(zhì)的物體的深度，基于它去做泛化的抓取。宇樹(shù)現在已經(jīng)能把抓取做得相當好。在此次機器人大會(huì )上，宇樹(shù)等公司的展臺上，機器人能接受觀(guān)眾給出的各種形狀、材質(zhì)、隨便堆疊的物體。宇樹(shù)的機器人展示了非常泛化和高成功率的抓取能力。

但是很多人會(huì )提問(wèn)：你能幫我抓水瓶，能不能再幫我把瓶蓋給擰開(kāi)？非常不好意思，現在泛化的開(kāi)瓶蓋技能還沒(méi)有訓練出來(lái)。但這就是大模型能夠帶給我們的機會(huì )。那么語(yǔ)言大模型的涌現，也就是emergent behavior，能夠在只見(jiàn)一次甚至零次的演示情況下，就理解你要生成什么樣的文字。相信未來(lái)5 年，給我們的機會(huì )就是發(fā)展機器人的基礎大模型，能夠實(shí)現涌現能力。它吞吐了足夠大量的數據以后，以靈巧手為例，它能夠抓、夾、擰、掰……，能夠做各種基本的手的運動(dòng)。給它看一個(gè)視頻，它就能理解這個(gè)活兒該怎么干。到那時(shí)，我們就有了一個(gè)通用的、至少是做操作任務(wù)的機器人了。

這是我認為未來(lái)5 年的一個(gè)機會(huì )。

人機交互、硬件與電池的變遷

北京大學(xué)前沿計算研究中心助理教授、北大銀河通用具身智能聯(lián)合實(shí)驗室主任王鶴：這一輪機器人技術(shù)的進(jìn)步主要是由AI 來(lái)驅動(dòng)的，體現在幾個(gè)方面：第一，人機交互能力得到了極大提升。記得10 年前做AI- 機器人的交互，如果要加語(yǔ)音、視覺(jué)，第一是成本非常高，第二，要做大量的研發(fā)的工作，需要幾個(gè)博碩帶著(zhù)一個(gè)團隊，花費很長(cháng)時(shí)間才能夠完成一些物體識別、語(yǔ)音合成，然后是自然語(yǔ)言理解、謬批，甚至是tts語(yǔ)音合成等方面的工作，甚至包括導航。

但是現在隨著(zhù)技術(shù)的進(jìn)步，現在做VIA 的大模型，直接做端到端的語(yǔ)音給它，然后很快就可以有比較好的行為輸出，有很好的意圖理解，然后做任務(wù)規劃等。這一輪的對人機交互、對任務(wù)的規劃、執行等方面都有巨大的提升，這在10 年前很難去想象。

第二，在硬件方面也有巨大的提升，體現在兩個(gè)方向：①關(guān)節性能的提升非?？?，很多公司的機器人可以做一些動(dòng)態(tài)、劇烈的運動(dòng)，這離不開(kāi)關(guān)節性能的提升——高的能量密度比、高的轉速、高的性能等技術(shù)的提升，這在10 年前是很難做到的。②這離不開(kāi)運動(dòng)控制能力的提升，電機的提升?，F在更多采用結構設計的方式，讓布局等方面有非常大的進(jìn)步，包括把腿轉成慣量，把電機的性能往上提等各種各樣的結構設計的技術(shù)變化。

第三，能量。10 年前我們做機器人的手段，一個(gè)電池就像我們背后要背一個(gè)非常巨大的電池包/ 能源包，而且能夠持續的時(shí)間很短。但是這幾年隨著(zhù)新能源汽車(chē)對電池技術(shù)的推動(dòng)，電池的能量密度大幅提升?，F在一個(gè)較小的電池就可以支持較長(cháng)時(shí)間。這是一個(gè)非常重要的技術(shù)突破。

關(guān)于未來(lái)、5 年之后，這幾個(gè)方向可能還是重大突破的方向。

第一方面，人機交互，希望大模型能提供更長(cháng)程的任務(wù)規劃、做意圖的理解等方面。我們只要給它一個(gè)非常模糊的指令，它就可以輸出標準、自然的交互的結果。

第二方面，是在實(shí)施路徑的重規劃方面，一個(gè)重大、要攻克的方向是隨著(zhù)環(huán)境改變，希望機器人能夠實(shí)時(shí)改變執行策略等。

第三方面，在能量方面是持續要提升的，現在的執行效率跟人類(lèi)相比還是有非常大的差距。

注1：“機器人”來(lái)自捷克語(yǔ)，作者將捷克語(yǔ)“Robota”寫(xiě)成了英語(yǔ)“Robot”。

注2：捷克語(yǔ)“Robota”是奴隸的意思，被當作“機器人”一詞的起源。該劇預告了機器人的發(fā)展對人類(lèi)社會(huì )的悲劇性影響，引起了人們的廣泛關(guān)注。

（本文來(lái)源于《EEPW》202410）