机器人遇见大模型：颠覆与重塑

编辑:我爱机器人发布于:机器人技术2023-11-244743

在互联网刚刚兴起的时候，圈内流传着一条法则：“所有”的行业都值得重做一遍。如今，ChatGPT火爆全球，大家开始思考，X+AI等于什么？

机器人产业率先迭代，争相推出大模型加持的人形机器人。除了波士顿动力等老牌机器人企业，新能源车企、互联网大厂是这次竞赛中的新玩家，有人躬身入局自研产品，有人不惜重金大举投资。

今年2月，华为天才少年“稚晖君”离职创办智元机器人，不到半年就获得三轮融资，市场估值在十几亿美元。美国人形机器人创业公司Figure也在两个月内完成了两轮融资，炙手可热。

高盛预测，在技术得到革命性突破的理想情况下，人形机器人2025-2035年销量CAGR可达94%，2035年市场规模达1540亿美元。

马斯克放言，Optimus最终价格可能低于2万美元，预计3-5年内量产，产量达到数百万台。一旦产品成熟，量产数量将达到100亿-200亿台——超过了地球人口的数倍，市场空间将超越电动车。

中国官方给出发展目标，到2027 年，人形机器人技术创新能力显著提升，形成安全可靠的产业链供应链体系，构建具有国际竞争力的产业生态，综合实力达到世界先进水平。

目光所至，金钱追随，股市概念板块轮番上涨。继智能手机、电动汽车之后，人形机器人能否成为下一代爆发的超级终端？加速过程中，哪些环节会遭遇“卡脖子”，哪些环节具有高贝塔？

大模型重新定义AI

机器人称不上是新兴产业，从1927年美国西屋造出第一个机器人Televox，学界和产业界就开始了深入的研究，目标是让机器人“像人一样行动和思考”。

2016年，Google旗下Deep Mind开发的AlphaGo击败了人类棋手李世石，成为第一个战胜围棋世界冠军的机器人。李世石表示：“在围棋 AI 出现以后，我发觉即使自己成为第一名，也永远需要面对一个不可战胜的实体。”

同年登场的波士顿动力Atlas，踉踉跄跄地在碎石和雪地里行走，形似醉汉。然而短短几年的时间里，Atlas的运动能力突飞猛进，不仅能够流畅地奔跑，还学会了倒立和跳马、跳舞和跑酷，每次发布新视频，都能刷屏收获一片惊叹。

机器人在智慧和运动上展现的能力，已经超越人类的想象，但是人们期待的颠覆并没有发生——在不同行业、不同场景之间，复制AI能力的难度和成本都太高了。

在传统的深度学习模型中，人类需要投喂大量的“问题和答案”给机器去学习，机器在此基础上总结出方法论，再来解决类似的问题。一旦介入新的场景，就必须从头开始，收集数据、训练模型。这种“第三人称”的机器智能往往局限于特定场景，很难触类旁通。

而在大模型的加持下，机器能够与真实世界进行多模态交互，像人类一样感知和理解环境，并通过自主学习来完成复杂任务。由此，机器智能走向了第一人称的“具身智能”，拥有持续进化、跨场景应用的能力。

大模型接入机器人，无须额外数据和训练，将指令付诸行动，斯坦福大学李飞飞团队已经给出了成功案例VoxPoser。

实验中，研究人员给出指令：打开最上面的抽屉，注意花瓶。

大语言模型（LLM）由此作出推断：1）抓住最上面的抽屉把手；2）把手向外平移；3）要远离花瓶。

然后，在视觉语言模型（VLM）的指引下，从未经过培训的机器人绕过了障碍，打开了抽屉。这项技能不限于特定任务，开瓶子、按开关、拔充电线都能完成。

基于LLM+VLM的具身智能实践

在更多的实验中，VoxPoser还展现出超强的认知和推理能力：

首先是估计物理特性。给定一个滑板，两个滑块，直接提问“哪个更重”，于是机器人将两个滑块往下推，发现其中一个滑得更快更远，由此推理出这块更重。

第二是行为常识推理。告诉机器人“我是左撇子”，同时让它递送一个工具，那么它就会自动地把工具放到你的左手边。

第三是细粒度语言校正。对于需要高精度的任务，例如“用盖子盖住茶壶”，向机器人发出指令“你偏离了1cm”，它就会自动纠正。

第四是多步可视化程序。给定一个任务“将抽屉打开一半”，而机器人从来没有打开过这个抽屉，也不清楚一半的位置是哪里，但它却知道先把抽屉全部打开，再合上一半。

大模型重新定义了AI，也刷新了研究机构的认知。深耕机器人多年的Deep Mind承认，“由于大模型的出现，我们不得不重新考虑整个研究项目，之前研究的很多东西已完全失效。”

于是Deep Mind猛拉进度条，耗时7个月就发布了新一代机器人RT-2，将多模态大模型“塞进”机械臂，使得机器人能够理解包含数学逻辑推理的命令，比如“将香蕉放到2+1的总和的位置”，也能归类水果，“把草莓放到正确的碗里”。

集成电路上可容纳的元器件的数目，每隔 18-24 个月便会增加一倍，性能也将提升一倍，被称作“摩尔定律”。OpenAI报告显示，近年来人工智能训练任务所需求的算力每 3.43 个月就会翻倍，速度远超半导体行业的摩尔定律。

随着海量数据的积累、算力的提升与算法的突破，大模型参数规模大概率将呈现指数级增长。当模型足够大、数据足够多的时候，甚至可能跨越“奇点”，涌现出全新的智能。

然而，与商业模式清晰的AIGC不同，人形机器人要从实验室走向市场，还受制于高昂的成本。

2018年，本田宣布停止人形机器人Asimo的研发，转向研发更具实用性的案例，比如专业护理、道路交通等领域的机器人。2000 年以来，Asimo已经发布了七代机型，一度代表世界领先水平，但因为技术复杂、造价高达250万美元，始终未能实现量产。

同样造价的Atlas则活成了全民网红，精彩炫技无人买单。定价7.45万美元的机器狗Spot于2020年登上货架，当年官方公布的销售量（租借和出售）大约是250个，其后便没有更新数据。七年时间里，波士顿动力三易其主，从谷歌到软银再到现代汽车。

站在时代的分水岭上，后来者无疑是幸运的。大模型的突破将为人形机器人开拓更多应用场景，催生新的需求，引发规模效应实现降本，从而打开更大的市场，并促使企业研发更加先进的智能技术，形成技术-应用-成本的飞轮效应。

在这场激烈的角逐中，快速集齐智能技术、成熟供应链和应用场景三块拼图的玩家，有可能最先启动飞轮。

擎天柱的秘密武器

2021年的AI Day上，特斯拉人形机器人的概念图首次发布。

一年后，Optimus就以原型机真身示人，关节、骨骼、电缆等设备清晰可见，在现场行走挥手。而在演示视频里，它已经可以做一些简单的工作，比如在工厂搬运箱子、在办公室浇花。

今年10月的最新亮相中，Optimus已经学会了分拣不同颜色的积木，在人为打乱的情况下也能有序分类，并把颠倒的积木摆正。除此之外，还能平稳地完成单腿支撑的瑜伽动作。短短三年时间，Optimus在感知、大脑、运动与控制方面都进步神速。

不过，和“体育生”Atlas相比，Optimus显得平平无奇。但是很多人没有注意到，Atlas没有手指，只能完成开门、抓握等大动作，拿、捏、举、拉这些动作就超纲了。而Optimus却能像人手一样完成复杂灵巧的工作，并承担大约9公斤的负重。

更重要的是，Optimus实现了端到端的神经网络控制：仅仅通过视觉输入，就可以控制各个部件的动作，省去了一系列手动设计的中间步骤和特征提取过程。这就使得机器人具备自主学习能力，快速适应不同的环境。

看似后来居上，其实蓄谋已久。马斯克早就说过：“特斯拉可以说是全球‘最大’的机器人公司，因为我们的汽车就像轮子上的半感知机器人。”Optimus（擎天柱）的秘密就藏在名字里，如同变形金刚一样从四轮汽车人变身为双足机器人。

在核心的大脑部分，Optimus采用了与特斯拉电动车相同的全自动驾驶系统FSD和感知计算单元，以及自主研发的Dojo D1超级计算机芯片以及三颗Autopilot级别自动辅助摄像头。

在智能驾驶中，FSD算法利用传感器数据感知环境，并以此进行路径规划和决策。根据去年AI Day公布的数据，特斯拉已经积累 480 万段数据，训练 7.5 万个神经网络，每 8 分钟就要出一个新的模型，共有 281 个模型用到了特斯拉的车上，在此基础上已推出 35 个 FSD 更新版本。

而Dojo是人工智能的训练“道场”，将数百万辆汽车采集到的现实世界数据传输到超算系统，通过运算和分析，推动智能进化。以往特斯拉主要依靠英伟达的GPU构建训练机，每年需要支付数亿美金。自研芯片D1的诞生，不仅省下一大笔开支，更攻克了算力的“卡脖子”环节。

Optimus完美承接了车端的资源积累，并将受益于规模效应，大幅降低成本。不过，要实现具身智能，多模态的AI能力还有待提升。今年7月份马斯克宣布成立xAI，进军AGI，向微软、谷歌等巨头发出战书。

最近OpenAI董事会罢免创始人Sam Altman，引发700多名员工联名抗议：“OpenAI is nothing without its people”。一波三折之后，Altman回归并组建了新的董事会。在此期间，英伟达公开喊话，意图挖人。DeepMind据传已经收到来自OpenAI员工的简历。AGI人才之战，一触即发。

AI决定了机器人产品力的天花板，而硬件决定产品的落地程度。

与汽车不同的是，机器人要求更高的灵活度、精准度和稳定性，需要几十个关节完美配合，才能完成复杂动作。这是硬件中价值量较大的一块，也蕴藏着新技术方向的机会。

Optimus全身上下有40 个关节执行器，其中旋转关节14个，用在肩膀、手腕、腰、髋四个旋转部位。直线关节14个，用在手肘、手腕、髋、膝、脚踝5个部位，模拟人肌肉组织，提供强大的直线拉力。去年的AI Day上，单个线性执行器能拉起一台半吨重的音乐会三角钢琴。手指关节12个，其中大拇指处使用2套，使得拇指和手掌都能像人手一样弯曲。

旋转关节主要由谐波减速器和电机构成，也包括编码器、角接触轴承、力矩传感器等。据我们市场调研显示，样件价格单套旋转关节价值量2400-4100元，按照批量供应价格来计算，14套的价值量在2-3万之间。其中谐波减速器价值量最高，单台1000-2000元。

谐波减速器是众多减速器类型中的一种，具有传动比高、质量体积小、齿隙小可反向传动等优势，缺点是刚度低，主要应用在机器人轻载位置。另一种RV减速器抗冲击能力更强，传动效率也高，但是结构复杂、质量体积大，更多应用在工业机器人领域，做一些高负载的运动。经过多年的技术研发，中国制造已经打破了国际龙头的垄断，实现了国产谐波减速器的规模化应用。