不久前，英偉達(dá)成立通用具身智能體研究實(shí)驗(yàn)室（GEAR）的消息曝光，將機(jī)器人再度推上了風(fēng)口。

過(guò)去一年，AI 大模型浪潮中，以大模型+機(jī)器人的路徑，為人與機(jī)器共存提供新的交互模式。甚至有觀點(diǎn)認(rèn)為，機(jī)器人大腦的進(jìn)化速度，主要取決于大模型的發(fā)展速度。

市場(chǎng)對(duì)機(jī)器人的火熱反映到實(shí)際的資本環(huán)境上，是動(dòng)輒數(shù)億、乃至數(shù)十億的融資項(xiàng)目、相關(guān)零部件規(guī)模陡然增長(zhǎng)、以及下游概念股也乘風(fēng)而起……具身智能，成為機(jī)器人落地故事里備受矚目的關(guān)鍵詞。

但進(jìn)入實(shí)際的落地中，機(jī)器人只能完成一些定制化任務(wù)，缺乏對(duì)復(fù)雜場(chǎng)景認(rèn)知能力，應(yīng)用局限；而另一邊，機(jī)器按照已設(shè)定算法運(yùn)行，也難以產(chǎn)生更大智能，思考能力和決策能力無(wú)法得到提升。

如何讓具身智能機(jī)器人在與人、環(huán)境的不斷交互中繼續(xù)學(xué)習(xí)，成為了一個(gè)關(guān)鍵命題。

開(kāi)放場(chǎng)景下的機(jī)器人難題

長(zhǎng)久以來(lái)，AI和機(jī)器人領(lǐng)域都存在著一個(gè)經(jīng)典悖論——莫拉維克悖論提出，和傳統(tǒng)假設(shè)不同，計(jì)算機(jī)要實(shí)現(xiàn)例如推理等人類所具備的高階智慧、僅需少量的計(jì)算能力，而若要直覺(jué)、感知等能力，卻需要巨大的運(yùn)算能力。

簡(jiǎn)單來(lái)說(shuō)，電腦可以在和人類圍棋對(duì)弈中輕松取勝，但如果讓機(jī)器人為你取出冰箱里的可樂(lè)，卻并不簡(jiǎn)單。

這一過(guò)程包括了幾個(gè)必要步驟。首先，機(jī)器人需要聽(tīng)懂人發(fā)出的指令，將任務(wù)進(jìn)行拆解；第二步是做出決策，確定目標(biāo)定位并規(guī)劃行進(jìn)路線；第三步到達(dá)目的地后，面對(duì)冰箱里各式物品，機(jī)器人既要能識(shí)別出“可樂(lè)”、還要能控制機(jī)械臂完成揀取動(dòng)作；最后再將物品交到指定地點(diǎn)。

過(guò)去，上述行動(dòng)可以預(yù)先設(shè)定，但由于技術(shù)不成熟，機(jī)器人只能提供case by case服務(wù)；即它只學(xué)會(huì)了取“可樂(lè)”，一旦物品換成“雪碧”，則需要工程師重新設(shè)定一套流程。

當(dāng)機(jī)器人邁進(jìn)真實(shí)場(chǎng)景里，往往面臨著泛化能力弱、交付難度高的兩大痛點(diǎn)。

雅可比機(jī)器人CEO邱迪聰在與硬氪交談中，將機(jī)器人應(yīng)用場(chǎng)景劃分為封閉式和開(kāi)放場(chǎng)景。

其中，封閉式場(chǎng)景指采用經(jīng)典的定制化模式。預(yù)設(shè)機(jī)器人的任務(wù)執(zhí)行邊界，用戶下發(fā)指令后，先收集現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練，在限定范圍內(nèi)窮舉出所有任務(wù)可能性，盡可能覆蓋更多的解決路徑。

例如工業(yè)場(chǎng)景的運(yùn)輸機(jī)器人，工程師會(huì)針對(duì)特定園區(qū)提前設(shè)置運(yùn)輸線路，機(jī)器人只需在固定路徑上完成配送任務(wù)，靈活性低；即使存在多條路線，這些路徑亦經(jīng)過(guò)編排和規(guī)劃，機(jī)器一旦脫離該地圖所設(shè)定的任務(wù)，便無(wú)法運(yùn)轉(zhuǎn)。因此面對(duì)新任務(wù)，機(jī)器人需要再次收集數(shù)據(jù)訓(xùn)練、設(shè)定方案和測(cè)試，從而導(dǎo)致了極大的資源和人力損耗。

開(kāi)放場(chǎng)景則是指不受強(qiáng)封閉式規(guī)范和范圍限制的長(zhǎng)尾問(wèn)題，如商超服務(wù)、居家養(yǎng)老等。當(dāng)機(jī)器人與人、環(huán)境進(jìn)行大量的交互，數(shù)據(jù)集或存在少樣本、甚至零樣本的突發(fā)情況，這對(duì)機(jī)器人理解、處理多種任務(wù)的泛化能力要求極高。

比如自動(dòng)分揀，目前機(jī)器人可完成物流分揀、倉(cāng)庫(kù)分揀，但商超分揀卻遲遲未能實(shí)現(xiàn)。其主要原因就在于，倉(cāng)庫(kù)物流中心的貨物可以標(biāo)準(zhǔn)化，按外形、大小分類，同時(shí)貨品密封性強(qiáng)，有更多冗余。相比之下，商超里品類繁多，同樣是1.5L白瓶包裝，它可能是牛奶、酸奶或是椰汁；再加上品類特性不同，比如雞蛋和紙巾的抗摔程度大相徑庭，這也對(duì)分揀機(jī)器人提出了極高的要求，從視覺(jué)到力控，都必須做的很精準(zhǔn)。

在邱迪聰?shù)脑O(shè)想中，機(jī)器人不應(yīng)只是指令的執(zhí)行者，還要具備舉一反三的學(xué)習(xí)能力?！敖裉鞕C(jī)器人在清掃、巡檢等任務(wù)中可以做得很好，但想要真正走進(jìn)人們?nèi)粘Ｉ睿x不開(kāi)它的感知、決策、執(zhí)行能力?！?/p>

而2023年國(guó)內(nèi)大模型的爆發(fā)式增長(zhǎng)，令邱迪聰看到了AI+機(jī)器人的新機(jī)會(huì)。邱迪聰畢業(yè)于美國(guó)卡內(nèi)基梅?。–MU）大學(xué)機(jī)器人學(xué)院，曾參與NASA火星車研發(fā)、L4級(jí)自動(dòng)駕駛等項(xiàng)目，有超過(guò)8年AI與機(jī)器人跨領(lǐng)域研究和落地經(jīng)驗(yàn)。

隨著技術(shù)改進(jìn)和成本下降，掃地機(jī)器人、工業(yè)手臂等任務(wù)型機(jī)器人滲透率顯著提高。但要提高機(jī)器人智能水平，需要更先進(jìn)的算法和數(shù)據(jù)支撐。

自然語(yǔ)言的數(shù)據(jù)是離線的，屬于方法論上的學(xué)習(xí)；而機(jī)器人決策離不開(kāi)很多高質(zhì)量數(shù)據(jù)，其中多數(shù)來(lái)自于開(kāi)放場(chǎng)景中遇到的突發(fā)性狀況。由此，從單一的封閉式場(chǎng)景任務(wù)向開(kāi)放場(chǎng)景延展，成為機(jī)器人從業(yè)者魚(yú)貫而入的一條路徑。

去年4月，邱迪聰和團(tuán)隊(duì)成立了雅可比機(jī)器人，聚焦具身智能商超服務(wù)機(jī)器人，通過(guò)人類語(yǔ)音指令的控制，即可讓機(jī)器人在商超場(chǎng)景下實(shí)現(xiàn)多任務(wù)執(zhí)行能力，包括自主巡檢、自動(dòng)補(bǔ)貨、貨品分揀等。4個(gè)月后，雅可比機(jī)器人完成天種子輪融資，投資者包括AI大牛、奇績(jī)創(chuàng)壇創(chuàng)始人陸奇。

一邊是開(kāi)放場(chǎng)景對(duì)機(jī)器人提出的極高要求，包括開(kāi)放詞匯的感知能力、非機(jī)器學(xué)習(xí)方法的任務(wù)規(guī)劃、高頻任務(wù)執(zhí)行的閉環(huán)能力等；另一邊，大模型的語(yǔ)義理解、抽象規(guī)劃和推理等能力被印證，可以處理許多復(fù)雜任務(wù)，這為機(jī)器人在長(zhǎng)尾場(chǎng)景中應(yīng)用提供了一個(gè)可行性的通路。

給機(jī)器人裝上「大腦+小腦」

諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主 Daniel Kahneman 曾在《Thinking Fast And Slow》一書(shū)中提出，人類的兩種思考模式，第一種是以直覺(jué)判斷為主的“快思考”，第二種是“慢思考”，需要進(jìn)行大量的推理和計(jì)算。

大模型與過(guò)去 AI 技術(shù)不同點(diǎn)就在于，它采用了“慢思考”模式，令機(jī)器人可以在與人類的交互中不斷學(xué)習(xí)，獲得更好解決任務(wù)、解決更多任務(wù)的能力。但也正因如此，關(guān)注AI、機(jī)器人賽道的投資人郭旭告訴硬氪，絕大部分落地或完整的機(jī)器人產(chǎn)品和項(xiàng)目，普遍希望“一招通吃”，例如大模型的能力很強(qiáng)，就想直接做一個(gè)端到端的巨型通用模型來(lái)解決所有問(wèn)題。

對(duì)此邱迪聰指出，“從實(shí)際ROI投入產(chǎn)出比的角度來(lái)說(shuō)，可能不一定劃算、或者說(shuō)不一定適合當(dāng)前這個(gè)階段。”

開(kāi)放場(chǎng)景用戶的需求復(fù)雜，大模型的訓(xùn)練和推理費(fèi)用高昂。據(jù)海外《The Economics of Large Language Models》研究測(cè)算，每個(gè)token（1000 token約為750個(gè)單詞）的訓(xùn)練成本通常約為6N（N為參數(shù)的計(jì)量單位），推理成本約2N。即推理成本相當(dāng)于訓(xùn)練成本的三分之一。一旦模型上線使用，其推理成本可能遠(yuǎn)超訓(xùn)練成本。

因此，大模型應(yīng)用于機(jī)器人的部署成本也很高。最終帶來(lái)的結(jié)果是，其市場(chǎng)價(jià)格并非普通中小型企業(yè)能消費(fèi)得起的，市場(chǎng)規(guī)模和普及程度有限。

要平衡這種尷尬局面，類人腦機(jī)器人不失為一個(gè)重要的探索方向。即讓機(jī)器人模仿人腦的運(yùn)轉(zhuǎn)分工，通過(guò)“大腦+小腦”兩個(gè)結(jié)構(gòu)互補(bǔ)，大腦負(fù)責(zé)視覺(jué)、聽(tīng)覺(jué)和意識(shí)等高層次的感知和決策功能，小腦則負(fù)責(zé)協(xié)同數(shù)據(jù)來(lái)控制運(yùn)動(dòng)、平衡和行為姿態(tài)。

以邱迪聰和團(tuán)隊(duì)提出的“通用機(jī)器人大腦”為例，通用機(jī)器人大腦由“大腦”J-Mind和“小腦”J-Box構(gòu)成，J-Mind負(fù)責(zé)理解任務(wù)、下發(fā)指令，并交由J-Box來(lái)執(zhí)行。

首先在感知層，結(jié)合了LLM+VLM（大型視覺(jué) – 語(yǔ)言模型）的技術(shù)路線可以就指令、結(jié)合物理環(huán)境進(jìn)行理解，提高機(jī)器人對(duì)開(kāi)放場(chǎng)景的認(rèn)知能力，即不僅能“看到”場(chǎng)景中的各種物品， 還能“看懂”用戶的需求。比如機(jī)器人原先只認(rèn)識(shí)可樂(lè)，但在看到雪碧、橙汁等新物品時(shí)，可以通過(guò)其外形與可樂(lè)相似、“推斷”出它們也是罐裝飲料，并讀取包裝信息，從而認(rèn)知到新物品。

雅可比機(jī)器人工作中

邱迪聰告訴硬氪，雅可比機(jī)器人之所以選擇商超作為自身產(chǎn)品的首個(gè)應(yīng)用場(chǎng)景，正是因?yàn)樯坛娜藛T聚集效應(yīng)，有大量反復(fù)的物品信息和交互產(chǎn)生，可以為機(jī)器人自我學(xué)習(xí)提供數(shù)據(jù)支撐。也即是說(shuō)，機(jī)器人是從真實(shí)場(chǎng)景中收集數(shù)據(jù)實(shí)時(shí)學(xué)習(xí)，而非在已有的數(shù)據(jù)庫(kù)找答案。

在決策層，機(jī)器人通過(guò)J-Mind可以將用戶需求轉(zhuǎn)化具體的指令和子步驟，形成任務(wù)分配輸出與決策動(dòng)態(tài)閉環(huán)，下發(fā)執(zhí)行任務(wù)給到J-Box。隨后，再由J-Box來(lái)驅(qū)動(dòng)機(jī)器人完成操控、抓取、放下等動(dòng)作。

機(jī)器人正在進(jìn)行「抓取、放下」

例如，當(dāng)商超貨架缺貨時(shí)，店員只需以口頭或文字輸入的形式，提出“貨架上可樂(lè)缺貨、需補(bǔ)貨”的指令，雅可比機(jī)器人可自動(dòng)移動(dòng)到所需補(bǔ)貨的貨架前，識(shí)別貨架陳列狀態(tài)。當(dāng)J-Mind在多類物品識(shí)別到可樂(lè)后，可將補(bǔ)貨指令拆解為子步驟，由J-Box來(lái)抓取可樂(lè)、并把可樂(lè)放置到貨架的空缺位置中。

這種“大腦+小腦”路線在通用機(jī)器人大腦的基礎(chǔ)框架上，集成了很多經(jīng)典的主流機(jī)器人算法，無(wú)需部署工程師，開(kāi)箱即可使用；同時(shí)還支持人工調(diào)度和機(jī)器人自動(dòng)化協(xié)助，靈活性更高，由機(jī)器人大腦來(lái)判斷任務(wù)是否需要調(diào)用大模型、亦或是用算法就能解決的，進(jìn)而降低服務(wù)成本。

商業(yè)化困局：迭代周期長(zhǎng)、高成本

公開(kāi)數(shù)據(jù)顯示，2017年至2021年五年間，全球智能服務(wù)機(jī)器人從原本未達(dá)百億的市場(chǎng)增長(zhǎng)至200億美元，預(yù)計(jì)到2026年將超過(guò)600億美元。

其中，中國(guó)智能專業(yè)服務(wù)機(jī)器人市場(chǎng)也從2021年的百億元、預(yù)計(jì)到2026年可邁向千億規(guī)模，增速較快。

可以看到，相比于商場(chǎng)里只能移動(dòng)或展示廣告的傳統(tǒng)機(jī)器人，大模型的出現(xiàn)讓人們看到了具身智能的希望，以雅可比為代表的商超機(jī)器人已經(jīng)實(shí)現(xiàn)了一個(gè)臺(tái)階的提升。

不過(guò)，其痛點(diǎn)也依舊存在。在技術(shù)層面，大模型增強(qiáng)了機(jī)器人的理解能力，但機(jī)器人本身是一個(gè)復(fù)雜的跨學(xué)科系統(tǒng)，涉及仿生學(xué)設(shè)計(jì)、AI應(yīng)用、動(dòng)力學(xué)建模、能量管理等等，要實(shí)現(xiàn)從理解、決策到控制運(yùn)動(dòng)、執(zhí)行任務(wù)，還需要匹配各種算法和軟件。AI技術(shù)升級(jí)迭代不是線性發(fā)展的，周期長(zhǎng)、投入高，存在長(zhǎng)期無(wú)法突破關(guān)鍵技術(shù)的風(fēng)險(xiǎn)。

硬件方面，機(jī)器人的征集結(jié)構(gòu)復(fù)雜，核心零部件決定了其精度、穩(wěn)定性、負(fù)荷能力等重要性能指標(biāo)，其中技術(shù)難度最高分別是減速器、伺服系統(tǒng)和控制器，占成本的70%。加上傳感器等其他零部件，這些都會(huì)增加機(jī)器人的制造和后期維護(hù)的成本

。邱迪聰就告訴硬氪，商超場(chǎng)景客戶對(duì)ROI十分關(guān)注。為此，雅可比機(jī)器人已找到核心零部件的供應(yīng)渠道，“這種方式的成本控制空間較高，核算下來(lái)符合預(yù)期?！?/p>

此外，機(jī)器人在產(chǎn)品化過(guò)程中，基于開(kāi)放場(chǎng)景的融合打磨和迭代，也需要時(shí)間來(lái)產(chǎn)生和驗(yàn)證價(jià)值。

某機(jī)器人廠商的市場(chǎng)負(fù)責(zé)人向硬氪表示，“下游買(mǎi)家一定是需要拓展和教育的，很難實(shí)現(xiàn)一上市就得以被接受和認(rèn)可。解決方法一是產(chǎn)品持續(xù)迭代，二是要與客戶保持緊密溝通，這是一個(gè)共同打磨產(chǎn)品、共同打磨場(chǎng)景的過(guò)程，通過(guò)這種共創(chuàng)的形式，發(fā)掘更多產(chǎn)品價(jià)值?！?/p>

例如除商超場(chǎng)景外，雅可比機(jī)器人也在探索餐飲服務(wù)、辦公室、家用等環(huán)境。機(jī)器人作為餐廳服務(wù)員可以完成點(diǎn)菜、上菜等任務(wù)；作為公司前臺(tái)可以引導(dǎo)訪客，并完成材料分發(fā)、倒水等任務(wù)；作為家庭助手，協(xié)助整理衣物、擦洗家具等。

機(jī)器人餐飲服務(wù)工作流程

“我們最終的目標(biāo)是，從商超場(chǎng)景出發(fā)，將機(jī)器人所學(xué)遷移至更多場(chǎng)景中，進(jìn)入到日常的家庭生活，真正實(shí)現(xiàn)多個(gè)任務(wù)的自動(dòng)化閉環(huán)?！鼻竦下斦f(shuō)到。

無(wú)法否認(rèn)，目前市場(chǎng)上的機(jī)器人整體還處于一種“玩具”的階段，遠(yuǎn)沒(méi)有達(dá)到大規(guī)模產(chǎn)業(yè)化的地步。但可以期待的是，通過(guò)機(jī)器人和大模型的融合方法，有“大腦+小腦”的仿真演化，有大模型與經(jīng)典算法的自動(dòng)化協(xié)同，有規(guī)則和模型的相互轉(zhuǎn)化，一個(gè)更復(fù)雜的、可以不斷自我成長(zhǎng)的機(jī)器人智能體或許已經(jīng)不遠(yuǎn)了。

原標(biāo)題：當(dāng)AI大模型卷向服務(wù)機(jī)器人，會(huì)有哪些新故事？