本文整理自险峰主题沙龙《AI浪潮下：机器人领域新机遇》，主持：邓卓兵，嘉宾：杨健勃、邵天兰、弭宝瞳、李宇浩、许华、曾祥永、谢思为、董豪，原文标题：《现实与梦想：聊聊AI与机器人》，头图来自：视觉中国
一、大模型+机器人发展到了什么阶段？如何看待未来的趋势？
嘉宾A：首先，大模型+机器人还处于非常早的技术探索期，一个很明显的特征就是技术路线还没开始收敛。
比如深度学习，2012年它刚登场时，和今天大模型一样惊艳，直接把图像识别准确率提升到了90%多，2015年又出现了Alpha GO，直到2018、19年，深度学习才逐渐收敛，最直观的反映就是高引论文开始没那么多了。
因为早期大家还在尝试不同路线，到后面慢慢形成共识，彼此的东西越做越像，模型结构上也就不会再有大的质变。目前大模型还远没到这个阶段，微软谷歌英伟达，彼此之间甚至连任务定义还都不一样。
第二是算力算法的进步速度。举个例子，2012年时，你用电脑跑一个5亿参数的模型（在今天看起来都属于小模型），动辄也要跑半个小时；但现在你用最常见的因特尔CPU，跑5亿参数只需要零点几秒，甚至不需要挂AI芯片，也几乎没有成本。
所以，我们今天看大模型创业，需要多少个GPU，一算账要好多钱，就觉得这件事干不了，但10年之后再看，这些可能都不是问题。现在英伟达等巨头都在算力方面发力，对此我还是比较有信心的。
第三是大模型+机器人还远未形成固定的产品形态。
我们看人类历史，机械的进步=控制力的进步：比如第一次工业革命，诞生了气缸这样的基础组件；到第二次工业革命，有了基础控制和自动化，人类开始能够通过机械操控机械；到计算机革命时代，有了PLC（可编程控制器），开始用电脑控制机械，再后来，我们用3D视觉AI控制机械，到现在用大模型控制机械。
可以看到，每个时代之间不是替代关系，而是补充关系：不是说有了计算机，机械控制就没用了，而是通过计算机对机械控制赋能，让机械有了更强的能力，由此诞生出了更多的产品形态。
大模型也是一样，机器人进化和人类进化很类似：首先，机器人要能站得稳，能走直线，不会摔倒对应到人脑，就是小脑部分要解决的问题；后来慢慢发展出了语音识别、图像识别，这时已经对应到了大脑中某个特定区域；到现在大模型出来之后，相当于进化到了前额叶的部分，AI也开始能具备一些“基本智力”。
所以，未来我们比较看好AI的三个方向：
1、根据常识处理异常：比如说自动驾驶，现在AI已经可以做到识别障碍物，但是如果路边有人举个牌，说前方桥断请绕行，AI能不能明白这些字的含义？再比如路上看到交警向你打手势，AI能不能根据常识，知道自己要靠边停车？
2、高层次抽象任务：比如说我和机器人说，“请把这个房间收拾一下”，再比如在仓库场景中说，“请按清单打包发货”，这些都属于高层次抽象任务它不是一个单独的指令，而是要向下拆解成很多子任务和子指令。
3、主动感知：比如我让AI从冰箱里拿瓶水，打开冰箱后如果没看见水，机器就会停在这一步，但如果是人就知道再翻一下，看看水是不是放在最里面了？
以上种种这些，过去的AI还都做不到，但大模型很可能会实现。举个例子，现在微软使用GPT的技术，已经可以做到简单的抽象任务，比如你和机器人说“把饭热一下”，它知道要去找微波炉。
换句话说，现在已经可以通过语言模型，让机器人在热饭和微波炉之间建立联系AI知道要找到微波炉，打开，把饭放进去。
包括谷歌、英伟达也都开始尝试，在大语言模型上加入跨模态和机器人操作，这方面网上的视频资料很多，也非常震撼，大家感兴趣可以找来看看。
二、大模型为机器人带来了哪些通用能力？有什么是值得我们憧憬的？
险峰：过去机器人更像一种专用设备，各种能力要依赖于工程师写代码，但大模型出现后，AI出现了泛化能力，GPT已经成功颠覆传统软件行业，那我们该如何憧憬大模型对机器人带来的影响？
嘉宾B：机器人虽然带了个“人”字，但它依然还是一个效率提升的工具，既然是工具就要分场景、分功能，比如天上用的和地下用的，室内用的和室外用的机器人肯定不一样。
所以，我认为很难出现一个可供所有机器人使用的统一大模型。更可能是不同专业公司，根据不同场景，搭建出一个个垂直大模型，再与机器人做深入的结合。
嘉宾C：我觉得带来的改变主要有三个方向：
第一是效率提升，比如高空擦玻璃，这个行业过去三五年最大的变化，是慢慢把高空工人替换成了机器人，因此效率提高了3-6倍，同时还收集了大量工艺参数，但这些参数还是要靠人做数据分析，如果可以通过大模型进行泛化，效率还会进一步提升。
第二是场景感知。举个例子，一块玻璃有没有洗干净，过去很难判断，因为户外场景下，光线环境非常复杂，不管是雷达、超声都不好使，只能靠人为判定，如果大模型可以让机器有了人的感知能力，自主判断一块玻璃是否达到了物业验收标准，就能进一步提效。
第三是产品设计。过去要做一款机器人产品，第一步先要访谈大量客户，梳理需求，形成产品洞见，一个产品成败50%取决于产品定义的方向选择，大家如果创过业应该都知道，写PRMID非常耗时，但现在可以借助大模型实现创新，比如把一部分工作交给GPT去解决。
嘉宾D：我们是做2C服务类机器人的，其实站在客户的视角，他不管你具体做的什么机器人，他的认知就你这东西能不能替代我一个人工？能不能够减员增效？但坦白讲现在的机器人很难实现1对1替代。
机器人拆开就四件事：感知、决策、控制、交互，现在这四件事机器都没办法做得像人，核心原因还是智能化水平不够。一年前我们还认为，没有任何方法能解决这些问题，但突然GPT出现了，现在我们也在尝试用它开发新的产品线。
但我认为至少5年内，还很难出现人形的大模型机器人，从我掌握的知识背景来看，挑战有点过大，如果大家对大模型机器人的憧憬是变形金刚或者高达，那可能还需要等很多年。
嘉宾E：大模型首先要有大数据，比如训练ChatGPT，用的是网上的文本文字，但是训练机器人，往往要用3D数据，网上没有现成的，只能靠人工采集，效率很低，所以之前我们看到一些机器人公司，采了半年的数据，训练的模型还是只能在局部环境里使用。
未来，大模型可能会不一样，比如可以在虚拟环境里训练AI，然后更高效地匹配真实世界；或者直接利用2D数据训练3D机器人，比如刚才主持人提到的，给机器人看人类搬东西的视频，慢慢机器人也学会了搬东西，这两种方法未来都有可能成功。
对于通用大模型机器人，我还是比较乐观的。我们说最简单的智能机器人其实是无人机，能跟随你拍照，但和周围环境还没有太多互动；后面出现了自动驾驶，AI开始和地面环境做交互；再后来有了机械臂，开始和真实世界直接物理接触。
整个过程中，难度其实是不断上升的，所以我觉得等自动驾驶完全成熟以后，通用型机器人就会慢慢出现，因为整条技术路线是相通的，可以慢慢迁移过去。
三、大模型给机器人交互方式带来哪些变化？
险峰：刚才大家谈了机器人如何感知、理解和执行任务，如果有一天大模型机器人具备了很超前的智力，在交互方式上会怎么变化？
嘉宾F：用户对于家用机器人可能会有期待，希望交互更顺畅、更智能，但我们做工业机器人的还没有迫切需求。工业场景中，语音交互一直也不是主流，大家还是更习惯用操作杆和遥控器；所以未来，VR+手势可能会是比较好的方向。
嘉宾G：我们做服务机器人的，交互方案已经很结构化了，就是给客户提供一个用起来很爽的pad但我们也发现，客户仍然会不满足，因为服务行业普遍教育程度不是很高，他们不希望有任何学习成本，所以我认为，基于自然语言交互的服务型机器人一定会有需求。
嘉宾H：交互可以分成两类，一是机器与人的交互，二是机器与环境的交互。
人的交互，其实不只是和机器人，应该叫智能硬件+大模型，比如小爱或者小度，你告诉它把房间灯关了，有时不一定能真的关上，但有了大模型，它可以通过光线感知到灯到底有没有关。
另一个是多语言能力，比如之前只能和它用中文交流，现在可以多种语言切换，直接卖给海外客户，也不需要重建新的数据集。
还有就是陪伴和情感需求，特别是海外用户，比如英国一家做人形机器人的公司叫AMECA，大家可以搜搜它们的产品，已经有点恐怖谷效应了，未来机器人接入大模型后，对于需要情感陪伴的人可能是个好消息，尤其是老年人。
（图：AMECA机器人）
至于机器与环境的交互，我觉得核心竞争力还是要收集到每个细分场景的小模型。
举个例子，特斯拉要用人形机器人造车，就先要收集每个工艺环节的数据，比如把一块挡风玻璃安在车身上，机器人具体需要调动哪些“关节”和“肌肉”，如何判断安装的位置在哪，这是一整套非常专精的小模型。
现在国内也有公司在做类似的事情，用大模型底座调度生成自己的小模型，目前这条路看起来是走得通的。
嘉宾J：我认为人机交互方式越简单越好，以前我也用过很多智能家居，但是用到最后我宁愿不用，还是普通开关更方便。
其实最好的交互就是没有交互，比如我拿着一个大箱子往前走，机器人能知道要帮我开门，或者接过来帮我拿；我吃完饭走了，机器人知道应该要收拾餐具，类似于这些对人类意图的识别，如果大模型机器人具备了高级智力，或许更值得期待。
四、大模型能否解决机器人数据收集难、生成难的问题？
险峰：刚才很多嘉宾都提到，机器人训练数据“收集难、生成难”，大家如何看大模型对机器人数据的影响？会有哪些新的变化？
嘉宾K：目前我们的做法还是：前段靠仿真，中段靠真实作业效果，最后由人来做评估修正；我觉得不只是我们，现在很多工业场景里机器人的工作方式，在工艺层面已经和用人工完全不一样了，很难单纯地迁移过来，不是说看看人类的录像就能解决的。
嘉宾L：我觉得做通用人形机器人，收集数据可能没有那么难，我们内部讨论过，包括OpenAI的CTO也讲过类似的逻辑，就是人身上能收集到的数据密度其实挺高的，比如你给1万个人带上传感器，跑上一年所有数据都有了。
这件事本身不难，主要还是商业伦理的问题，但我觉得还是钱的问题，比如你给10万人装传感器，一人一年给10万美金，总会有人愿意，这个数据量也完全够用了。
嘉宾M：我展开讲讲数据收集，目前主要有三条技术路线：
一是收集动作库：它比较适合于生产流水线每个工位上的动作不会有太大变化，但需要多次重复的任务；它的优点是只需要训练一次，后面机器人就不需要做大调整，但缺点是非常耗时。
比如PaLM-E，效果确实非常好，但为了训练它，谷歌用了13台机器人，收集了17个月数据，一共收集了5620亿个参数，而这还只是家用机器人，只需要一个底盘+一条机械臂+摄像头，如果是用在工业流水线上，采集的时间和数据量都是要翻倍的。
（图：谷歌的PaLM-E机器人）
第二条路线叫遥操作，也就是特斯拉正在做的：给人戴上VR和触觉传感器，把整套传感数据投射到机器人身上，直接告诉机器人如何像人一样运动。
比如腾讯做的四足机器狗，研究人员在一条金毛身上装了一套的动捕设备，再将收集到的数据抽象压缩到神经网络模型中；以前的机器狗动作极其僵硬，但用了金毛数据后的机器狗就变得非常灵活。
第三条路径叫模仿学习，就是人直接在机器人面前演示一遍，机器人就学会了。比如家政或者保洁工作，我打开洗衣机把东西放进去，只需要教一遍，不需要采集数据，也不需要动捕。
这个事情可能大家听起来比较科幻，但像CMU、MIT都已经发过不少论文，尽管还没有看到这个技术直接用在哪个场景上，但如果未来能实现，会是非常颠覆性的事情。
总之，目前每条技术路径上，都有很多公司或高校在尝试，最后很可能是几条路线混合在一起，发展出一套最适配的AI+机器人解决方案。所以这段时间，我们一直在密切关注各大科研机构的论文，还有特斯拉、DeepMind做了哪些新工作，有哪些是可以被国内公司借鉴学习的。
嘉宾N：讨论这个话题之前，我们首先要搞清楚，收集数据的目的是什么？比如让一只金毛跑来跑去，当然可以收集到数据，但这个数据只能让机械狗动作更自然，而不能让机械狗学会做某件事情。
如果要机器学习的话，那对数据质量的要求就高多了，这个时候又有一个大问题，就是数据采集的成本是很高的，但不同型号机器人之间的数据并不通用。
举个例子，你好不容易训练好一个型号的机器人，但你的硬件总要升级迭代，假设到下一个型号里，机器人要换一种新的电机，那之前的数据等于就全废了，所以我们最近也在跟斯坦福合作，研究怎么让收集的数据和机器人型号是无关的，无关就可以让数据永远有效。
此外，遥操作的另一个问题是ROI太低了，工厂场景+固定工位还可以，但要实现通用基本不可能。所以，现在行业里大部分人还是采用虚拟训练的策略，因为虚拟环境下，物体可以随便生成，成本也非常低。
举个例子，比如叠衣服，先让机器在虚拟环境里叠各种形状的衣服，成功率可以到90%，然后放到真实环境里叠，成功率可能直接就降到5%了，但这已经足够了。
因为有了5%的成功率，AI就可以自己采集成功的轨迹数据，只要有5%作为起步，明天就能到10%，后天50%，再过几天100%，这样采集的ROI就特别好，不用人去干预，所以本质上，数据是用算力换的，而不是用人工换的。
五、大模型+机器人会有哪些应用场景？创业门槛有多高？
嘉宾P：我个人比较看好工业实践中应用，我们说自动化做了这么多年，到今天还是冰山一角，还有非常大的发展空间，原因是过去自动化的非标程度太高了。
举个例子，假设你是个自动化专业的学生，大学4年出来，可能连每种导轨、电机的型号都还认不全，不是你学得不好，是种类实在太多了。而这么多硬件组合在一起，会导致一个问题，就是让自动化过于依赖规模生产和工艺稳定。
比如说薯片，这个品类的自动化水平非常高，因为这么多年来，薯片除了口味，从外观到包材几乎没有变化；在过去，也只有这种大规模+长时间的连续生产，才能诞生出高自动化水平的设备。
但问题是，绝大部分行业的迭代周期远没有薯片长。
比如说汽车，以前汽车是机器人大规模应用的代表，这个行业的特点就是高投入+长周期，一款车光调试产线就要一年半，然后可以持续卖10年；但现在行业越来越卷，生产周期越来越快，一款车一共可能只能卖一年半，就要推新产品上市。
过去中国机器人行业十年涨了十几倍，但这期间汽车行业一直是下行的，此消彼长，传统主机厂那套高投入的玩法注定是无法持续的，这就需要更高柔性的自动化。
马斯克意识到了这点，所以他才认为人形机器人是终极解决方案类似于把拧螺丝这种工作高度标准化、智能化，然后快速部署，这里用完了可以马上到别的地方用。
不过，开发人形机器人的难度也很大，并不是短时间内可以做出来的，但是这个过程中会产生很多技术，比如移动、抓娶视觉感知等等，结合大模型会有很多新技术的产出，由此也会诞生出新的产品，创造新的价值。
而当有一天，这些技术最终组合在一起，那时候人类可能就要担心一下了。
最后讲讲我对这件事的判断，首先大模型+机器人是非常重大的机会，如果你能做出很好的产品，后面的竞争者再进来会特别难受，产业形成闭环后门槛也会非常高。
但同时，这个行业对于人才、技术和资金的需求也非常恐怖，参与者要么是不差钱的科技巨头（比如谷歌微软），要么是头部的创业公司，当然还有传统工业巨头和高校研究所。
总之这个事情和以前的创业不太一样：互联网时代做个APP，可能几个人就够了，所以那时候我们能听到很多个人英雄主义的故事，但现在小公司可能电费都付不起。
从这个角度说，大模型+机器人是一个人类最高科技的集大成者，创业者要跑出来非常困难，当然，一旦成功，它能产生的价值也是非常巨大的，会把人类的自动化程度带到一个全新的高度。
六、大模型机器人距离落地还有哪些障碍？
险峰：刚才大家谈的都是大模型的积极影响，那么大模型会给机器人带来哪些额外问题？这件事距离最终落地还有哪些潜在的障碍？
嘉宾Q：首先大模型不可能部署在端侧，至少3-5年内绝无可能，所以现在大家都是端+云的模式，那对我们来说，第一个难点就是端+云的结构怎么搭？我觉得比较好的解决方案，是在端侧做一个动态的小模型，可以实现一些基础的现场交互，大模型的部分放在云端，当然这是个技术问题。
由此带来的第二个问题就是信号丢失，一旦没信号，机器人就只剩端侧智能了，我都接收不到信号我怎么控制它？只能保证最基础的让它不要撞到人；另外信号延迟也是问题，人机做交互延最怕延迟，所以我觉得，机器人通用大模型部署绝对不是一家公司的事，需要大家一起建设整个网络，这个模型我们自己肯定做不出来，但如果meta做出来我们马上会用。
嘉宾R：我觉得最大的障碍还是安全问题。把数据上传到云端大模型，相信每家企业都会有顾虑，这其中的知识产权和数据安全都要打问号，所以我们最近也在尝试，使用一些开源的小模型，叠加一些行业数据，打造一个垂直领域的专用模型。
这样的好处是，如果客户对数据安全要求特别高，我们可以直接把小模型部署在它指定的服务器上，只有如此，才能彻底消除客户对数据安全的顾虑。
另外就是算力的瓶颈，作为一家机器人公司，我们不可能投入那么多的显卡资源，我们最近也积极买卡，但要等好几个月才能交货。
嘉宾S：我觉得有三个问题，一是执行速度：比如谷歌的PaLM-E，可以从抽屉里拿东西，但那个视频是加了4倍速的，换言之，现实里机器人的动作只有视频速度的1/4，这个速度在大部分场景都还不能替代人。
第二是执行成功率：谷歌说他们用了大模型之后，把执行成功率从60%提升到75%，甚至80%，作为家庭机器人已经够用了，但要注意的是，这已经是当前大模型+机器人的最佳水平了，如果要用到更高精度的场景，比如半导体仪器的操作，或者给老人喂饭，要精确对准老人的嘴，后面还有很长的路要走。
第三是数据，谷歌PaLM-E主打家用场景，可以随便收集数据，特斯拉有自己的工厂，也是想收就收，但如果未来一家机器人公司，想要进入一家车厂收集数据，它可以收集到什么程度？工人会不会配合？这个事情现在是无解的。
以我的了解，目前这些数据很难被带出工厂，所以就看哪家机器人公司可以率先突破，比如和客户建立比较好的信任关系，但这又带来一个问题，就是A车厂的数据能不能拿给B车厂用？这些都是需要探索的。
嘉宾T：我也关注安全问题，但主要是指物理安全。开源的语言大模型，顶多是有偏见，它并不会伤害你，但如果大模型与机器人做结合，一些错误的理解可能会导致意外的连锁反应，比如你让机器人用烤箱做西餐，它却做了中餐，结果打开燃气意外失火等等。
现在很多人都在研究，如何在自然语言大模型中实现价值观的对齐，这是一个研究热点，但是在机器人领域还没有人研究，当然可能是技术还没发展到这个阶段，也可能是要出现风险后才会有人去研究。
七、机器人公司的壁垒会如何变化？
险峰：目前人形机器人距离我们还比较远，但从长远趋势看，机器人的智能化水平一直在稳步提升。
特别是大模型出现后，机器人的构建逻辑、交互逻辑全都变了，未来机器人公司的壁垒、评价标准会如何变化？各位怎么看？
嘉宾V：长远来看，一家大模型+机器人公司好不好，一个评估指标就是看它能不能突破新场景。
这么多年来，机器人要不是天上飞的，要不是地下跑的，已经被开发得差不多了，现在有了大模型，那一些以前机器人解决不了的场景，现在是不是可以被解决？另一方面，随着一些新行业崛起，比如光伏、锂电池这些产业链上，能否诞生机器人的新机会？这些是我们比较关注的。
此外，大模型可能带来一些机器人形态和硬件的改变，比如电子皮肤，也就是触觉传感器可能会是个方向；还有软体机器人，把机器人做成硅胶材质或者折纸结构的，可以自由伸缩，类似这样一些“人无我有”的技术，也会是很好的壁垒。
嘉宾W：过去大家讲SaaS，软件即服务，如果机器人能实现规模化应用，下一个就会迎来RaaS时代（机器人即服务）。机器人本身只是一个载体，核心是为客户提供服务，这里面就会有两个壁垒：
一是把机器人本体做得稳定、可靠，执行成功率要足够高，同时成本足够低；二是规模服务化的能力，比如有成千上万台机器人同时在跑，后面你每增加一台新机器，如何保证服务质量不下降？我觉得企业先要做到这两点，才能谈怎么与大模型做结合。
嘉宾X：机器人本质还是制造业，规模化生产和服务能力是必需的，除了这些基本功以外，大模型技术最颠覆的还是为发明创造提供一种新工具，比如现在很多高校老师都在借助GPT搞科研，简而言之，大模型是一种可以支撑发明的发明。
所以在机器人领域，大模型也可以帮助企业形成一些行业内的场景库、任务库、数据库和工艺库，这些会是企业构建垂直模型的核心壁垒，一旦你的产品体验比对手好3-5倍，客户就不会再给他们机会了。
嘉宾Y：现在人形机器人非常火，我本人也是马斯克的粉丝，但我坚决不认为人形机器人会成为主流。
为什么机器一定要做成人的样子？我自己就是产线工程师出身，从能耗角度讲，流水线是最好的方式，轮子的能量利用效率比用腿高10倍以上，你做了一个人形机器人，放弃了传送带，改用腿或者四足去搬东西，这是一种技术的倒退，非常可笑。
再比如你做个做饭机器人，它一定要长成人的样子，在灶台前拿个铲子炒菜吗？一家餐厅本来要招10个人，现在说不用了，咱们搞10个人形机器人吧，未来会是这样吗？一定不是，到时候餐厅一定是对整个后厨做全自动化改造，让人不用进入后厨，就可以完成出餐；这背后的核心，是你如何理解这个场景中的任务，以及怎样设计流程效率最高。
所以，最终绝大多数的机器人一定不是人形，对于某些工作，通用能力本身可能就是一种负担，因为客户付不起额外的成本我只需要的一两种功能，你非要给我一个完整的人，那我为什么要为我用不到的功能买单？
嘉宾Z：人形确实是最难的机器人形态，双臂+双足+全身关节控制，要最后落地是个很长远的事情，但我觉得现在投资人看好人形的逻辑是：谁能做好人形，谁就有可能做好其他的机器人形态。
一家公司，只要团队足够优质，在它向着人形去努力的过程中，中间可能就有一些东西会跑出来，比如在中途突然发现一路岔路，沿着它最终做出一个好产品，这件事在互联网时代已经反复印证了。
另一个思路，也是马斯克的观点，就是世间有没有一种形态，是可以适应所有人类场景？完成所有人类工作的？
确实，现在很多很多标准化工序可以传送带解决，但要想实现通用性，可能最适应人类社会形态的还是人本身；所以，我还是比较笃信人形机器人的，未来能替代人的，最终还是一个长得像人的东西。
