过去十年里，人形机器人取得了巨大进步，但若要走向广泛应用，仍须回归基础。
上一次写到人形机器人的科学进展，还是在2015年。彼时，这一领域的技术格局颇有几分奥威尔式的讽刺意味：四条腿的机器人大步向前，两条腿的机器人却步履蹒跚。那时，波士顿动力公司的第一代四足机器人Spot正在社交媒体上风靡一时。它能稳稳地小跑上楼梯，即便被人狠狠踢上一脚，也能迅速恢复平衡。相比之下，人形机器人出圈的方式就尴尬得多：它们总是在摔倒，几乎成了“摔倒合集”的主角。看着那些摇摇晃晃的金属“龙虾”，我甚至比看Spot挨踢时还要心疼。毕竟学会双足行走，本来就是一件极其困难的事。
转眼到了今天，人形机器人似乎已经先进到这样的地步：特斯拉据说要搁置部分电动车型，为其人形机器人“擎天柱”让路；一些初创公司也一本正经地开始预售人形机器人“管家”。撇开这些炒作不谈，我确实很好奇：是不是在我没注意的时候，这个领域就已经彻底变样了？当然，ChatGPT之后的那波人工智能（AI）浪潮已经到来，这一点我当然没有忽略。只是我不明白，它到底和机器人不再摔倒有什么关系。
为了确认现实情况究竟如何，我联系了两位专家：一位是斯科特 · 库因德斯玛（Scott Kuindersma），他曾在波士顿动力公司工作多年，最近刚刚离开；另一位是Agility Robotics的乔纳森 · 赫斯特（Jonathan Hurst）。两位科学家都亲身经历过机器人动不动就“脸着地”的年代。按理说，如今这些令人惊叹的双足机器人，应该已经能不费吹灰之力地上几级台阶、打开一扇门了吧？毕竟十年前，它们在这些事情上吃尽了苦头。于是，我分别问了他们同一个问题：你们的旗舰机器人，波士顿动力的Atlas，或者Agility的Digit，这两款堪称当今世界上最具代表性、技术积淀也最深厚的人形机器人，能顺利通过各种楼梯和门口吗？“还不能稳定做到。”赫斯特说。“我不认为这个问题已经完全解决了。”库因德斯玛说。
别误会，我并不认为那些长相诡异、僵尸般的人形机器人很快就会接管我家的家务。可只是楼梯和门而已啊！都2026年了，人形机器人为什么仍会被它们难住？
快、便宜且大体可控
客观来看，这个领域确实已经变了天。而且，不止变了一次，是三次。
首先是深度学习的兴起。运行在高速GPU芯片上的神经网络，极大地推动了计算机视觉和强化学习的发展，使机器人感知环境并与之互动的速度和精细程度都有了质的提升。随后，在2016年前后，机器人执行器迎来了一场变革。所谓执行器，就是机器人工程师说的“让部件动起来”的装置。过去笨重的液压系统，逐渐被更小巧的具备“本体感知”能力的电机取代，使人形机器人获得了近似动物的灵活性。最近登场的，则是大语言模型。事实证明，把聊天机器人背后的技术移植到人形机器人身上，可以让它们自主规划并完成多步骤任务，比如给苹果去核或清空洗碗机。至少从样机演示状况来看，它们已经具备了这样的能力。
这些技术进步，造成了前后两代Atlas之间的巨大反差：2015年，在DARPA机器人挑战赛中获得第二名的Atlas还被称作“Running Man”，那时的它身形笨重，动作迟缓，走起路来磕磕绊绊；相比之下，最近亮相的Atlas，身形更轻盈，动作更流畅，不仅能跳霹雳舞，还能自主把形状不规则的物品从一个箱子搬到另一个箱子里。即便旁边有人挥舞曲棍球杆进行干扰，它也能继续完成任务。
它如今走得如此流畅，靠的就是深度强化学习。过去，机器人工程师需要用各种人工设计的算法协调机器人的每一个动作，并通过程序模拟机器人经过简化的物理过程。如今，他们通过无数次数字仿真训练神经网络，让它充当“全身控制器”。在这个过程中，神经网络会学到一套“策略”，知道如何根据环境反馈做出动作。
库因德斯玛说：“我们用强化学习建立一套策略，让它负责身体协调、避障、保持平衡等等。”换句话说，现在已经不再需要把机器人的腿建模成一个线性倒立摆了。他说：“那套做法已经完全过时了。”
新的方法之所以可行，也得益于具备本体感知能力的执行器的发展。麻省理工学院的教授金相培在他的“猎豹”系列机器人中率先推动了这项技术的发展。金相培说：“强化学习其实已经存在很久了，大家以前也尝试过。但如果用的是传统电机，机器人一旦出错，就会直接坏掉。”也就是说，只要它在真实环境中没能完美执行学到的动作策略，或者碰到障碍、受到外界干扰，就可能承受不住。
金相培的执行器通过一种可控的“顺应性”绕开了这个问题，也就是让机械结构具备类似弹簧的弹性和缓冲能力。在过去十年里，这类执行器变得更便宜，也更容易获得。金相培说：“强化学习解决了许多双足行走方面的问题，但归根结底，是硬件让这些进展真正落地。”
如果说强化学习和顺应性执行器是送给人形机器人领域的两份大礼，那么多模态AI则为这份礼物系上了最后的蝴蝶结。2023年，Google DeepMind提出了“视觉-语言-动作”（简称VLA）模型。这类模型能够接收视频和自然语言输入，并输出相应的运动指令。
Google DeepMind机器人部门的负责人卡洛琳娜 · 帕拉达（Carolina Parada）说：“如果你说‘我渴了’，它就会知道你大概想喝东西，并能生成机器人接下来需要执行的一系列步骤——去找一个东西，再以合适的方式把它拿起来。在三年前，这类行为还需要人们逐条写进程序里。”VLA模型的出现，一下子把原本彼此分散的机器人感知、规划和控制方法，整合进了一套通用流程之中。
身体这一关，似乎过了；智能这一关，也算开了个头。可为什么这些进展加在一起，仍然不足以说明人形机器人研发中的核心难题已经被解决？哪怕只是理论上，也还不能这么说吗？
愿“力”与你同在
我近期联系到麻省理工学院的普尔基特 · 阿格拉瓦尔（Pulkit Agrawal）时，他给出了一个答案。阿格拉瓦尔研究机器人学习，他所在的实验室名字也颇为应景：不可能AI实验室（Improbable AI Lab）。他说：“要让机器人像人一样工作，我们首先得让它们学会应对真实世界的物理规律。”
他所说的，并不是广义相对论或量子引力这类宇宙尺度的难题，也不是当下令杨立昆等顶尖AI研究者兴奋的虚拟“世界模型”。阿格拉瓦尔指的，是每个高中理科生都应该熟悉的东西：力和惯性。
毕竟，人形机器人之所以要做成人的形态，核心目的正是实现金相培所说的“多用途移动操作”：它既能在几乎所有场景中移动，包括上下楼梯、穿过门口；又能完成各种各样的操作——从卸托盘到拧灯泡——同时还不能伤到周围的人。简而言之，就是完成我们每天都在做的事情。
阿格拉瓦尔说：“如果你希望机器人能以接近人类的速度完成这些任务，关键就在力的控制上。”他补充道，“力的控制在传统机器人学中一直存在，但在现代机器学习领域，它还没有得到广泛应用。”
从原理上看，力的控制并不复杂。想象一条机械臂在白板上写字，同时又不会把记号笔的笔尖压坏——机器人工程师40多年前就知道怎样做到这一点：把机械臂编程成仿佛连接着一根看不见的弹簧和一个减震器。库因德斯玛说：“可以让这根‘弹簧’在垂直于白板的方向上非常柔软，而在沿着白板表面的方向上更硬一些。这样，机器人既能让记号笔保持合适的压力，又能精确写出字母的线条和曲线。”他进一步解释说，机器人可以通过关节内置的力传感器感知受力变化，并据此调整动作。但问题在于，传统方法要想奏效，往往需要研究人员事先掌握大量信息，包括机器人本身、周围环境以及具体任务的情况。
这种控制力的方法非常适合执行特定任务的工业机器人，也确实曾帮助改进人形机器人的行走能力。但它很难推广到更复杂、更开放的场景中。金相培研发的具备本体感知能力的执行器，也称准直驱执行器，让问题变得简单了许多。它们不仅能够在受到意外冲击时吸收力量、避免损坏，而且力的传递更直接，电流与输出力之间的对应关系误差较小。实质上，电机本身变成了一个力传感器。库因德斯玛说：“这意味着你可以省掉专门的力传感器，从而降低机器人的成本和复杂性。”
即便强化学习逐渐取代人工编程，成为控制人形机器人运动的新方法，但控制力的经典方法并没有退出舞台。它只是换了一种形式：一部分被融入硬件，一部分则交给AI来处理。赫斯特说：“从AI的角度看，并不需要总是考虑力的控制。更像是你知道需要一个准直驱电机，才能让机器人对力的控制足够接近理想状态。然后，需要把神经网络放到仿真环境中，反复训练上百万次。最后，再把训练结果用到真实机器人上，就能让它做出一些很漂亮的动作。”
这些神经网络学到的，是一套较为通用的运动策略，旨在用来控制机器人身体各部位的位置。至于对“力”的调节，通常并不是被直接教会的，而是在仿真训练中间接形成的，有时也可能是机器人从视频或人类示范中学习动作时附带形成的。
但这些方法并不会直接教会机器人关于“力”的物理规律，至少目前还没有。库因德斯玛说：“要让机器人智能地控制力的大小，需要许多关键信号，而这些信号在视频和人类示范数据中并不存在。”帕拉达也承认，VLA模型基本上只是学习如何在一些明确定义的姿态之间变换。当然，这种方法展现出的能力也已经相当可观。她说：“我们自己也很惊讶，在没有其他传感信息的情况下，它竟然还能完成这么多任务。”
不过，这种能力终究有限。阿格拉瓦尔说，只要机器人的身体相比人体仍然偏硬、偏重，它们就会“惯性更大，顺应性也更差”。因此，如果缺少对力的控制，机器人在复杂环境中执行精细任务时仍会很吃力。他说：“如果机器人要接触的是易碎物体，哪怕动作只差了一点点，也可能出问题。”比如拿起一枚普通鸡蛋和一枚实心钢蛋：显然，前者需要小心得多。
许多表现出色的机器人系统，会在追求位置精度的同时，用一种办法绕开这个问题：放慢速度。阿格拉瓦尔打了个比方：想象一下，你要用汽车去推动一把椅子。他说：“如果我开得很慢，就能更精确地控制自己的位置变化，也就能控制椅子往哪里移动。这样一来，对力的控制要求就没那么高了。”这也是为什么Atlas在抓取汽车零件时动作慢得像糖浆黏滞一样，而一旦不需要接触地面之外的任何东西，它又能像体操运动员一样轻盈流畅。
库因德斯玛说：“如果说每一种有实际用途的操作任务都绝对离不开力的控制，那就有些言过其实了。”不过，他和赫斯特还有帕拉达都承认，靠一些巧妙的办法绕开对力的控制，并不能真正地带来机器人管家所需要的那种广泛适用的移动操作能力。帕拉达认为，即便今天这些机器人已经由VLA模型驱动，并经过强化学习优化，能够拿到“互联网规模”的位置数据来训练，也很可能还不够，仍需要做额外的工作。她说：“人在打开瓶子时，能感觉到手上传来的阻力。”而大多数人形机器人仍然做不到这一点。也就是说，它们还没有真正学会应对现实世界中的物理规律，至少，它们还不能像人类那样，从出生起就借助复杂的肌肉骨骼和神经系统，在与周围环境的不断互动中学会感受和控制力。
正因为如此，对今天的人形机器人来说，哪怕只是开门、上下楼梯这样看似基本的任务，它们也还做不到稳定应对。某一段楼梯、某一扇门，它们也许能顺利通过；但如果是各种各样的楼梯和门，加上现实世界里的其他复杂情况，就没那么简单了。库因德斯玛说：“人形机器人要想真正有用、能够自主行动，就不能只靠位置控制。力必须被当作核心问题处理。”
继续提升智能，还是回到起点？
那么，从科学上说，我们该如何跨过这道坎？我采访的大多数专家都认为，这需要硬件和软件进展以新的方式结合起来。比如，更好的触觉传感器可以帮助机器人收集更丰富的数据；而如果机器人的手能够同时具备高功率、顺应外力的能力、对外力变化的敏感性以及较低的惯性，就已经能解决很多问题。至于真正意义上的材料突破，比如用人工肌肉取代电机，几乎没有人认为这是必需的。
“现在的硬件已经相当出色了。如果你还把问题归咎于硬件，那就是在找借口。”另一位长期从事机器人研究的麻省理工学院科学家鲁斯 · 特德雷克（Russ Tedrake）说，“如果你把人的大脑接到目前已有的机器人硬件上，以远程操控的方式操作它，它的能力会非常惊人。”关键在于，如何找到更智能的控制方式。
当被问到如何实现这一点时，每个人给出的答案都不一样。阿格拉瓦尔正在研究如何把力的控制与强化学习结合起来。他的做法是，让人形机器人在仿真环境中学习能够顺应外力的行为，而不是只在一个个设定好的位置之间僵硬地移动。特德雷克关于“大行为模型”的研究已经做出了机器人给苹果去核的演示。所谓“大行为模型”，与VLA模型的思路非常接近。最近，他还主张采用类似ChatGPT的路线：大规模收集数据，并训练大型预训练模型。弗兰克 · 帕克（Frank Park）是现代机器人学领域的权威人物，他甚至撰写过一本名为《现代机器人学》（Modem Robotics）的教材。在他看来，当前的AI路线应该从根上推倒重来，换成一种能让模型从基础层面学习物理规律的方法，比如力和加速度。他告诉我：“VLA这种模型框架从根上就不对。我认为这条路注定走不通。”
在这些采访中，让我印象最深刻的，并不是关于哪类传感器、哪些数据，或哪种AI技术路线能够让人形机器人真正可用的争论。真正触动我的是这个领域的研究风气似乎已经发生了变化。我第一次采访赫斯特时，他刚刚把Agility Robotics从自己在俄勒冈州立大学的实验室中独立出来。
对此，他说得很直白：“我记得吉尔 · 普拉特（Gill Pratt）曾说过，他最担心的是，我们最后会在真正弄清楚机器人的工作原理之前，就先用强化学习和AI让机器人学会走路、跑步。”普拉特曾任麻省理工学院腿足机器人实验室主任，后来又担任DARPA机器人挑战赛的项目负责人。赫斯特接着说：“而从很多方面看，我们现在在某种程度上正是这么做的。”
特德雷克也认同这一点，但他指出，在尚未牢牢掌握基本原理之前，科学和工程就先向前迈出一大步，这并不是第一次发生。他说：“回头看电磁学的发展，最早是伏特那样的探索阶段，人们还在把电极插到青蛙身上做实验。后来有了法拉第，他做出了真正关键的实验；再后来，麦克斯韦最终写出了支配这一切现象的方程。我认为，我们现在就处在类似伏特的早期阶段。”
那么，人形机器人到底什么时候才能真正成熟？
特德雷克说：“机器人现在确实还不够好，也还需要时间，但它们的基础已经不错了。这两点并不矛盾。而要让人形机器人真正走向成熟，仍然很难。”
资料来源 Quanta Magazine
————————
本文作者约翰·帕夫鲁斯（John Pavlus）是一位科学作家、电影制片人