机器人领域的 AI 突破为何短期内难以改变你的生活

本文由《麻省理工科技评论》与 Aventine 合作完成，后者是一家非营利研究基金会，致力于创作和支持关于科技与科学如何改变我们生活的内容。

一个外形像人的机器人——白色机身，黑色头部和躯干——不断出现在视频中。也许你见过它跳舞、递爆米花、把垃圾扔进垃圾桶、吸尘，或者按下微波炉的按钮。又或者，你见过它在分发水瓶时向后摔倒，或是费力地熨衬衫。

这就是 特斯拉的 Optimus，一款由 AI 驱动的人形机器人。该公司 CEO 埃隆·马斯克认为，它“不仅是特斯拉有史以来最大的产品，而且可能是有史以来最大的产品”，将率先进入工厂车间工作，之后还会进入我们的家庭。他在 7 月对股东表示，最终它“将拥有人类级别的灵巧性，然后超越人类”。马斯克认为，Optimus 机器人可以以每台低至 2 万美元的价格，将几乎所有人工作业自动化——从搬运金属板材到叠衣服。今年 1 月在瑞士达沃斯举行的世界经济论坛年会上发言时，他预测这些机器人可能在 2027 年底前向公众发售。

马斯克并非唯一这样鼓吹的人。硅谷风投公司 Andreessen Horowitz 的联合创始人兼普通合伙人马克·安德森曾表示，机器人技术可能成为“地球历史上最大的产业”。今年 1 月，英伟达 CEO 黄仁勋表示，人形机器人将在今年达到人类水平的能力。根据摩根士丹利的说法，“外形和行为像人类”的机器人数量到 2050 年可能达到近 10 亿台，创造超过 5 万亿美元的市场。

SIPA VIA AP IMAGES

这类宣言在很大程度上受到一种想法的推动：推动 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 等工具发展的同类 AI 进步，将使新一代机器人能够像聊天机器人模仿人类语言那样模仿人类动作。但许多机器人研究人员对此持怀疑态度，认为这类假设低估了用建立在语言和图像之上的智能来掌握物理世界无限可变性所面临的挑战。常被称为 AI 教父之一的杨立昆在 1 月达沃斯会议期间的另一场活动上表示：“那些（制造人形机器人的）公司——绝对没有一家——知道如何让这些机器人聪明到足以有用。”

研究人员还指出，将为了像人而制造的人形机器人与能够学习和执行多种任务的所谓通用机器混为一谈，是一种误导。Agility Robotics 联合创始人兼首席机器人官、俄勒冈州立大学机器人学教授乔纳森·赫斯特解释说：“制造一个看起来像人的机器人非常容易。制造一台在动态或物理行为上像人的机器则要困难得多。”

这些分歧——通用人形机器人究竟是近在咫尺还是遥遥无期，以及当前形式的AI是否足以完善它们——正在全国各地的机器人实验室里上演，在那里，对时间表的炒作掩盖了艰苦但有意义的进展。

大约十年前，一系列突破引发了生成式AI革命，将长期以来想象中的人工智能可能性变为现实。机器人专家们——尽管他们对具体何时会发生意见不一——相信机器人领域也可能发生同样具有变革性的革命，这场革命将赋予机器长期以来难以企及的身体直觉和流畅性。随着机器人技术的进展缓慢推进，问题在于，推动AI进步的那些方法和工具是否足以实现这一目标，还是需要一条全新的路径。

机器人遇上先进AI

要了解当今最聪明的机器人大脑之一是如何工作的，值得看看Google DeepMind能用一台名为ALOHA 2的设备做什么，ALOHA 2是“用于双臂遥操作的低成本开源硬件系统”的缩写。 

机器人专家们长期以来一直在争论，通用机器人是否需要类人形态，支持者认为这将帮助它们融入现存的世界，反对者则表示不值得费这个劲。ALOHA 2反映了后一种思路。它看起来不起眼，只是一对机械臂、一些夹爪和几个摄像头。但尽管看似简单，它却是Google DeepMind研究人员的主力工具，他们在各个实验室里用它来测试其最先进的机器人AI系统Gemini Robotics。

当由Gemini Robotics控制时，ALOHA 2更像是一个通用机器人，因为它可以根据训练过的示例执行任意数量的任务。让它打包一个午餐盒，正如这项练习的视频所证明的那样，它可以用两个钳形夹爪轻轻地将一片白面包放入Ziploc袋中，封好袋口，把一串葡萄放入特百惠容器，盖紧盖子，然后小心地将这些物品移入午餐盒，再拉上拉链。 

这顿午餐不怎么样。但机器人能把它组装起来，这一事实代表着相比哪怕三年前的可能性，都迈出了客观的一步。 

这在很大程度上归功于AI及其对所谓机器人策略的影响，机器人策略控制着通用机器人如何评估和理解周围环境、规划如何在其中移动，然后正确执行任务。

ALOHA 2机器人不过是放在工作台上的两条机械臂，但它是尖端AI机器人模型的试验台。这些动画基于人类对机械臂的遥操作，这些数据被用于训练Google DeepMind的模型。（视频：Google DeepMind / 斯坦福大学 / Hoku Labs）

从历史上看，这些策略基于工程师制定的规则，他们将其硬编码到机器人的软件中——成千上万行代码，决定了机器人在数百项任务中每一毫米的动作。过去几年发生的事情——也是人们对通用机器人持乐观态度的主要原因——是机器人策略正被交给先进的 AI 系统，而不是被编码到机器人的软件中。这最早出现在 VLM，即视觉语言模型上。它们与大语言模型类似，但除了文字之外，还基于图像进行训练。给 VLM 看一张咖啡洒了的图片，并让它找一件清理残局的工具，它就能识别出附近的一块抹布。这种即时的情境理解在几年前机器人策略还是硬编码时并不存在。 

接下来是视觉-语言-动作模型，它们使机器人能够评估自身环境并在其中采取行动。这些模型通过增加又一个组件来做到这一点：运动指令。VLA 基于与执行给定任务相关的一系列图像或视频，以及关于机器人手臂如何移动来执行该任务的相关数据进行训练。这些运动数据通常通过遥操作收集，即由人类使用遥控器引导机器人完成一个动作。这种训练让 AI 学会如何在给定任务中指挥机器人移动和操作。把一个由 VLA 驱动的机器人放在桌子前，告诉它“合上笔记本电脑”或“把耳机线缠好”，它就会环视场景，识别相关物体，规划执行请求的方式，然后挥动手臂行动起来——至少如果它以前见过这项任务完成的话。 

Gemini Robotics 模型是一个 VLA，基于大量人类演示进行训练，这些演示描绘了各种各样的动作。因此，它可以执行相对复杂的任务，比如用厨房夹子夹起荷兰豆、做折纸，或者拼凑出一顿简单的午餐。这令人印象深刻，但有一个明显的局限：目前，如果让一个由 VLA 控制的机器人执行超出其训练集的任务，它极有可能会失败。 

“想想所有任务构成的空间，一个真正的通用策略应该能够沿着这个谱系做所有事情，”伦敦帝国理工学院机器人学教授 Edward Johns 说。不过如今，一个 Gemini Robotics 模型只能做“这里几件事，那里几件事”。

寻找真正的通用性

那么，我们如何让机器人能够做更多事情？通常的答案可能并不令人意外：用更多数据训练它们。  

有一种观点认为，更多的数据意味着更多的示例，而更多的示例意味着更强的通用性。例如，Google DeepMind 希望汇集“尽可能多的数据”，该公司前机器人技术负责人、目前正在从事自己的 AI 机器人项目的 Pannag Sanketi 说道。但数据从何而来？大型语言模型得益于海量现有文本用于训练。而机器人训练则没有相应的高质量物理演示数据池。研究人员有几种方法来弥补这一点，但都有缺陷。一种是雇用大量人员来创建和收集遥操作数据（成本高昂且耗时）。另一种是用人们进行活动的视频来训练 VLA（由此得到的数据质量很差）。还有一种是将机器人部署到现实世界中，并利用从这些经验中收集的数据来进一步优化 AI 模型（机器人在实验室外既不安全也不可靠）。Sanketi 认为，采用“多管齐下”的方法，利用从所有这些来源收集的数据，是最有可能的前进道路。

但认为仅靠训练数据就能解决问题这一信念远非普遍共识。Agility 的 Hurst 将其描述为“一个根本上有缺陷的前提”。

问题在于，现实世界中的任务会迅速变得极其复杂。假设你想煮咖啡，就有无数变量：没有两个厨房是完全相同的；咖啡机的工作方式各不相同；不同的杯子需要不同的握法；咖啡粉、热水和牛奶都需要以不同方式处理。即便是这样简单的任务，也需要理解一份不断变化的可能性清单。Hurst 认为，要通过 VLA 实现通用性，就需要“对[机器人]可能做的所有事情实现完整的数据覆盖”。换言之，需要一个几乎无限的训练数据池。

LeCun 对整个方法不以为然。他在达沃斯表示：“那些在语言领域取得成功的[AI]方法，并不适用于高维、连续、嘈杂的数据”——而这类数据在机器人领域司空见惯。“你必须使用别的东西。”

“别的东西”的主要候选者是所谓的世界模型——一种与其说基于文本训练，不如说基于视频、三维扫描和传感器数据的组合来训练，并旨在预测现实世界中行动结果的 AI 形式。其目标是构建这样的模型：它们对现实拥有足够精确的内部表征，能够捕捉物理世界实际如何运作——物体如何移动、碰撞、坠落和变形。如果机器人专家能够在足够忠实于真实世界物理的模拟中训练机器，开发将变得更快、更便宜、更安全，从而减少对真实世界测试的需求。更具变革性的是，配备世界模型的机器人能够对周围环境进行推理，而不仅仅是对其作出反应，帮助它们在采取行动之前预判行动的后果。

像 Nvidia 和 Google 这样的公司正在研发这项技术，投资者的资金正涌入备受瞩目的初创企业。由斯坦福大学人工智能研究员李飞飞联合创立的 World Labs 在 2 月融资 10 亿美元，并于 9 月底被 AMD 以 82 亿美元收购。由 LeCun（Meta 前首席人工智能科学家）联合创立的 AMI Labs 也在 3 月融资 10 亿美元。然而，用他们自己的话说，现在仍处于早期阶段。去年年底，李飞飞称该领域“尚处萌芽期”，并补充说“基础性方法仍在建立之中”。在 6 月的一篇 Substack 文章中，她描述了艰巨的挑战。目前，世界模型是一个前景广阔的研究领域，而非通往通用机器人的直接路径，但我们已开始看到它们所能实现之事的微光。

去年 4 月，旧金山一家机器人实验室取得了一次虽小但可能意义重大的飞跃，让我们得以一窥其中端倪。 

突破？

在旧金山教会区的中心地带，初创公司 Physical Intelligence——或者按它自己喜欢的叫法 PI（即 π）——正专注于开发一种通用大脑，理论上它能把任何机器人变成通才。该公司采用一种无所不包的“大杂烩”式方法来训练机器人 AI 模型，最近观察到了一些迹象，显示出配备世界模型的机器人大脑可能具备的能力。 

2024 年，PI 公布了其首个通用机器人系统 π0 的细节，这是一种 VLA，它声称是“迄今为止能力最强、最灵巧的通用机器人策略”。该模型最初是在一个 1 万小时的专有数据集上训练的，这些数据通过遥操作收集的人类演示以及若干开源机器人数据集组成。2025 年春季发布的版本 π0.5 在更多种类的数据集上进行了训练，包括来自网络的有标注图像，使其更加多才多艺。2025 年秋季的更新版本 π0.6 为模型加入了强化学习。  

每次更新都为模型性能带来了重要提升，使其能力清单不断扩大，从缓慢叠衣服，到在新环境中收拾物品，再到以更高成功率完成折纸箱等任务。然后，在 2026 年 4 月，π0.7 似乎将 PI 推向了新领域。这个版本利用了一个能力较弱的世界模型，它能生成执行任务所需步骤的图像。当机器人执行任务时，这个“轻量级”模型会向它提供下一步该做什么的快照。 

WINNI WINTERMEYER

WINNI WINTERMEYER

WINNI WINTERMEYER

WINNI WINTERMEYER

该公司声称，该模型展现出组合泛化能力的最初迹象。组合泛化指的是 AI 系统通过重新组合训练数据中学到的技能，来执行从未接触过的技能的能力。其中一项测试是让模型“把红薯放进空气炸锅”——这是它此前从未遇到过的任务。在一段演示视频中，这台机器摸索了一阵，几次起步失败，最终勉强做出了合理的尝试，尽管并未完全完成任务。

加州大学伯克利分校教授、PI 联合创始人 Sergey Levine 对这一潜力感到兴奋：“这实际上是我们第一次令人信服地看到那种组合泛化，也就是说，我们基本上可以让模型去做那些我们没有专门收集数据并训练它去做的任务，而它确实会做出一个说得过去的尝试。” 

这一成功让团队开始思考，模型是如何实现这一壮举的。经过一番挖掘，他们发现训练材料中潜藏着一些相关的带标注遥操作数据片段，其中包括两个人类操作员用机器人把空气炸锅炸篮推入炸锅的示例。这些零散数据可能足以让 π0.7 几乎完成空气炸红薯。

目前尚不清楚 π0.7 的泛化能力究竟有多令人印象深刻。不过，考虑到该模型接触空气炸锅的时间如此短暂，这仍让人得以一窥当前前沿研究能把机器人带到多远。 

“70% 的成功率就像它根本不管用”

你可能会感觉到一种脱节：一边是机器人在实验室里蹒跚迈出的婴儿步——“看！它把红薯放进空气炸锅了！”——另一边是许多演示和视频中展现的令人眼花缭乱、栩栩如生的灵巧，机器人从在舞台上跳舞到彬彬有礼地端上饮料，无所不做。这类演示往往没有清楚揭示一个关键事实：在许多情况下，是人类在控制机器人，或者事先精心编写了它的动作脚本。（例如，2025 年 3 月与英伟达 CEO 黄仁勋一同登台的机器人，看似在回应他的指令并跟着他走，实际上是由其制造者所说的“幕后操纵者”远程控制的。） 

目前，让机器人知道该去哪里的完全自主运动规划——尤其是在建筑工地或陌生住宅等新的混乱环境中——在很大程度上仍是一个未解决的挑战。更大的挑战——尽管往往与之相关——在于让机器人承担更大、更模糊的工作，这些工作包含多项任务，并需要决定如何完成以及以何种顺序完成。这就是能把盘子放进微波炉的机器人与能够成功响应“做晚饭”这一提示、通过翻找冰箱、切食材并点燃炉灶的机器人之间的区别。Google DeepMind 在这方面的最佳尝试——让其机器人查看厨房并将所有制作蘑菇烩饭的食材装进篮子——迄今为止都以失败告终。

更添挑战的是，实用的机器人基本上必须每次都做对。对于 VLA，波士顿动力公司创始人 Marc Raibert 说：“当结果从 50% 成功率提升到 70% 成功率时，人们会非常兴奋。但 70% 的成功率就像它根本不能用，对吧？”

AP IMAGES、SHUTTERSTOCK、1X、AGILITY ROBOTICS、GOOGLE DEEPMIND

正在真实环境中接受测试的少数人形机器人，只是在严格控制的环境中执行极其有限的任务。它们远非通用型机器人。据该公司称，Agility 已在 GXO Logistics、亚马逊和舍弗勒旗下的设施中部署了数百台机器人进行试验。但 Hurst 说，目前这些机器人瞄准的是搬运箱子和周转箱之类的简单任务。他补充说，即便如此，也花了数年时间才开发出足够安全、让物流公司甚至考虑使用的机器人。就 Elon Musk 而言，他在 2025 年 5 月声称，到年底将有“数千台”Optimus 机器人在特斯拉工厂工作，但今年 1 月他表示，公司只有“部分特斯拉 Optimus 机器人在工厂里做简单任务”。

虽然人形机器人正开始进入工厂车间，但跃迁到家庭将更加困难。现在，如果你愿意，可以预订 1X Neo 家用机器人，预计今年晚些时候可以交付。售价 20,000 美元，它承诺承担“家中无聊而琐碎的任务”——收拾碗碟、应门、整理客厅——“让你能专注于对你重要的事情。”其设想是让这个身高五英尺六英寸的机器人有朝一日自主完成所有这些任务，但目前大多数事情都需要远程人工操作员来完成。（是的，一个人需要获得许可，才能通过机器人的摄像头窥视你的家。）当被问及完全自主的机器人还需多久才能准备好从事家务工作时，Hurst 说：“如果我必须选一个数字，我会说，机器人还需要 10 年才能……真正在人们家中做有用的事情。”

当这种情况发生时，这些机器人很可能来自中国，因为中国在生产方面远远领先于西方。根据市场情报公司Omdia和中国机器人公司宇树的数据，2025年出货的约15,000台人形机器人中，近90%由中国公司制造。宇树去年出货的人形机器人数量超过任何其他公司，其生产的一款型号售价不到6,000美元。如此实惠的价格可能大大有助于让机器人对消费者更具吸引力，不过该公司预计其机器将首先用于工业应用。（顺便说一句，如果你想知道是谁在购买所有这些中国机器人，美联社最近报道称，订单主要来自企业和学术实验室以及国有企业。）

我们以前也经历过 

建造人形机器人的梦想由来已久：早在1495年，列奥纳多·达·芬奇就勾勒出一个由缆绳和滑轮控制的机械骑士的设计图。在整个20世纪，科幻狂热梦想中的机器来来去去。 

GETTY IMAGES

西屋电气那台七英尺高、装在腿上的箱子形机器人Elektro，在1939年纽约世界博览会上亮相，还抽着烟。日本早稻田大学于1973年制造的WABOT-1是第一台全尺寸、可编程的人形机器人。本田于2000年推出的ASIMO，可能是第一台至少证明自己有点能力的此类机器——它至少在一定程度上能爬楼梯、识别人脸，并在空间中自主移动。但这款机器人于2018年停产，因为它无法超越演示中所能做到的事情，从而变得真正有用。 

当时，所有这些工程壮举都令人印象深刻——甚至令人瞠目结舌。但没有一个准备好应对现实世界。如今的机器人，即使拥有先进AI的变革力量，仍然面临同样的生存挑战。