文 | 有界UnKnown
人形機器人行業又迎來一對新的強強聯合。
近期，波士頓動力宣稱，會使用豐田研究所的“大型行為模型”來訓練機器人，它類似于驅動ChatGPT的“大型語言模型”，可以讓機器人通過少量演示數據和多模態感知來掌握復雜任務，走向通用機器人。
在過去，這條技術路徑一直是馬斯克為Optimus（下稱“擎天柱”）畫的“餅”，想借此實現通用人形機器人。
今年10月初，馬斯克以《We, Robot》為主題在加州開了一場“科幻”味兒十足的發布會。在現場，擎天柱以服務員的身份一邊為賓客調酒，一邊抬手打招呼說著“Hi,everybody”，甚至在現場和賓客熱舞。
但發布會結束后，有現場賓客卻表示，擎天柱“親口”向他承認，自己是被遠程遙控的。而整個發布會，馬斯克也沒有透露關于擎天柱的任何技術細節。
看似自主的機器人，依舊離不開人類的遠程遙控。
馬斯克似乎做了一個雙面鏡，一面是真實的擎天柱仍然做著人類的提線木偶；而另一面，他又用一種近乎虛假的方式為人們構畫出一個可能實現的未來。
但顯而易見，馬斯克并沒有興趣解答擎天柱當前的研發進度，那么作為馬斯克在機器人領域的強敵， 波士頓動力這次與豐田研究所的聯合，能將馬斯克畫的餅實現嗎？
波士頓動力，率先走到終點？
想要完成馬斯克這張拼圖，擎天柱需要擁有與人類和環境交互的能力。
比如將機器人放在廚房，它首先要能識別出自己所處場景是“廚房”。然后，當人類告訴他要做一道菜時，它可以主動從冰箱拿出食材、清洗、切菜、并按步驟烹飪。
要實現這個過程，意味著機器人能夠自主辨別什么是冰箱，并移動到冰箱前，打開冰箱門，在眾多食材中找到需要的食材，取出來，然后結合各種工具進行清洗.....
這個過程對人類來說十分簡單，但對機器人而言卻十分困難。
當前無論是老牌人形機器人波士頓動力的Atlas，還是“新貴”擎天柱、Figure，都只能在受限制的環境里執行單一任務，比如在案板前將已經分揀好的各種蔬果拿起或者放下。
▲Figure01拾取水果，圖源YouTube@Figure
▲Optimus Gen2拾取雞蛋，圖源YouTube@Tesla
要知道這其中的區別，可以想一想咱們自己家里的冰箱，當各種食材被混雜在一起、用透明塑料袋裝著的時候，識別難度就會高于單個的西紅柿、紅薯。
所以如果將機器人自主做出一頓飯的難度，比作是登上珠穆朗瑪峰，那么現在的人形機器人才剛剛坐進學步車。對，它還沒有學會“走路”。
而更重要的是，當前機器人學習新技能的效率十分低下，比如學會了疊衣服之后，轉而疊被子就要重新學習大量數據。
為了克服這個難題，波士頓動力和豐田研究院團隊采用一種新的AI系統“大型行為模型”訓練機器人，通過物理演示任務（例如觀看視頻）進行教學，來幫助將Atlas打造成一款自主性能力強的通用人形機器人。
經過這套“大型行為模型”的訓練，機器人可以通過少量數據學習新技能，這種方法叫做“擴散策略”，這套策略可以探索多種不同的路徑，并根據實時情況選擇最佳方案，它可以幫助機器人更好地應對不確定性的環境，比如突然的障礙或任務變化。
豐田研究院公布了關于這一成果的報告，其中有一個通俗案例可以解釋這個策略：
經過擴散策略訓練的機器人，可以做醬汁燒注和涂抹任務，需要將醬汁涂抹在披薩面團中心，分拆步驟來看：①握住勺子接近披薩面團中心；②將醬汁以螺旋狀鋪在披薩上；③提起勺子。
▲論文《擴散政策：通過動作擴散進行視覺運動策略學習》
在這個過程里，披薩面團會隨機移動，而機器人可以“隨機應變”，它能跟隨披薩面團中心位置的遷移而即時挪動勺子。
根據豐田工作人員透露，學會這個能力并不費勁，“這個過程從老師遠程操作演示一小部分技能開始”，機器人晚上學習，第二天就可以獲得新技能。也就是說，它用少量數據向機器人演示，便能夠讓機器人獲得“泛化”能力。
和傳統的機器人學習相比，這種行為模型就像運動界的ChatGPT一樣，給它一點行為上的Prompt，就能泛化出一套完成任務的操作軌跡和應變能力。
但并不是任何人形機器人都能適配這套策略，擴散策略更依賴視覺數據，這就需要硬件上擁有高精度視覺傳感器，還要擁有抓取復雜和精細物體操作能力。
這也是目前波士頓動力面臨的挑戰。
其最新款人形機器人Atlas目前并不具備實現“自主”的硬性條件，它既沒有靈巧手，又缺乏生活場景的數據。
Atlas機器人雖然具備一定的抓握能力，但其手部設計相對簡單，只有三指，并且常用場景是應急救援和工廠搬運，對于生活場景的數據也相對缺乏。
與此相比，特斯拉的擎天柱卻顯得更有優勢。
比如在視覺數據上，特斯拉的自動駕駛一直堅持純視覺的解決方案，目前市場上運行著將近600萬輛特斯拉汽車，可以積累大量的視覺數據。
其次擎天柱在靈巧手、關節有更接近人類的設計。在特斯拉最新展示的視頻里，擎天柱可以走到桌邊，用雙手的“指尖”舉起重11kg的4680電池盒。
這雙機械手已經擁有22個自由度，分布在手指、手腕和小指下方，而年初手部擁有11個自由度的第二代擎天柱，所有手指都具有觸覺感應，能夠靈巧地處理雞蛋等易碎物品。
▲擎天柱舉起電池，圖源：Tesla@YouTube
