机器人的手为什么总在半空停住:具身智能真正卡住的那一环

那只机械手伸出去,指尖离矿泉水瓶大概三厘米,停住了。

三秒。五秒。

然后它缩回来,重新算一遍,再伸出去。这回抓住了,瓶子倒了。

这个画面我看过不止一次,每次都想替它使劲——你倒是往前推一点啊。可它不。它在那儿站着,电机嗡嗡响,像个刚学骑车的小孩,车把歪了不敢蹬。

大多数人聊具身智能,聊的是那个“智能”字。我反倒觉得,麻烦全在“身”上。

抓个杯子而已,凭什么这么难

你可能觉得抓杯子是个幼儿园题目。视觉看到位置,逆运动学一解,手过去,结束。

现实是,光“看到位置”这一条就够呛。

深度相机怕透明物体。玻璃杯、塑料瓶、保鲜膜,红外打上去直接穿过去,回波收不到,点云里就是一个洞。工程师管这叫“透明物体深度缺失”,不是什么冷门问题,是每天都要面对的。有些团队会给杯子套个哑光套子做标定——听着像作弊,但真是这么干的。

机器人手爪抓取透明玻璃杯力控实验特写
机器人手爪抓取透明玻璃杯力控实验特写

就算看见了,还有第二个坎:用多大力。

捏鸡蛋要用多少牛?拧瓶盖起始要多大扭矩?这些数字人的手指根本不用算,指腹里那堆机械感受器一秒给你几百次反馈,抓之前肌肉张力就已经调好了。机器人手上没有这套东西,它得靠力传感器现学现卖。力传感器还贵,还娇气,撞一下就得换。

所以停住的那三秒,不是它在发呆。它在算:这个表面的摩擦系数大概多少,按下去会不会滑,滑了要不要换抓点,换了抓点会不会撞到旁边的杯子。

人做这件事的时候,大脑皮层基本没怎么亮。

它会聊天,但它不会拧瓶盖

这两年的热闹,很多来自大模型。语言模型能把“把桌上的红色积木放进抽屉”这句话拆得明明白白——目标物、动作、容器,全都识别出来了。

问题是接下来那一步。

语言模型是拿互联网上的文字喂出来的,几千亿的token,要多少有多少。动作数据呢?互联网上没有。没人把自己伸手拿水杯的关节角度上传过。

于是有了几条路。

一条是遥操作采集。人戴着动捕设备或者拿着主从手柄,一遍遍演示,机器人一遍遍记。斯坦福那个Mobile ALOHA就是这么干的,一个人在后面跟着,把动作“演”给机器看。这活儿效率低得让人心疼,采一百条数据可能只够学会一个很窄的任务。

遥操作机械臂数据采集现场操作员示范动作
遥操作机械臂数据采集现场操作员示范动作

一条是仿真里练。MuJoCo、Isaac Sim这类平台里可以把物理参数调到飞起,一天跑几百万次。但仿真和现实之间永远有条缝——摩擦、形变、光照、传感器噪声,仿真里干净的,现实里全是毛刺。这条缝业内叫sim2real gap,填了好多年也没填平。

还有一条最近挺火,拿视频学。看着人类干活的录像,去猜背后发生了什么。听起来很聪明,但视频只告诉你“发生了什么”,不告诉你“为什么是这样”,也不告诉你手施了多少力。学歪了很常见。

说到底,具身智能缺的不是算力,是那种带着身体感的数据。

这里面还有个更深的东西。人在拧瓶盖之前,脑子里其实有个预期:手转过去、碰到盖、感受到阻力、用力、松开。这套预测是内建的。机器人现在大多靠端到端模型直接映射感知到动作,中间那层关于“我这么做世界会怎样”的模拟,还很薄。

薄就容易出岔子。光线一变,换个桌面颜色,模型就懵。

人形,不等于具身智能

人形,不等于具身智能
人形,不等于具身智能

这两个词经常被混着用,挺耽误事的。

具身智能讲的是智能体有身体、能在物理世界里感知和行动。至于是两条腿、四个轮子、还是挂在导轨上的机械臂,那是形态问题。

工厂里那些固定的六轴机械臂,如果它能根据眼前零件的摆放自己调整抓取方案,其实已经很接近具身智能了。码头上的自动叉车、仓库里的搬运机器人,也都算。

人形只是其中一个选择,理由倒也不玄:我们的楼梯、门把手、开关、工位,全都是按人的尺寸和动作设计的。想让机器人直接接管现有环境,人形确实省事。

但双足行走本身就极难。平衡、地形、能耗,还有摔了怎么办。波士顿动力的Atlas翻跟头翻了好多年,早期那些动作主要靠模型预测控制和离线优化算出来的轨迹,跟“自己学会了”是两回事。后来的版本才逐步引入学习的方法。这不丢人,只是别把视频里的流畅当成通用能力。

我更愿意关注那些长得不怎么像人的东西。它们往往落地更快。

几个总被问到的问题

几个总被问到的问题
几个总被问到的问题

Q:家里什么时候能买到会洗碗的机器人?

A:先问一个问题——你家碗的形状有几种?碗还带油、带残渣、叠在一起。这活儿对机器人来说是地狱级:遮挡严重、物体易碎、失败代价高(碎一地)。加上得把它做进一个普通厨房的价位里。我猜第一个进门的不是洗碗机器人,是收碗、擦桌这类容错高一点的任务。

Q:自动驾驶算不算具身智能?

A:算。而且是跑得最靠前的那一支。但注意它的“身体”被简化得太狠了——动作空间只剩方向盘角度、油门、刹车这么几个维度。手被砍掉了,只剩脚。所以拿车的成熟度去类推机器人,会高估很多。

Q:那现在展厅里那些会跳舞的机器人算什么?

A:算很好的运动控制展示。但跳舞是预先编排的,环境也基本不变。跟“进了你家自己能找到拖鞋”完全不是一个难度级别。看表演可以鼓掌,别当成产品能力。

时间线上,我们站在哪儿

往回看,1966年到1972年SRI搞的Shakey,算是最早能自己推理路径、自己行动的移动机器人。它走得极慢,几步路要算好久,但那是第一次把感知、规划、行动串成一个闭环。

2010年代,DARPA办过几届机器人挑战赛,把开门、爬楼梯、拧阀门这些任务搬上赛场。结果挺惨烈,摔倒的一大片。也正是那几年,大家开始意识到硬件可靠性和感知鲁棒性有多要命。

2022年之后节奏变了。谷歌发了RT-1,把视觉、语言、动作塞进一个模型;一年后RT-2又往前走了一步。同一时期,国内做四足和关节模组的公司也开始把成本往下压。

2023年Mobile ALOHA展示了一套相对便宜的整机方案做家务。2024年往后,人形机器人公司一批批冒出来。

但你要是问我,这些节点里哪个最像“拐点”,我会说是数据采集方式和成本,不是那些会翻跟头的视频。

先把期待值按一按

有三个东西,短期内不太会自己消失。

一是数据。真机数据贵,仿真数据有偏差,视频数据有噪音。这三样拼起来用,是目前的主旋律,但拼得不够漂亮。

二是硬件。关节模组、减速器、力传感器,寿命和一致性离工业级还有距离。我见过测试台上跑了几十万次的样机,拆开一看齿面已经不好了。这种细节不上新闻,但它决定了能不能量产。

三是评测。现在各家的宣传片都很漂亮,但缺少统一的、能复现的任务标准。同一个“抓取成功率”,你在这个桌上测得的高,换块桌布可能就掉一半。没有公认的尺子,进步就很难被量化。

所以我看到那三秒停顿的时候,情绪挺复杂的。一边觉得离得还远,一边又觉得——它至少知道自己抓不准。

不知道,才是最难的。

作者|科技

排版|科技

审核|安然

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:机器人的手为什么总在半空停住:具身智能真正卡住的那一环
文章链接:https://m.lfdjt.com/p/keji/a/25046.html