人工智能大模型的火熱，也催熱了人形機器人。

“簡單來說，目前做人形機器人，包括AI應用，只要把現有大模型的技術拿過來移植或者裁減一下，對人形機器人來說就已經足夠了。”近日，宇樹科技創始人兼首席執行官王興興日前對記者作出了如上判斷。

在他看來，人形機器人已經經歷了各種高校、科研院所幾十年的研發，過去有高潮也有低谷，但是隨著AI迭代速度越來越快，目前人類的控制技術已經有希望駕馭人形機器人這么復雜的機器人形態，而今年AI的進展速度已經遠超機器人所需的技術。

事實上，行業內秉持著如此觀點的人并非少數。在8月18日下午舉辦的2023世界機器人大會-通用人形機器人技術與產業創新論壇上，中國科學院院士、清華大學交叉信息研究院院長姚期智在現場表示，ChatGPT的能力目前僅主要體現于對語言的處理之上，而如果未來真正讓通用人工智能發揮出它的價值，AGI一定需要有具身實體來和真實的物理世界相交互完成各種任務。而人形機器人就是具身智能落地的理想形態之一。

硬件、算法與模型

在多位看來，人形機器人基本上具備三個部分，部分是身體，第二部分是小腦，第三部分則是大腦。身體的具身必須要有足夠的硬件，例如傳感器和執行器，小腦會主導視覺、觸覺各種感知來控制身體，完成復雜的任務，后大腦主導上層的邏輯推理、決策、長時間的規劃，以及與其他的智能體和環境進行自然語言交流。

在身體形態方面，姚期智表示，由于人形能夠適應各種環境，同時人類社會環境主要是為人類而定制，例如樓梯的結構、門把手的高度、被子的形狀等等，因此如果能夠打造一個有泛應用的通用機器人，人形是合適的形態。

而在人形機器人小腦方面，姚期智指出，搭建在機器人實體上、扮演小腦角色的是一套機器人運動控制算法。上層是固態規劃層，下層則是基于動力學的實時全身運動控制，其可以計算發給電機關節jingque的指令并搭配對應狀態的固定器。

但他同時表示，在構建小腦的算法端上行業還未實現對于機器人的更好控制，因此行業也在利用人工智能、強化學習的方法研究靈活度更高的對應策略。

在這其中，運用強化學習框架的好處在于沒有了模型的限制，因此它在復雜與不確定的環境下能夠展現出更強的適應能力，同時它能夠利用人體運動實際的數據，給予深度學習更好的引導。

“通過強化學習，機器人能夠用自然的方式來模擬人態的行走，這樣也使它消耗更低的能耗，但強化學習應用的難題就是其所需要的樣本非常多，這也成為一直困擾著行業的一大挑戰。”姚期智說道。

因此，如何通過創新算法的架構，實現更高效率的樣本學習能力是行業需要持續探索的方向。

此外，在姚期智看來，另一個困擾強化學習的難題則是人形機器人的泛化性，即系統對于這些任務及其環境中間的不確定性和干擾，能不能夠泛化的更好。

“谷歌日前推出的palm-e是行業非常重要的技術路線，但這一框架也存在著問題，即它的下一層不一定能夠很好執行上一層的規劃，尤其是中間如果發生一些意外的干擾。而解決的方法在于首先需要像大語言模型一樣，給機器人描述一下他所需要的任務，機器人就按照這個任務來執行，比如一個搬箱子的工作，它的右邊是一個攝像頭，在這里面它的視覺語言模型就通過這個視角，檢測是不是有意外發生，如果有的話怎么樣能夠糾正，看到這個箱子掉到地上，這個機器人能夠想出一個方法后把它撿起來，后能夠完成任務。”姚期智解釋稱。

工業與家庭場景落地

在世界機器人大會期間，人形機器人具體的落地場景。也成為了與會者密集討論的議題。

優必選科技創始人周劍在論壇現場接受21世紀經濟報道記者采訪時表示，在未來，人形機器人有兩個為理想的落地場景：“首先是制造業場景的應用。我們看到當下所有的汽車生產線上的工業機械手臂還需要幾十萬生產線上的工人來操作，而人形機器人有望實現對他們的替代。其次，在生活環境中那些符合人體工程學的工作也適合人形機器人發揮作用，例如‘陪伴，工作、學習與生活’。”

而這就意味著，人形機器人未來必然走向“通用化”，那么為何在已經存在一些標準化機器人的情況下，行業仍然需要通用機器人？

“這是技術走向更前瞻性、通用性的問題，行業希望有一種機器人在誕生后，可以完成所有任務。而不是每種工作都要去開發特定的機器人，因此目前通用人形機器人的形態是大家公認的好形態。”一位業內人士在現場對記者解釋稱。

但值得注意的是，在當下這個硬件和軟件等技術都邁向新臺階的關鍵節點，人形機器人技術實際上還面臨許多瓶頸。

追覓科技研究院負責人喻超接受21世紀經濟報道記者采訪時指出，人形機器人行業公認的一個事實是，行業要向前發展，必先跨越“三座大山”，即：技術難度大，制造成本高昂，以及商業化難度高。

清華大學交叉信息研究院助理教授、星動紀元創始人陳建宇則在現場表示，對硬件來說，行業希望機器人同時兼顧力量、速度、精度以及成本，但是目前所有技術都無法同時兼顧這幾項，例如液壓的技術速度和力量都很強，但是它成本太貴。

而高減速比諧波技術，可能精度比較高，但是靈巧性又降低；而新的轉制期技術雖然成本比較低，但是卻犧牲了載荷和精度，因此現在還沒有一個能夠兼顧所有達到我們滿意的情況。

而在軟件方面，陳建宇表示，行業目前還無法很好兼顧其泛化性和控制任務操作的精巧性，“控制的算法以及強學習算法，我們可以做到比較的控制，但這基本上目前還是一個任務對應一個模型或者一個特別的算法，很難做到泛化。”

在他看來，現在行業能做的就是針對不同的應用場景，選擇不同的技術路線，來進行下一步的平衡。