“大模型+机器人”，具身智能将开启“智械时代”

本文由 科技云报到 撰写/授权提供，转载请注明原出处。

文章来源于：科技云报到

作者：科技云报道

从 15 世纪达芬奇绘制出世界上第一份人形机器人手稿，到如今波士顿动力、本田、特斯拉、Figure AI 等企业相继推出了人形机器人产品，机器人新物种持续衍生，人形机器人产业已经从萌芽概念阶段进入产业化落地前期。

近日，由科技巨头 OpenAI、微软、英伟达以及电商巨头亚马逊创始人杰夫·贝佐斯等重量级投资者共同支持的人工智能机器人初创公司 Figure AI，正式揭开了其第二代人形机器人 Figure 02 的神秘面纱。

这款被誉为“地球上最先进的 AI 硬件”的机器人，不仅标志着人工智能技术的又一里程碑，也预示着以具身智能为内核的人形机器人向工业化、商业化应用迈出了坚实的一步。

正如 Figure 名称所暗示的那样，这一堪称目前最先进的人形机器人是 2023 年推出的 Figure 01 的后继产品。

今年 3 月，Figure 01 发布时，就曾引发市场高度关注。当时，Figure 01 可以与人类进行全面对话，机器人的所有行为都是学到的，并非是远程操作。

这背后不仅有 Figure 引以为傲的端到端神经网络技术，还全面融入 OpenAI 所推出的多模态 AI 大模型，科技界普遍将这一人形机器人视为“行走的 ChatGPT”，具备模仿人类行为、深度学习与思考以及与人类进行自然且高效率沟通等诸多强大能力。

Figure 02 在大脑上，依然集成了 OpenAI 的 GPT-4o 多模态大模型，相比较于 Figure 01 使用 GPT4，Figure 02 将进一步地提升机器人的常识推理能力，使其能够更好地理解和响应复杂指令，机载计算和 AI 推理能力提升 3 倍。

与特斯拉的 Optimus 以及波士顿动力的 Atlas 相比，与 OpenAI 大模型的深度集成也一直是 Figure 引以为傲的强项，该集成使其在多模态推理和任务执行方面更具智能性和适应性，提升其在视觉、听觉和语言交互方面的能力，使其能够执行复杂的端到端任务，适用于工业制造、仓库物流等侧重于轻载搬运和分拣转移的混合任务场景。

在小脑上，Figure02 延续使用类似 01 产品类似的 RT-X 机器人控制模型，使用模型预测控制器来确定脚步位置和保持平衡并遵循所需的机器人轨迹所需的力，结合步态控制以完成机机器人的基本运动，全身控制策略则确保了机器人在执行动作时的安全性和平衡性，未来将持续优化提升动作执行能力。

在对话推理方面，Figure 02 可以通过内置麦克风和扬声器与人类进行语音对话。这一核心功能依托于与 OpenAI 合作训练的定制 AI 模型，能够理解、处理并回应人类的语音输入。机器人以语音作为默认操作界面，意味着用户可以像跟人交谈一样自然地与 Figure 02 互动，而无需依赖传统的按钮或屏幕界面。

得益于机载视觉语言模型（VLM），Figure 02 能通过摄像头“看懂”周围环境。进行快速的语义理解和常识性视觉推理，并做出智能判断。例如物体识别、场景理解，甚至洞悉人类的行为意图，显著增强了机器人在复杂现实世界中的适应和交互能力。

此外，Figure 02 机载 CPU/GPU 的计算和 AI 推理能力是上一代产品的 3 倍。这一重大提升使其能够完全自主地执行现实世界中的AI任务，而无需依赖外部资源。

事实上，Figure 02 只是具身智能的一个载体形式。在 ITF World 2023 半导体大会上，英伟达创始人兼 CEO 黄仁勋直言，人工智能下一个浪潮将是具身智能，是能理解、推理、并与物理世界互动的智能系统，AI 与机器人的融合，具有很好的想象空间。

特斯拉 CEO 马斯克在近期举行的 2024 特斯拉股东大会上表示，人形机器人将是今后特斯拉主要的长期价值来源，他也认为，以具身智能机器人为代表的产品有望成为 AI 的下一浪潮，并且将成为工业主力，数量有望超越人类，预计将达到 100 亿至 200 亿台。特斯拉的目标是年产 10 亿台，占据市场 10% 以上的份额。

1950 年，图灵在他的一篇论文中首次提出了“具身智能”的概念，其是人工智能的一个重要分支，它强调智能体与其所处的物理环境紧密交互，通过人形机器人等智能实体实现感知、决策和行动。

这种结合让人工智能可通过摄像头、传感器等理解环境，并通过机械臂、轮子等执行器作用于物理世界，在物理空间中学习、适应并完成指令任务。这是一个包含人工智能几乎所有技术的领域，可以说是 AI 的集大成者。

从全球具身智能当前发展看，大致可以分为三个流派：实用派、性能派、学术派。

实用派——以特斯拉、Agility Robotic 和 1X Technologies 为代表的实用派看重商业化落地的可能性，希望“让一部分人先用起来”。可以接受前期仅在部分场景中替代少量劳动力，在设计初期便拥有明确的商业化落地目标，着重于快速降低成本、推动量产落地。

特斯拉于 2023 年 12 月中旬发布了第二代人形机器人，提升了行走速度，可完成拿鸡蛋等精细操作，给了市场更多的信心，预计 2024 年试产，2025 年量产，最终目标售价期望低于每台 2 万美元。

性能派——以波士顿动力为代表的运动性能派，则拥有与军方三十年之久的合作经验，着重于挖掘现有人形形态机器人的运动潜力，不太关注成本，Demo 机已拥有完成诸如后空翻、跑酷等高难度动作的能力，有可能在未来战争中起到一定作用，但碍于成本过高，而影响了量产计划。而 Apptronik 这类公司则拥有深海、太空等极端环境下的产品经验，还与NASA有较多合作开发经验，第一款通用机器人 Demo 只有上半身，计划在 2024 年底前实现商业化。

学术派——以李飞飞教授和谷歌团队为代表的学术派则非常追求大模型对于机器人的变革，打造出“RobotGPT”的基座模型，实现零样本或少样本学习，在更复杂乃至陌生的环境中执行任务，实现人形机器人的智能涌现。

具身智能这条长坡厚雪的赛道上从不缺少拓疆者。从简单的结构驱动到关节驱动，再到完成跑步、转弯、识别特定人群面孔系统的高度集成，至目前能发挥自主决策等功能的高动态运动阶段，早稻田大学 WABOT-1、本田 ASIMO、波士顿动力 Atlas、特斯拉 Optimus、小米 CyberOne“铁大”、优必选 WalkerS 等代表作，不断突破着技术的边界。

综合来看，具身智能在其发展过程中目前仍面临着多项挑战，这些挑战源自于其发展过程中的复杂性和不断变化的需求。

首先，是要适应非结构化真实环境。与预设规则和模式驱动的传统 AI 系统不同，具身智能必须在一个充满复杂性和不可预测性的非结构化环境中找到立足点。在这种环境中，信息的稀缺和场景的多变性，要求 AI 系统具备更加先进和灵活的计算能力，以便能够适应环境的不断变化和不确定性。这不仅是一个数据处理的问题，更是对 AI 系统感知和适应能力的全面考验。

其次，是要发展更高级的认知策略。在自然界中，生物体通过视觉、听觉和触觉等多种感觉途径获得复杂的感知信息，并在大脑中进行有效的多模态信息融合。具身智能同样需要模仿这种高效的多模态融合过程，以更全面地理解和适应其所处的环境。这包括但不限于对三维空间中物体的精确识别和定位，以及对环境变化和内在联系的动态捕捉。

此外，涌现式创新与突破的缺乏影响着具身智能的进化程度。生物群体能够展现出令人惊叹的集体智慧，主要归功于其中个体之间的协同作用。对具身智能来说，一个重要的挑战是模仿这种群体智能系统。这意味着需要将智能分散到多个实体中，并通过它们之间的协作，实现更高级别的认知和决策能力。

生物群体所展现的自组织和适应性特征，允许它们根据环境的变化和个体之间的差异进行自我调整。具身智能需要发展类似的机制，以实现分工协作和动态任务分配，从而能够更灵活地应对多种情境。

最后，具身智能在与真实环境进行交互并充分学习时，势必会收集和处理大量数据。这就引出了一个关键问题：如何在实时交互中确保这些数据的安全性和隐私性。保障数据安全和用户隐私是具身智能发展中不可忽视的重要方面。此外，具身智能在决策时还需要考虑伦理和道德问题。

因此，未来的发展不仅需要技术创新，还需要建立更为健全和全面的伦理指南，以指导具身智能在复杂情境中的行为决策，确保其行为符合道德原则和社会价值观。

具身智能的发展不仅是技术革新的过程，更是对人类理解、伦理道德和社会影响的深思，相关研究在推动科技边界的同时，还将深刻影响人类社会的方方面面。

赛迪研究院发布的《2024 中国人形机器人产业生态发展研究》显示，2023 年，我国人形机器人产业进入爆发期，产业规模增长至 39.1 亿元，同比增长 85.7%；预计 2024 年、2025 年人形机器人产业将持续高速增长，2026 年中国人形机器人产业规模将突破200亿元。

根据高盛的预测，在技术得到革命性突破的理想情况下，2025 年至 2035 年全球人形机器人销量复合年均增长率可达 94%，2035 年市场规模将达 1540 亿美元。

更乐观的预测提出，在生成式人工智能技术大爆发的当下，人形机器人极有可能实现超预期增长，下一个万亿级“蓝海”已呼之欲出。

从场景角度来看，人形机器人的目标应用场景包括商用、医疗康复、制造业、物流等。中短期内，更多厂商会把偏服务类的场景列为目标应用场景优先落地。中长期来看，随着技术提升及结构化场景的开放，商业服务、工业制造与物流领域能获得更多场景数据集进行训练，实现局部场景落地。

从发展趋势看，人形机器人是一个颠覆性产品的赛道，目前尚处于发展的导入期。接下来，在产品、产业和政策等条件的促进下，人形机器人的商业化落地还将提速。

根据工信部印发的《人形机器人创新发展指导意见》指出，人形机器人有望成为继计算机、智能手机、新能源汽车后的颠覆性产品。Markets and Markets 则预计到 2027 年，全球人形机器人市场规模将达 173 亿美元，复合增长率为 63.5%，市场发展广阔。

此外，据国际机器人协会预测，2021 年-2030 年，全球人形机器人市场规模年复合增长率将高达 71%。中国电子学会发布的数据则显示，到 2030 年，我国人形机器人市场规模有望达 8700 亿元。

这样一个庞大的市场，自然引得巨头纷纷押下重注。比如，谷歌依托其在 AI 领域强大的研究团队，丰厚的多领域研究成果，引领着近年来机器人模型的发展。这主要集中体现在，Google DeepMind 此前曾发布具备“自我完善”能力的“RoboCat”和融合大语言模型能力的 VLA 模型 Robotic Transformer 2（RT-2）。

RT-2 在训练时模型就同时学习视觉、语言、机器人行为这三种数据，并将这些知识转化为机器人控制的通用指令。RT-2 一方面吸收了视觉语言模型的语义推理、问题解决、视觉解释能力，另一方面能够从真实的机器人动作中实现具身任务推理，且两方面能够相互促进。

在自然语言输入后，通过模型的运算，直接产生动作的输出，让人类可以通过纯语言命令优化机器人控制，进一步加速机器人的智能化进程。

此外，Meta 推出在少量训练数据情况下便能取得优异表现的 MT-ACT 模型。而微软推出基于 ChatGPT 的机器人控制框架，将 ChatGPT 的“知识储备”落实到现实场景中。可以说，人形机器人模型发展百家争鸣，大有可为。

而在国内，小米、傅利叶、宇树、智元、开普勒、追觅等厂商都相继推出了人形机器人产品。科技企业研发进程的推进，也持续吸引着资本市场加码。

这些入局者都非常清楚，软硬融合方能打造出人形机器人的新高度。软件决定人形机器人高度，算法需与硬件匹配。人形机器人本质是 AI 技术落地物理世界的最佳载体，算法是核心，需与硬件匹配。

身为软硬件能力高度集成的实体，人形机器人商业化的核心突破点在于“AI 大脑”。而 AI 大模型的高歌猛进为人形机器人的发展，带来无限可能——使人形机器人具备更强的事物处理和自然语言交互等能力。

从发展趋势看，人形机器人尚处产业化初期，但在 AI 技术突破、政策加码、科技企业强势入局的三重要素催化下，有望尽快迎来发展拐点。

智力革命已经打响，就像工业革命解放生产力，电力革命解决能源流通，是全新生态的构建。未来嵌入具身智能的机器人、自动驾驶汽车、自动化设备等，不仅是对人类智能的延伸，更是一个通用人工智能诞生和发展的舞台，为超越人类智能水平的人工智能提供了理想的试验场和成长空间。

这预示着，一个更加智能、更加互联的未来正向我们走来。

扫码关注公众号

获取更多技术资讯