文 | 有界UnKnown
人形机器人行业又迎来一对新的强强联合。
近期，波士顿动力宣称，会使用丰田研究所的“大型行为模型”来训练机器人，它类似于驱动ChatGPT的“大型语言模型”，可以让机器人通过少量演示数据和多模态感知来掌握复杂任务，走向通用机器人。
在过去，这条技术路径一直是马斯克为Optimus（下称“擎天柱”）画的“饼”，想借此实现通用人形机器人。
今年10月初，马斯克以《We, Robot》为主题在加州开了一场“科幻”味儿十足的发布会。在现场，擎天柱以服务员的身份一边为宾客调酒，一边抬手打招呼说着“Hi,everybody”，甚至在现场和宾客热舞。
但发布会结束后，有现场宾客却表示，擎天柱“亲口”向他承认，自己是被远程遥控的。而整个发布会，马斯克也没有透露关于擎天柱的任何技术细节。
看似自主的机器人，依旧离不开人类的远程遥控。
马斯克似乎做了一个双面镜，一面是真实的擎天柱仍然做着人类的提线木偶；而另一面，他又用一种近乎虚假的方式为人们构画出一个可能实现的未来。
但显而易见，马斯克并没有兴趣解答擎天柱当前的研发进度，那么作为马斯克在机器人领域的强敌， 波士顿动力这次与丰田研究所的联合，能将马斯克画的饼实现吗？
波士顿动力，率先走到终点？
想要完成马斯克这张拼图，擎天柱需要拥有与人类和环境交互的能力。
比如将机器人放在厨房，它首先要能识别出自己所处场景是“厨房”。然后，当人类告诉他要做一道菜时，它可以主动从冰箱拿出食材、清洗、切菜、并按步骤烹饪。
要实现这个过程，意味着机器人能够自主辨别什么是冰箱，并移动到冰箱前，打开冰箱门，在众多食材中找到需要的食材，取出来，然后结合各种工具进行清洗.....
这个过程对人类来说十分简单，但对机器人而言却十分困难。
当前无论是老牌人形机器人波士顿动力的Atlas，还是“新贵”擎天柱、Figure，都只能在受限制的环境里执行单一任务，比如在案板前将已经分拣好的各种蔬果拿起或者放下。
▲Figure01拾取水果，图源YouTube@Figure
▲Optimus Gen2拾取鸡蛋，图源YouTube@Tesla
要知道这其中的区别，可以想一想咱们自己家里的冰箱，当各种食材被混杂在一起、用透明塑料袋装着的时候，识别难度就会高于单个的西红柿、红薯。
所以如果将机器人自主做出一顿饭的难度，比作是登上珠穆朗玛峰，那么现在的人形机器人才刚刚坐进学步车。对，它还没有学会“走路”。
而更重要的是，当前机器人学习新技能的效率十分低下，比如学会了叠衣服之后，转而叠被子就要重新学习大量数据。
为了克服这个难题，波士顿动力和丰田研究院团队采用一种新的AI系统“大型行为模型”训练机器人，通过物理演示任务（例如观看视频）进行教学，来帮助将Atlas打造成一款自主性能力强的通用人形机器人。
经过这套“大型行为模型”的训练，机器人可以通过少量数据学习新技能，这种方法叫做“扩散策略”，这套策略可以探索多种不同的路径，并根据实时情况选择最佳方案，它可以帮助机器人更好地应对不确定性的环境，比如突然的障碍或任务变化。
丰田研究院公布了关于这一成果的报告，其中有一个通俗案例可以解释这个策略：
经过扩散策略训练的机器人，可以做酱汁烧注和涂抹任务，需要将酱汁涂抹在披萨面团中心，分拆步骤来看：①握住勺子接近披萨面团中心；②将酱汁以螺旋状铺在披萨上；③提起勺子。
▲论文《扩散政策：通过动作扩散进行视觉运动策略学习》
在这个过程里，披萨面团会随机移动，而机器人可以“随机应变”，它能跟随披萨面团中心位置的迁移而即时挪动勺子。
根据丰田工作人员透露，学会这个能力并不费劲，“这个过程从老师远程操作演示一小部分技能开始”，机器人晚上学习，第二天就可以获得新技能。也就是说，它用少量数据向机器人演示，便能够让机器人获得“泛化”能力。
和传统的机器人学习相比，这种行为模型就像运动界的ChatGPT一样，给它一点行为上的Prompt，就能泛化出一套完成任务的操作轨迹和应变能力。
但并不是任何人形机器人都能适配这套策略，扩散策略更依赖视觉数据，这就需要硬件上拥有高精度视觉传感器，还要拥有抓取复杂和精细物体操作能力。
这也是目前波士顿动力面临的挑战。
其最新款人形机器人Atlas目前并不具备实现“自主”的硬性条件，它既没有灵巧手，又缺乏生活场景的数据。
Atlas机器人虽然具备一定的抓握能力，但其手部设计相对简单，只有三指，并且常用场景是应急救援和工厂搬运，对于生活场景的数据也相对缺乏。
与此相比，特斯拉的擎天柱却显得更有优势。
比如在视觉数据上，特斯拉的自动驾驶一直坚持纯视觉的解决方案，目前市场上运行着将近600万辆特斯拉汽车，可以积累大量的视觉数据。
其次擎天柱在灵巧手、关节有更接近人类的设计。在特斯拉最新展示的视频里，擎天柱可以走到桌边，用双手的“指尖”举起重11kg的4680电池盒。
这双机械手已经拥有22个自由度，分布在手指、手腕和小指下方，而年初手部拥有11个自由度的第二代擎天柱，所有手指都具有触觉感应，能够灵巧地处理鸡蛋等易碎物品。
▲擎天柱举起电池，图源：Tesla@YouTube
