作者：賴文昕

編輯：岑峰

本月，在爆火的世界人工智能大會(huì)（WAIC 2024）中，人形機(jī)器人「十八金剛」成為了會(huì)場(chǎng)中當(dāng)之無(wú)愧的焦點(diǎn)。

由青龍、智元-遠(yuǎn)征A2、宇樹-H1、傅利葉-GR-1、星動(dòng)紀(jì)元-XBot-L、樂聚-夸父4代等一眾人形機(jī)器人組成的先鋒陣列，作為「鎮(zhèn)館之寶」被陳列在展覽館進(jìn)門處，成為了所有進(jìn)場(chǎng)觀眾看到的首個(gè)驚喜。

在大模型技術(shù)的加持下，長(zhǎng)出「大腦」的人形機(jī)器人被視為通向 AGI 的必經(jīng)之路，「具身智能元年」似乎已經(jīng)到來(lái)。

概念被炒得火熱，但具身智能的故事仍面臨著一個(gè)核心問題：「大腦」真的能帶來(lái)質(zhì)的改變并實(shí)現(xiàn)商業(yè)化落地嗎？

對(duì)此，香港科技大學(xué)機(jī)器人研究院創(chuàng)始院長(zhǎng)王煜教授提出了「具身技能」的概念。

「如果把具身智能稱為大腦，那么中腦或小腦則是大關(guān)節(jié)控制，精細(xì)操作為細(xì)小腦，也可叫具身技能，需要有硬件、學(xué)習(xí)方法、數(shù)據(jù)的支持?！雇蹯辖淌诮忉尩?，「不到具身技能的層次其實(shí)無(wú)法發(fā)揮人形機(jī)器人的作用?！?/p>

作為戴盟機(jī)器人聯(lián)合創(chuàng)始人與首席科學(xué)家，王煜教授在 1984 年前往美國(guó)卡內(nèi)基梅隆大學(xué)（CMU）讀博，師從 CMU 時(shí)任機(jī)器人研究所所長(zhǎng) Matthew Thomas Mason，是我國(guó)最早公派留學(xué)的學(xué)生之一。

彼時(shí)在這個(gè)頂尖機(jī)器人實(shí)驗(yàn)室中，Matthew Thomas Mason 與 Marc Raibert（波士頓動(dòng)力創(chuàng)始人）堪稱「CMU 機(jī)器人雙雄」，分別帶領(lǐng)團(tuán)隊(duì)研發(fā)機(jī)器人手部與腿部。作為少數(shù)的華人面孔，王煜教授成為了 Matthew 的第一個(gè)畢業(yè)博士生。

1989年，王煜教授獲得 CMU 機(jī)械工程博士學(xué)位后，分別在美國(guó)馬里蘭大學(xué)、新加坡國(guó)立大學(xué)及香港中文大學(xué)任職，后在2015年與李澤湘教授共同創(chuàng)辦了香港科技大學(xué)機(jī)器人研究院，并擔(dān)任港科大機(jī)器人創(chuàng)始院長(zhǎng)。

此外，王煜教授還獲得過(guò) 973 首席科學(xué)家、國(guó)家杰青、長(zhǎng)江學(xué)者特聘教授、國(guó)家科技進(jìn)步二等獎(jiǎng)等多份榮譽(yù)， 并曾任 IEEE Fellow、IEEE 機(jī)器人與自動(dòng)化學(xué)會(huì)制造自動(dòng)化技術(shù)委員會(huì)主席以及 IEEE TASE 主編。

2021年末，王煜教授與學(xué)生段江嘩博士共同創(chuàng)立戴盟機(jī)器人，致力于深度融合 AI 和機(jī)器人技術(shù)，研發(fā)和生產(chǎn)真正可商用的多系列通用仿人機(jī)器人產(chǎn)品。

今年3月，戴盟機(jī)器人發(fā)布首款心靈手巧型人形機(jī)器人 Sparky 1。

Sparky 1 擁有持續(xù)自主學(xué)習(xí)的智能大腦，多自由度仿人關(guān)節(jié)，多維觸覺感知五指靈巧手，可通過(guò)外骨骼方案收集的遙操作數(shù)據(jù)進(jìn)行機(jī)器人學(xué)習(xí)，技能包括但不限于插線束接口、焊接電路板、滴試劑、熨衣服、倒酒、物體分揀、整理書架……解鎖了人形機(jī)器人在工業(yè)、研發(fā)、家庭、商業(yè)等多個(gè)場(chǎng)景的可能性。

Sparky 1 能實(shí)現(xiàn)「心靈手巧」離不開三大自研法寶：多模態(tài)集成技術(shù)、新型視觸覺傳感器和集成了視觸覺傳感器的五指靈巧手。

解決精細(xì)操作問題，成為了王煜教授與戴盟機(jī)器人的首要目標(biāo)。

以下是 AI 科技評(píng)論與王煜教授的對(duì)話，內(nèi)容經(jīng)過(guò)不改原意的編輯：

觸覺是精細(xì)操作的關(guān)鍵

AI 科技評(píng)論：您在2021年成立戴盟機(jī)器人，當(dāng)時(shí)的契機(jī)是什么呢？

王煜：最主要是為了轉(zhuǎn)化科研成果。經(jīng)過(guò)多年的研究與實(shí)踐，我深刻認(rèn)識(shí)到觸覺傳感在人形機(jī)器人領(lǐng)域的重要性。隨著人形機(jī)器人技術(shù)的不斷進(jìn)步和市場(chǎng)需求的日益增長(zhǎng)，我認(rèn)為，觸覺傳感器技術(shù)已經(jīng)成熟，具備了轉(zhuǎn)化為商業(yè)產(chǎn)品的潛力和條件。這一轉(zhuǎn)化不僅能夠推動(dòng)人形機(jī)器人技術(shù)的發(fā)展，也將為其商業(yè)落地帶來(lái)新的可能。

AI 科技評(píng)論：戴盟機(jī)器人為什么會(huì)將重點(diǎn)放在觸覺傳感器上呢？

王煜：有這樣一個(gè)視頻，一個(gè)眼睛圓圓的小女孩，視力很好，但她的皮膚卻沒有感知，當(dāng)她想從火柴盒里取出火柴并點(diǎn)火時(shí)，能看得清清楚楚的她卻需要比平常人花上多 5 倍的時(shí)間才能成功。

這個(gè)案例說(shuō)明了觸覺對(duì)精細(xì)操作的重要性，如果沒有掌握到真正的操作能力和足夠的信息，即使是看似簡(jiǎn)單的操作，如用螺絲刀擰螺絲，也難以完成，因?yàn)檫@需要真正的技能和手感。雖然 AI 和機(jī)器人技術(shù)在某些領(lǐng)域取得了進(jìn)展，但在執(zhí)行更復(fù)雜的任務(wù)時(shí)，仍然存在局限性。更精細(xì)的操作能力和真正的技能是目前技術(shù)難以實(shí)現(xiàn)的，不能光靠視覺和強(qiáng)化學(xué)習(xí)。

具體來(lái)說(shuō)，從視覺和圖像出發(fā)可以建立多個(gè) pick and place 模型，實(shí)現(xiàn)位移。但精細(xì)操作還需要手能做功，根據(jù)力的反饋?zhàn)鼍?xì)運(yùn)動(dòng)，就像工業(yè)界裝配中存在公差，比如擰螺絲時(shí)空隙較小，需要更大的力，所以需要熟練工人操作，這就是技能的問題。

戴盟想要做有精細(xì)操作能力的機(jī)器人，有了觸覺傳感和手，機(jī)器人就可以自己探索、學(xué)習(xí)、掌握技能。如果把具身智能稱為大腦，那么中腦或小腦則是大關(guān)節(jié)控制，精細(xì)操作為細(xì)小腦，也可叫「具身技能」，需要有硬件、學(xué)習(xí)方法、數(shù)據(jù)的支持。不到具身技能的層次其實(shí)無(wú)法發(fā)揮人形機(jī)器人的作用，我們不能只有pick and place，比如拖地這個(gè)操作不止是拿起拖把，還需要用力拖地。

AI 科技評(píng)論：那現(xiàn)在觸覺的探索有什么新發(fā)現(xiàn)以及有哪些技術(shù)路徑呢？

王煜：前沿科研探索發(fā)現(xiàn)，人手的神經(jīng)有三類，有一些神經(jīng)能記住手指受力變形中半秒鐘的變化，還會(huì)利用半秒以前變形的歷史指導(dǎo)下一步。這意味著部分手部操作不需要大腦控制，觸感信息的處理在手上的神經(jīng)系統(tǒng)就可以完成計(jì)算。當(dāng)然，在新的、復(fù)雜的環(huán)境，就需要大腦的參與。

靈巧手的手指需要有觸覺傳感器收集信息、進(jìn)行力反饋，還要能控制。主要是兩種思路：一是產(chǎn)生數(shù)據(jù)后學(xué)習(xí)，建立多個(gè)小模型再整合，如開蓋、擰螺絲等不同操作各有小模型；二是由數(shù)據(jù)驅(qū)動(dòng)，像人一樣學(xué)技能，類似馬斯克機(jī)器人的端到端神經(jīng)網(wǎng)絡(luò)，甚至不一定需要全面的模型。

但無(wú)論哪種方法，最基本的要求是，靈巧手的功能要做到足夠好，觸覺傳感信息充足，人手與機(jī)器人靈巧手的觸覺信息都需要采集，這也是戴盟十分重視的環(huán)節(jié)。

把靈巧手做到極致

AI 科技評(píng)論：那在「具身技能」這樣的關(guān)鍵點(diǎn)上，除了觸覺傳感器之外，您認(rèn)為還需要哪些關(guān)鍵的技術(shù)？

王煜：除了觸覺傳感技術(shù)外，靈巧手是否「夠精致」，同樣十分關(guān)鍵。如果偷工減料，技能表現(xiàn)將大打折扣。因此，追求極致的精細(xì)度至關(guān)重要，比如電機(jī)夠多夠好，盡管這可能會(huì)導(dǎo)致成本上升。

目前市場(chǎng)上較為暢銷的產(chǎn)品通常只有9個(gè)自由度，而像馬斯克所提的至少需要12-15個(gè)自由度。如果產(chǎn)品不能達(dá)到高標(biāo)準(zhǔn)，就無(wú)法滿足高技能要求，進(jìn)行有效操作。只有保證基礎(chǔ)牢固后，我們才能去探究如果精細(xì)操作出現(xiàn)問題，到底是傳感信息不足、學(xué)習(xí)方法不當(dāng)還是模型不完善。當(dāng)然，自由度低的靈巧手成本更低，肯定有特定的應(yīng)用場(chǎng)景，但無(wú)法滿足很多技能需求。

不過(guò)戴盟從一開始就致力于將手部做到極致，再根據(jù)需求降維開發(fā)不同的產(chǎn)品，即當(dāng)產(chǎn)品不需要高級(jí)技能時(shí)，我們可以降低成本，減少自由度，但需要明確的是，往下走的路很清楚，但更需要做到往上走，即當(dāng)有高級(jí)技能需求時(shí)，我們的產(chǎn)品也能滿足。

這其實(shí)和波士頓動(dòng)力的理念是相似的，他們是將腿部做到極致，賦予了機(jī)器人強(qiáng)大的能力。我們認(rèn)為，只有通過(guò)這種方式，才能充分發(fā)揮機(jī)器人的潛力，并根據(jù)市場(chǎng)需求定義產(chǎn)品，同時(shí)控制好價(jià)格。

AI 科技評(píng)論：您在之前的采訪中提到，機(jī)器人的「靈巧手」比「足」更難發(fā)展，這是為什么呢？

王煜：主要問題在于靈巧手手部操作的難度較高，與腿部操作不同，手部操作的難點(diǎn)不在于動(dòng)力學(xué)本身，而在于與物體互動(dòng)時(shí)達(dá)到一定技能水平的工作。

簡(jiǎn)單來(lái)說(shuō)，靈巧手的硬件技術(shù)尚未跟上。手的硬件比身體和腿都難做，進(jìn)程較慢，以前手指關(guān)節(jié)的驅(qū)動(dòng)系統(tǒng)使用線纜拉動(dòng)，會(huì)存在反饋時(shí)間延遲，影響操作效率。但現(xiàn)在的全電又對(duì)空間有要求，空間有限，電機(jī)得做得越來(lái)越小，優(yōu)質(zhì)的電機(jī)還很貴，每個(gè)約1萬(wàn)人民幣，想做15個(gè)自由度的靈巧手，光電機(jī)的成本就15萬(wàn)了，所以現(xiàn)在每家企業(yè)都需要有自研電機(jī)的人才。

軟件方面，靈巧手的進(jìn)展也相對(duì)落后。與已廣泛應(yīng)用于工業(yè)自動(dòng)化領(lǐng)域、通過(guò)預(yù)編程控制的夾爪或機(jī)械手不同，靈巧手的抓取模型等都不夠完善，目前還做不到將精細(xì)操作技能反映在程序中，實(shí)現(xiàn)自動(dòng)化操作。

我們這批最早研究靈巧手的人一開始認(rèn)為精細(xì)操作和技能是物理問題，只需做好模型后解決控制即可，后來(lái)發(fā)現(xiàn)涉及的因素太多，物理模型無(wú)法準(zhǔn)確覆蓋。機(jī)器人的手是硬的，人手卻是軟的，因此模型并不準(zhǔn)確，不是真實(shí)物體的模型，但如果要做真實(shí)人手的物理模型，很容易發(fā)現(xiàn)，這是做不完的。

另外，傳感技術(shù)也存在不足，手部缺乏足夠的物理信息反饋，這影響了操作的精確性。而且，如果僅依賴視覺反饋，信息量也是不夠的。因此，自 2012 年 Schunk 的 SVH 靈巧手以來(lái)，靈巧手的發(fā)展相對(duì)緩慢，盡管有了一些進(jìn)展，但整體上仍然面臨挑戰(zhàn)。

與之相比，腿部硬件的發(fā)展較為成熟，從大功率到全電動(dòng)，國(guó)內(nèi)外已經(jīng)形成了一條完整的發(fā)展路徑，成本也得到了有效控制。從全球來(lái)看，波士頓動(dòng)力表現(xiàn)最為出色，其最新的產(chǎn)品完全摒棄了機(jī)械性，轉(zhuǎn)而采用全電動(dòng)，成功解決了復(fù)雜的動(dòng)力學(xué)問題，實(shí)現(xiàn)了精確控制，甚至能夠完成翻跟頭等動(dòng)作。值得關(guān)注的是，模型預(yù)測(cè)控制（MPC）在1980年左右被開發(fā)出來(lái)在石化領(lǐng)域普及應(yīng)用，而波士頓動(dòng)力堅(jiān)持將 MPC 控制人形機(jī)器人這條路走通了，這如今成為他們的招牌技術(shù)，也給現(xiàn)在的人形機(jī)器人控制奠定了良好的基礎(chǔ)。

正在倒酒的 Sparky 1

人形機(jī)器人不能只依賴視覺模仿學(xué)習(xí)

AI 科技評(píng)論：感覺您對(duì)「大腦」的態(tài)度比較謹(jǐn)慎，那您認(rèn)為人形機(jī)器人還需要在哪些技術(shù)方向做出突破呢？

王煜：最近十年，AI 技術(shù)的發(fā)展打破了機(jī)器人傳統(tǒng)的 pick and place 模式，具備基礎(chǔ)的理解能力以及能做更智能的操作規(guī)劃?，F(xiàn)在人形機(jī)器人行業(yè)內(nèi)引領(lǐng)潮流的是 AI 大模型與視覺圖像，這種思路更重視「大腦」、與人的交互，成果也比較直觀，比如在家庭場(chǎng)景中最重要的是機(jī)器人如何理解人的需求，在人餓的時(shí)候拿來(lái)食物、甚至用微波爐加熱，但需要注意的是，具體到執(zhí)行切蘋果的操作技能，中小腦、甚至是細(xì)小腦就十分重要了。

隨著 AI 大模型的興起，通過(guò)視覺技術(shù)和模仿學(xué)習(xí)，簡(jiǎn)單的二指或三指就可以實(shí)現(xiàn)基礎(chǔ)的拖拽操作。但實(shí)際上，現(xiàn)在只能完成一些抓取杯子、倒水或洗碗的簡(jiǎn)單任務(wù)，在更復(fù)雜的工業(yè)和家庭場(chǎng)景中遠(yuǎn)遠(yuǎn)不夠。

值得關(guān)注的是，操作技能不可僅依賴基于視覺感知的模仿學(xué)習(xí)，僅依靠視覺感知不夠，需要在收集的數(shù)據(jù)中引入觸覺信息。有的技術(shù)思路是自研數(shù)據(jù)采集手套，由人帶上后采集信息，并讓機(jī)器人也帶上同樣的手套。現(xiàn)在進(jìn)展比較好的是由人帶上兩指爪，并安裝上相機(jī)假裝洗碗，然后機(jī)器人通過(guò)模仿學(xué)習(xí)在旁邊洗碗。但碗如果太重太滑，沒有及時(shí)調(diào)整，這就是沒掌握好技能。

我們需要認(rèn)識(shí)到技能的重要性和難度，盡管觸覺傳感器技術(shù)太難、成本太高、很少人做，但依舊有往這方面突破的強(qiáng)需求，因此戴盟還有市場(chǎng)空間。

AI 科技評(píng)論：在您看來(lái)，人形機(jī)器人會(huì)在哪些場(chǎng)景率先商業(yè)落地，戴盟對(duì)此有什么計(jì)劃？

王煜：主要還是工業(yè)場(chǎng)景。比如汽車裝配有大操作和小操作，雖然大操作更多，但只要有工具就會(huì)有小操作。包括半導(dǎo)體生產(chǎn)線，每個(gè)工人負(fù)責(zé)一道工序，但如果人形機(jī)器人只學(xué)一個(gè)技能、替代一個(gè)工人，實(shí)在是太浪費(fèi)了。機(jī)器人需要能適應(yīng)不同的任務(wù)，要代替至少5個(gè)工人做精細(xì)化操作才有價(jià)值。

工業(yè)場(chǎng)景對(duì)「大腦」的要求相對(duì)低些，因?yàn)樽龅氖虑楹芫唧w，甚至不需要理解，比如現(xiàn)在的工業(yè)機(jī)器人在特定場(chǎng)景下執(zhí)行固定流程的任務(wù)。難度更高的任務(wù)需要使用工具，具體執(zhí)行是做功，需要根據(jù)力和加速度信息執(zhí)行，比如抬起、安裝輪胎，就是一個(gè)突然加速到突然減速的過(guò)程。

戴盟下一步會(huì)先把觸覺靈巧手和含觸覺的上肢操作模型做好，先走入高?？蒲袉挝唬?yàn)閮r(jià)值在科研單位被認(rèn)識(shí)到就會(huì)培養(yǎng)一批有想法的人才。在工業(yè)場(chǎng)景，比如柔性物料和精密裝配的自動(dòng)化，如果戴盟的靈巧手能夠?qū)崿F(xiàn)無(wú)可替代的操作能力的話，商業(yè)價(jià)值自然會(huì)被認(rèn)可。

本文作者 anna042023 將持續(xù)關(guān)注具身智能領(lǐng)域的人事、企業(yè)、商業(yè)應(yīng)用以及行業(yè)發(fā)展趨勢(shì)，歡迎添加交流，互通有無(wú)。雷峰網(wǎng)雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。