机器人技术困难的原因

# 机器人技术为何如此艰难的15个理由 来源：https://secondthoughts.ai/p/14-reasons-robotics-is-hard 人工智能的发展正在加速推进，但几乎所有可见的进步都发生在知识工作领域，即能够在计算机内进行的活动。 在旧金山的AI圈子里，人们普遍认为机器人很快将加入这场竞赛。在开发通用人工智能的激烈角逐中，同样一场火热的竞赛也在展开——开发具备物理智能的通用机器人，即能够烹饪、清洁、搬运物品……以及完成其他一切任务，包括制造更多同类机器人的智能人工劳动力。在许多预测中，这将带来被形容为“爆发式”的经济增长。 换句话说，这种观点认为，数据中心中的人工智能很快将接管所有脑力劳动，而人形机器人中的人工智能则将接管所有体力劳动。然而，这里存在一个重要区别：虽然我们能在智力领域看到进步，但物理层面的人工智能大多局限于测试设施和演示视频中。目前还没有相当于ChatGPT的机器人版本——没有任何东西是你我，甚至是AI社区中大多数人能够实际接触和使用的。 所以我们只能依赖演示视频。不幸的是，这些视频是评估进展的糟糕工具。我们看到的可能是100次尝试中唯一成功的一次。场景可能经过精心安排以避开机器人尚未准备好的挑战。视频可能被剪辑过，让机器人看起来比实际情况运行得更快、更可靠。这是一个非常令人印象深刻的演示（https://x.com/deanwball/status/2052282028775637307）……但有着可疑的大量镜头切换。 （我还没有太多机会观看最近的**世界人形机器人运动会**（https://www.nature.com/articles/d41586-026-02713-z）的视频。这些比赛为公众提供了一个不易被刻意筛选的宝贵平台。我看过的少数几个视频包含了一些令人印象深刻的壮举，但并未涉及我下面列出的许多挑战……同时也有大量惊人的失败。） 演示视频将注意力集中在机器人已经能做的事情上。那么问题就变成了：还缺少什么？在今天的文章中，我将梳理通往通用人工劳动力道路上必须克服的技术挑战。下次当你看到机器人完成某项令人印象深刻的任务时，问问自己：机器人展示了这些能力中的哪一项？而演示场景可能回避了哪些挑战？ （请注意，如果我们考虑轮式机器人而非严格的人形机器人，某些挑战会变得更容易。轮式机器人可以承载更重的重量，这意味着力量、耐力和电子设备的供电就不那么成问题了。而且轮式机器人不太容易摔倒。但它们无法爬楼梯¹（https://secondthoughts.ai/p/14-reasons-robotics-is-hard#footnote-1）、跨过杂物，或调整自身角度伸入橱柜取物。） [](https://substackcdn.com/image/fetch/$s_!a_WN!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F4c0680d9-3fe6-4a85-a7cd-5490644f8030_1206x768.png) 也许人类最后的职业之一会是近景魔术。 人手是一个工程奇迹——可对拇指等等。它有大约二十四个“自由度”（不同的关节和/或每个关节可以弯曲的方向），以及大约17,000个触觉传感器。我们的大脑能够以极其优雅的方式控制我们的手，运用触觉、视觉甚至听觉线索来精确可靠地执行各种精细任务。 目前的机器人“操作器”只是拙劣的模仿。一些现有的机器手可以在某一个物理属性上达到人类标准。例如，有些机器手拥有多达27个自由度。然而，没有一个能接近在灵活性、敏感度、力量、可靠性以及其他物理属性的整体组合上达到人类水平。**这种多因素的结合**（https://itcanthink.substack.com/p/robot-hands-are-getting-better#:~:text=for%20the%20first%20time%2C%20there%20really%20appear%20to%20be%20roughly%20human%20equivalent%20hands%2C%20in%20terms%20of%20dexterity%20and%20sensing%20if%20not%20manufacturability%2C%20strength%2C%20and%20robustness.）尤其难以匹配（https://x.com/ErenChenAI/status/2078942723864920533），即使演示正变得越来越令人印象深刻（https://x.com/BerntBornich/status/2075253825494237660）。例如，一些公司已经设法将数千个触觉传感器塞进一个机器指尖，但还没有人能让这些微小传感器承受重度使用²（https://secondthoughts.ai/p/14-reasons-robotics-is-hard#footnote-2）。 控制问题可能和物理结构问题一样具有挑战性。一个能力合格的机器人必须能够找到一组合适的关节位置来抓取一个复杂的物体；规划出动作序列来折叠衬衫、翻煎蛋或在受限空间里拧紧螺栓；并且能够处理柔软或易变形的材料（这可能需要对突然的变化做出即时反应）。 [](https://substackcdn.com/image/fetch/$s_!_OpK!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F061598da-b480-418d-8039-9cb145d1acd4_1366x764.png) 计算机视觉在过去一二十年里取得了惊人的进步（并且是引发导致LLM出现的深度学习热潮的关键）。但是，理解复杂的视觉场景——从拥挤的环境中识别出一个物体，理解应该抓取它的哪个位置，确定脚下何处安全以及如何避免撞倒东西——并非一个已解决的问题。 通用机器人必须能够将任务分解为各个步骤，并将这些步骤与其所处环境关联起来。你如何操纵手臂将螺丝刀伸进一件机器内部？清理出一条通向货架后方香料瓶的最快方法是什么？你应该如何按顺序拾取客厅地板上的物品？ 真正的自主性将需要规划更大规模和更复杂的任务：做一顿饭、安装浴室管道、修理一台发动机。更不用说在遇到意外时**重新**规划的需求——一个卡住的螺栓、一块腐烂的农产品、一个冲进厨房的孩子。 当当前的AI在知识工作任务中失败时，通常是因为没有提供足够的上下文信息。机器人也需要上下文：物资存放在哪里？你喜欢的食物怎么做？那位养老院的住户需要多少帮助？他/她步态中的那种蹒跚是正常的，还是即将跌倒的征兆？ 一旦拥有了上下文，机器人就需要进行推理、规划，并运用判断力和常识。像ChatGPT和Claude这样基于LLM的系统在这些领域取得了巨大进步，但物理领域带来了额外的挑战³（https://secondthoughts.ai/p/14-reasons-robotics-is-hard#footnote-3）。LLM的成功在很大程度上得益于可用于训练的海量现有数据——人类有史以来所有书籍的相当一部分、网络以及其他海量现有数据池。要匹配这种用于物理任务的数据的广度和深度规模将会非常困难。没有直接的等效物来“仅仅”获取所有物理世界的交互数据。高效学习、泛化和适应能力/在职学习似乎是必需的。 [](https://substackcdn.com/image/fetch/$s_!xSkV!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fb93dc548-86f7-4e5b-b952-d055519a6aba_2048x1127.png) AI代理大多在孤立和静态的环境中运行。我们很少将它们置于事情在它们脚下发生变化的情境中，或者要求它们进行协调。当我们这样做时，事情往往会**失控**（https://theaidigest.org/village/goal/design-run-write-up-human-subjects-experiment）。在虚拟世界中更容易实现隔离，因为可以随意创建工作空间，而且没有什么东西重到无法独自搬动。机器人常常需要与人，或者彼此之间进行合作。 [](https://substackcdn.com/image/fetch/$s_!wGcK!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fb276255c-dc3e-45dd-a0ae-2ec0023781c0_1316x776.png) 摘自一篇（https://www.cnet.com/home/smart-home/i-watched-a-robot-slowly-and-inefficiently-load-laundry-at-ces/）文章，其中指出“H1用了近整整两分钟才非常缓慢地移动到沙发，捡起一件衣服放进洗衣机”。 如今的通用机器人通常比人类移动慢得多。挑战包括力量、控制（更高的速度意味着规划和反应的时间更少）和安全性（快速移动的机器人撞击力更强，也更难躲避）。 对于某些应用来说，缓慢而稳定可能完全可以接受：我不在乎我的家用机器人是否花一整夜来整理和折叠衣物。但一个慢动作的机器人作为厨师或养老院护工不会有太大用处。在仓库里它可能会碍事。而且它将更难完成足够多的工作来收回自身成本。 [](https://substackcdn.com/image/fetch/$s_!ntoo!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fef2779c9-8cf8-46c4-86d7-a9c8d7a92ca0_1024x683.png)那个……对于一个完全成型的机器人来说，这个重量实在不算惊人。 一些工业机器人极其强壮。但人形机器人——或其他高度机动化的“通用”机器人——通常并非如此。将力量与可控的重量、大量的关节和灵活的结构结合起来是很困难的。强大的电机会产生更多热量并更快地耗尽电池——这两个领域机器人本就挣扎（见下文）。而且一个强壮、沉重的机器人会带来更大的安全挑战。 [](https://substackcdn.com/image/fetch/$s_!p95z!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fb0cfd56b-d9d3-4e61-bd7c-68589f0ea5a9_1280x720.png)ED-209或许有自动炮和火箭发射器，但它不是楼梯的对手。 关于通用机器人的适当形态，尤其是其下半身的设计，目前尚无定论。它们应该用轮子还是腿？两条腿，四条，还是其他数量？轮子更便宜、更稳定、更可靠；腿更利于跨越障碍物和爬楼梯。双足结构更灵活，但也更容易在出现问题时摔倒。无论如何，问题是：机器人能否可靠地在其工作环境中移动？ [](https://substackcdn.com/image/fetch/$s_!NbKB!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F4309e4c9-3d6e-407d-8da8-152b7c219c60_1610x1250.png)遗憾的是，是的，那是一个机器人用空手道踢了一个孩子的肚子（视频（https://www.youtube.com/watch?v=-k844IqOsp0））。幸好孩子没事。 通用机器人的安全考虑几乎是无限的。一个有故障或失灵的机器人可能会撞到人、倒向他们、把东西掉在他们身上、把东西泼在他们身上、打碎玻璃或引发火灾。 基于LLM的代理的安全性部分依赖于对离散动作的审查，例如尝试发送电子邮件或删除文件。机器人持续移动，因此很难挑出几个特定的危险动作作为需要审查的对象。 如果一辆自动驾驶汽车遇到无法处理的情况或出现故障，它可以靠边停车，或者在最坏的情况下，直接刹车。一个突然冻结的通用机器人可能会把东西留在炉子上、在行走中倒下，或者绊倒它正在协助的人。 当然，危险也可能由人类行为引发，例如一个孩子突然冲到机器人面前。我宁愿我的孩子被一个柔软的人撞到，而不是一个金属机器人；而且就目前情况而言，我宁愿依靠人类的反应能力和适应性来避免被这个小淘气绊倒。 （机器人越强壮、越重、能力越强，风险就越大。） 今天的双足机器人通常可以运行几个小时然后再充电。我怀疑这不会是一个限制因素：如果需要变通方案，我们会找到一个，无论是更换电池组、嵌入式充电网格，还是通过电缆连接到附近带轮子的大电池⁴（https://secondthoughts.ai/p/14-reasons-robotics-is-hard#footnote-4）。 然而，我惊讶地得知，**过热是持续运行的一个严峻挑战**（https://newsletter.semianalysis.com/p/chinas-unitree-will-dominate-global#:~:text=A%20Unitree%20G1%20typically%20runs%20a%20similar%20task%20for%2010%2D15%20minutes%2C%20while%20needing%205%2D10%20to%20cool%20down）。一个与人大小相仿的机器人产生的热量大约是人类的两倍，而且机器人没有像人体那样优雅的机制（全身循环和排汗）来分配和散发这些热量。 然后是可靠性的问题。机器人有大量的运动部件，其中许多必然是精密的，因为它们的设计目标是在尺寸、重量和性能上突破极限。因此，目前尝试制造的通用人形机器人**经常发生故障**（https://blog.robozaps.com/b/challenges-in-humanoid-robotics）。（对比人体，它不断从磨损中恢复，并具有相当强的自我修复和补偿小故障的能力。） [](https://substackcdn.com/image/fetch/$s_!6FzQ!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F72204a3d-4f50-4744-bff4-c12d77d3fa96_2048x843.png)Waymo不知怎么忘了教他们的车不要驶入淹水的十字路口？ Waymo在处理边缘情况时举步维艰。最近观察到它们**驶入淹水的道路**（https://www.nytimes.com/2026/05/22/us/waymo-taxi-suspended-atlanta.html?unlocked_article_code=1.xFA.j1L_.UCPkIKcQKUkk&smid=url-share）或**驶过燃烧的烟花**（https://www.foxnews.com/us/terrified-passengers-film-waymo-autonomous-vehicle-driving-into-live-fireworks-san-francisco）。尽管自动驾驶汽车已经开发了二十多年，特别是Waymo汽车已经**行驶了超过2.2亿英里**（https://waymo.com/blog/shorts/safetydata-june26）——是普通美国人一生驾驶里程的250倍。 （对于烟花那件事，我愿意给它们一些宽容；250周年纪念可不是经常有的。但我很困惑，Waymo的工程技术如何能够如此稳健，从而产生**惊人的良好安全记录**（https://secondthoughts.ai/p/autonomous-vehicles-will-save-lives），却又如此草率地乐于驶入深水中。 对于所有在驾驶过程中出现的奇怪边缘情况——经典的例子是一个**被坐在轮椅上挥舞扫帚的女士追赶的鸭子**（https://www.youtube.com/watch?v=weXDUc5Osto）——在家庭和企业中运行的机器人将遇到更多。它们将面临更广泛的任务，使用更广泛的设备（不同的工具；抓取这些工具的不同机器人身体），在更广泛的环境中。在受控的工厂车间环境之外实现可靠运行，可能是所有挑战中最难的一个。 灵巧性、协调性、视觉理解、规划、反应、理解、合作——并快速、安全、可靠地完成所有这些——将需要大量的计算能力。整合最新的...