人工智能如何让自主机器人在工作场所——甚至家庭中——成为可能

# AI如何让机器人在工作场所——甚至家庭——实现自主劳动？ 来源：https://arstechnica.com/features/2026/07/robot-workers-rising-how-ai-may-drive-general-purpose-autonomy-in-robotics/ 跳至内容 (https://arstechnica.com/features/2026/07/robot-workers-rising-how-ai-may-drive-general-purpose-autonomy-in-robotics/#main) ## 寻找机器人帮手 顶尖机器人研究者和创始人解读机器人自主性的演变。 Agility 的 Digit 人形机器人已在仓库和工厂车间工作。图片来源：Agility Robotics (https://drive.google.com/drive/folders/1A6XwdhcETz40VxKG25_WD0fmgIyPegyf) 在一个无人驾驶的出租车穿梭于主要城市街道、送货无人机自主飞越天空将订单送到客户家中的世界里，通用型机器人帮助人类在工作场所甚至家庭中完成各种任务的想法似乎并不遥远。 但这一未来取决于开发由现代人工智能驱动的、日益自主的机器人——这是一个雄心勃勃的愿景，激励了许多研究者成为初创公司创始人，同时也吸引了数十亿美元的投资。 “大约15年前我开始工作时，领导了一个专注于自主性的项目团队，但在那个时代，团队的目标只是让机器人从A点导航到B点，”位于马萨诸塞州沃尔瑟姆的机器人公司 Boston Dynamics 的软件副总裁 Matt Malchano (https://www.linkedin.com/in/mattmalchano/) 说道。“而现在，当我们谈到自主性时，我们想到的是一个广阔的任务空间，以及我们可以想象机器人独立完成的种种事情。” 过去很难想象出一条创建通用型自主机器人的实际路径，比如《杰森一家》中的家政机器人 Rosie，或者《星球大战》中的各种机器人如 C-3PO，尤其是在机器人实验室和公司还在努力解决自主导航问题，甚至对于行走机器人而言的自平衡问题的时候。1979年，名为 Stanford Cart (https://news.stanford.edu/stories/2019/01/stanfords-robotics-legacy) 的实验性自动驾驶车辆需要五个小时才能成功通过一个布满障碍物的房间移动20米。第一个能够自主行走而不失去平衡的双足机器人 (https://spectrum.ieee.org/honda-p2-robot-ieee-milestone) 直到1996年才被开发出来。 但机器人自主性一直是一个“移动靶”，其目标是达到这样一个点：机器人可以完成人类已经能做的越来越多的事情，理想情况下无需直接的人类监督，Malchano 告诉 Ars。国际标准化组织将机器人自主性定义 (https://www.iso.org/obp/ui/#iso:std:iso:8373:ed-3:v1:en) 为“基于当前状态和感知执行预期任务的能力，无需人类干预”。 近年来 AI 的进步——例如2010年代的强化学习和2020年代基于海量数据训练的大型基础模型——已经“解锁”了“想象一个机器人能够执行一系列活动并真正理解任务的世界的能力，这非常令人兴奋，”Malchano 说。现在，多个研究实验室和公司正在竞相开发通用型机器人，这些机器人能够在更复杂、不可预测的环境中独立处理各种各样的任务。 这类机器人不一定会在外观和功能上与人形相同，尽管大量投资者资金正在涌入人形机器人 (https://arstechnica.com/ai/2026/06/the-skeptics-guide-to-humanoid-robots-going-viral-on-the-internet/)。但无论其形态如何，它们都可能代表着超越已经在工厂和仓库相对受控环境中执行特定任务的数百万工业机器人 (https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years) 和服务机器人 (https://ifr.org/ifr-press-releases/news/service-robots-see-global-growth-boom) 的重要一步。 “有一条装配线，机器人应该执行特定的动作，如果它能够可靠且重复地完成那个动作，那就是工厂级别的基本自主性，”加州大学伯克利分校的计算机科学家、AI 和机器人公司 Physical Intelligence (https://www.pi.website/) 的联合创始人 Sergey Levine (https://people.eecs.berkeley.edu/~svlevine/) 说道。“但下一个级别，也就是目前处于可能性的边缘——像一个正在进入现实世界的研究课题——是机器人能够在非结构化环境中可靠地完成一件事情。” Ars 采访了机器人研究者和创始人，了解 AI 如何极大推动了机器人学的兴趣、制造通用型机器人的挑战、安全如何成为机器人工作者的成败关键、为什么手术机器人仍具有有限的自主性，以及何时能期待机器人助手进入人们的家中。 ## 现代 AI 对机器人学的影响 Levine 的初创公司名为 Physical Intelligence，正致力于实现实用的机器人智能，使许多不同类型的机器人能在开放世界环境中自主运行。“我不认为它会是一个终极机器人，比如一个能做所有事情的超高级人形机器人，”Levine 告诉 Ars。“我认为它将是一个通用的 AI 模型，可以为许多适合其工作的不同机器人提供动力。” 例如，一个悬挂在天花板上的小型机械臂可能更适合纽约市的小公寓，而一个能搬运重物的“庞大巨型机器人”在农场上可能更实用，Levine 建议。“我确信我们也会有好的类人机器人，但也会有其他东西，”他说。“将会有最适合工作的任何形态。” 但是，开发能够在开放世界中更独立运行的自主机器人涉及“技术复杂性的阶跃式变化”，Levine 说。他描述这类机器人需要处理复杂的环境感知，需要强大的运动技能，以及克服基本错误和处理人类指令的能力。此外，这类机器人还需要学会泛化其行为以应对新情况。 Physical Intelligence 公司的研究人员开发了一种通用的机器人 AI 模型，该模型遵循语言指令并重新组合技能以解决新任务。(https://cdn.arstechnica.net/wp-content/uploads/2026/07/Screenshot-2026-07-01-at-10.48.26-AM.png) Physical Intelligence 公司的研究人员开发了一种通用的机器人 AI 模型，该模型遵循语言指令并重新组合技能以解决新任务。 Physical Intelligence 公司的研究人员开发了一种通用的机器人 AI 模型，该模型遵循语言指令并重新组合技能以解决新任务。图片来源：Physical Intelligence (https://www.pi.website/blog/pi07) 许多研究人员正试图通过结合强化学习和大规模预训练模型等 AI 技术来实现这一目标，Levine 说。强化学习涉及通过试错训练机器人执行特定任务，无论是使用物理机器人与现实世界交互，还是使用计算机模拟。同时，在海量数据上预训练的基础模型——例如在图像和文本上训练的语言-视觉模型——可以提供一些基本的先验世界知识，帮助机器人更恰当地反应，避免在各种情况下出现不必要的错误。 “强化学习就像你反复练习网球挥拍很多次之后，就能打得很好，”Levine 解释道。“但要达到那一步，你首先需要有一种基本常识才能开始。” 这种 AI 技术的组合以及可访问训练数据的逐步扩展——例如人类通过远程操作机器人来展示如何执行特定任务——使得在训练机器人在各种条件下可靠地执行许多不同任务方面取得了“令人鼓舞的”进展，Levine 说。“现代机器学习系统工作的关键是获得足够临界质量的数据，以便我们观察到泛化能力，”他说。 但在收集足够多的正确数据来训练机器人执行物理任务方面，仍然存在一个公认的数据缺口。成本更高、更耗时的方法包括人类穿戴远程操作系统直接引导机器人的物理运动，或者在实验室或其他环境中用机器人进行大量实验性试验。手动编写的基于物理的模拟可以帮助在虚拟环境中更便宜地训练机器人，但可能无法捕捉到许多现实世界的复杂性和不确定性。 机器人研究人员也在开发世界模型，帮助机器人预测其动作在物理世界中的后果，并据此进行规划。一些此类 AI 模型的实现主要基于视觉数据进行训练，以学习物理环境如何运作，有些公司甚至通过雇佣零工工人佩戴头戴式摄像头 (https://arstechnica.com/ai/2026/05/robot-training-startup-will-send-humans-wearing-cameras-to-clean-your-home/) 收集家务或其他任务的第一人称视频作为训练数据。 这种训练机器人的方法比运行现实世界机器人实验更便宜，但世界模型的开发在计算上仍然昂贵，并且可能难以准确复制现实世界的物理交互。 目前，通用型机器人仍然在地平线上。当前的训练方法，如强化学习，可以产生那些在非常特定条件下持续执行特定任务非常出色的机器人——但在不同条件下执行相同任务时可能会出错。与此同时，来自远程操作和其他方法的日益多样化的数据可以训练机器人学习“多样化的任务，但达不到99.99%的鲁棒性水平，”Levine 说。 “你可以选择一种在所有事情上还算不错但不出色的东西，或者一种在单一事情上极其出色的东西，”他说。“我们真正想要的是在所有事情上都极其出色的东西，而这仍然处于研究的前沿。” ## 在工作中学习 幸运的是，世界无需等待通用型机器人能力的开发就能找到机器人的实际用途。许多公司几十年来一直在开发和销售专门的工业和服务机器人——而新初创公司和更成熟的机器人公司已经在应用最新的机器人自主性水平来处理越来越多的任务。 最知名的竞争者之一是 Boston Dynamics，它最初于1992年从麻省理工学院的一个实验室分拆出来。这家机器人公司以四足和双足机器人的病毒式视频演示而闻名，最近的例子包括其 Atlas 人形机器人在2026年世界杯期间学习各种足球动作 (https://www.youtube.com/watch?v=mCcv90sUNbY)。 但几年来，Boston Dynamics 的四足机器人 Spot 一直在对人类更危险的设施进行自主检查，包括马萨诸塞州的变电站转换站 (https://bostondynamics.com/case-studies/spot-becomes-part-of-the-team-at-national-grid/)，由电力和天然气公用事业公司 National Grid 运营，以及加州高速公路下方的涵洞管道 (https://bostondynamics.com/case-studies/spot-inspects-confined-spaces-for-caltrans/)。 一台 Boston Dynamics 的 Atlas 人形机器人在实验室实验中自主地将发动机罩从供应商容器移动到移动排序推车上。(https://cdn.arstechnica.net/wp-content/uploads/2026/07/Screenshot-2026-07-01-at-10.45.05-AM.png) 一台 Boston Dynamics 的 Atlas 人形机器人在实验室实验中自主地将发动机罩从供应商容器移动到移动排序推车上。 一台 Boston Dynamics 的 Atlas 人形机器人在实验室实验中自主地将发动机罩从供应商容器移动到移动排序推车上。图片来源：Boston Dynamics (https://bostondynamics.com/video/atlas-goes-hands-on/) 这种机器人自主性“实际上是关于机器人在环境中导航并自行执行动作、拍摄该环境的照片和传感器测量的能力，”Malchano 说。“这是一种我们已经打包成产品并出售的能力，供那些不是机器人专家而是专注于让工厂运行良好且不出现故障的人使用——这是一种今天已经可用的自主性形式。” Spot 面临的一个特定挑战是在客户设施的滑溜地面上行走，这需要通过强化学习进行额外的训练。“我们重新训练了机器人如何选择行走方式及其识别自己在滑溜地面上的能力，然后采取措施保持稳定，并以类似于人类在冰上行走的方式导航穿过，”Malchano 解释道。 同时，该公司带有大型机械臂的轮式 Stretch 机器人一直在物流公司（如 DHL (https://bostondynamics.com/news/dhl-signs-mou-for-additional-1000-robot-deployment/)）运营的仓库中处理大型箱子和包裹。“我们不断调整它以适应不同形式的包裹、卡车装载方式以及我们通过与现实世界交互遇到的卡车结构本身，”Malchano 告诉 Ars。 Boston Dynamics 目前还在加大全电动 Atlas 人形机器人的生产。这个人形机器人正在其韩国母公司 Hyundai Motor Group (https://arstechnica.com/ai/2026/06/south-korea-to-spend-1t-on-more-memory-chip-production-and-humanoid-robots/) 运营的 Robot Metaplant Application Center (https://www.hyundaimotorgroup.com/en/story/hyundai-motor-group-ai-robotics-ces-2026) 进行训练和测试。目标是在2028年之前，让经过训练的 Atlas 机器人在位于佐治亚州埃拉贝尔的大型电动汽车工厂 Hyundai Motor Group Metaplant America 执行任务。 “我认为我们很幸运能与 Hyundai 关联，它显然大规模生产出色的汽车，”Malchano 说。“能够利用这种能力实现规模化对于制造机器人非常重要。” Hyundai 和 Boston Dynamics 的目标是到2028年具备年产3万名工人形机器人的能力。世界能否为这么多的人形机器人找到用途，取决于它们在传统人类工作场所中的实用性和成本效益。也有迹象表明 Hyundai 的人类劳动力存在抵触情绪 (https://arstechnica.com/ai/2026/06/south-korea-to-spend-1t-on-more-memory-chip-production-and-humanoid-robots/) ——Hyundai 汽车工会于6月25日批准了潜在的罢工，因为该工会正在与这家韩国汽车制造商就与即将部署的 Atlas 机器人相关的就业保护问题进行谈判。 但目前，达到人类灵活性和适应性水平的通用型机器人仍然需要多年才能实现。“我们已经习惯于认为，如果你让一个人做一项任务，经过一些训练后，他们几乎总是能正确完成，”Malchano 说。“我认为我们仍在理解要达到通用型 AI 驱动任务的这种可靠性水平需要什么。” ## 从仓库到家庭的路线图 机器人技术的未来进展可能不会像一个“ChatGPT 时刻”那样，机器人通过足够的数据训练突然变得有能力，Agility Robotics 联合创始人、俄勒冈州立大学的机器人研究者 Jonathan Hurst (http://engineering.oregonstate.edu/people/jonathan-hurst) 说道。