人工智慧的進步有望為工業和家庭輔助提供自主機器人
在汽車和無人機已經在大城市中無需人工幹預進行送貨和運輸的情況下，多功能機器人在工作環境甚至家庭中提供幫助的想法變得越來越接近。然而，這一未來的實現與人工智慧的發展直接相關，而人工智慧推動了具有更大自主性的機器的發展。
這種大膽的觀點激發了研究人員的興趣，其中許多人成為了新創公司的創始人，並吸引了數十億美元的投資。馬薩諸塞州沃爾瑟姆的機器人公司波士頓動力公司的軟體副總裁馬特·馬爾查諾強調了這一轉變：“大約 15 年前，當我開始工作時，團隊的目標只是讓機器人從 A 點導航到 B 點。現在，當我們考慮自主性時，我們會考慮各種各樣的任務以及我們可以想像機器人獨立完成的事情。”
在過去，設想通用自主機器人，例如《傑森一家》中標誌性的 Rosie 或《星際大戰》中的 C-3PO，似乎是一個遙遠的現實。機器人實驗室和公司面臨導航和平衡等基本挑戰。 1979 年，實驗車輛史丹佛車 (Stanford Cart) 在有障礙物的房間裡花了 5 個小時才行駛了 20 公尺。直到1996年，第一個能夠行走而不摔倒的雙足機器人才出現。
對於馬爾查諾來說，機器人自主一直是一個“不斷移動的目標”，旨在讓機器在不需要人類直接監督的情況下執行越來越多的任務。國際標準化組織 (ISO) 將機器人技術的自主性定義為「基於當前狀態和收集的資訊執行預期任務的能力，無需人工幹預」。
Malchano 表示，人工智慧的最新進展，例如 2010 年代的密集學習和 2020 年代使用大量資料訓練的大型基準模型，已經「解鎖」了「想像一個機器人可以執行一系列活動並真正理解任務的世界」的可能性。這些進步使機器人從僅僅執行預定義命令，轉變為能夠做出複雜決策並即時識別模式的機器，這是一個關鍵的飛躍。目前，實驗室和公司正在大力研究創造能夠在更複雜和不可預測的環境中獨立操作的通用機器人。
需要強調的是，儘管此類開發投資龐大，但這些機器人不一定需要具有人形外觀。無論形式如何，它們都比數以百萬計的現有工業和服務機器人取得了重大進步，這些機器人已經在工廠和倉庫等受控環境中執行特定任務。
加州大學柏克萊分校的電腦科學家、Physical Intelligence 聯合創始人謝爾蓋·萊文 (Sergey Levine) 解釋了其中的區別：「有一條裝配線，機器人必須執行特定的動作，如果該動作能夠可靠且重複地執行，則代表工廠具有基本的自主水平。然而，下一個水平目前處於可能的前沿任務——作為一個環境成為現實的研究課程——環境化。
由人工智慧驅動的機器人新時代的過渡涉及探索創建多功能機器人的挑戰，確保這些機器的安全，了解機器人手術等領域的局限性，並預測它們何時可能真正成為家庭幫手。
現代人工智慧如何改變機器人領域
Levine 的新創公司 Physical Intelligence 尋求實用的機器人智能，使不同類型的機器人能夠在不同的環境中自主運作。萊文說：「我不認為它會成為一個終極機器人，就像一個超級先進的人形機器人一樣可以做所有事情。」他相信「通用人工智慧模型可以為許多不同的機器人提供適合其功能的動力」。
更多相關報導: 人工智慧的進步有望為工業和家庭輔助提供自主機器人
萊文解釋說，固定在天花板上的小型機械手臂可能是紐約緊湊公寓的理想選擇，而能夠移動重物的「巨大而雄偉的機器人」在農場中可能更有用。 「我們將擁有優秀的人形機器人，但也會有其他東西。任何對任務最有意義的東西都會有，」他補充道。
然而，萊文表示，開發在現實環境中具有更大獨立性的自主機器人需要「技術複雜性的根本改變」。它描述了處理複雜的環境感知、強大的運動技能、克服基本錯誤和處理人類指令的能力以及將行為推廣到新情況的需要。
物理智慧研究人員為機器人開發了一種通用人工智慧模型，可以解釋語言命令並重新組合技能來解決新任務。
Levine 解釋說，許多科學家試圖透過結合人工智慧技術（包括強化學習和大型預訓練模型）來實現這一願景。強化學習使機器人能夠透過反覆試驗來執行特定任務，無論是在與物理世界的互動還是在模擬中。同時，以大量資料訓練的基礎模型（例如視覺語言模型）提供先驗知識，以便機器人在不同情況下做出適當反應並避免錯誤。
「強化學習就像你一遍又一遍地練習網球揮桿並真正擅長，」萊文說。 “但要做到這一點，你首先需要有一點常識。”
萊文表示，這些人工智慧技術的結合，加上訓練資料的不斷增加（例如人類對機器人的遠端操作來演示任務），在使機器人能夠在不同條件下可靠地執行各種活動方面取得了「令人鼓舞」的進展。 「現代機器學習系統如何運作的關鍵是獲得足夠的臨界數據，以便我們能夠觀察泛化，」他說。
然而，仍明顯缺乏適合訓練機器人執行體力任務的數據。遠端操作（人類物理引導機器人）或在實驗室進行無數實驗測試等方法既昂貴又耗時。基於物理原理的模擬在虛擬環境中可能更具成本效益，但它們往往無法捕捉現實世界的複雜性和不確定性。
機器人科學家也在開發現實世界的模型，以便機器人可以預測其物理行為的後果並做出相應的計劃。這些人工智慧模型的一些實現是使用視覺資料進行訓練的，教導物理環境如何運作。公司甚至收集第一人稱視頻，僱用工人在做家務或其他活動時佩戴頭戴式攝影機來創建這些數據。
關注：相關新聞 人工智慧
儘管這種訓練方法比實體機器人實驗便宜，但開發現實世界模型的計算成本仍然很高，很難準確地複製複雜的物理互動。
目前，通用機器人距離現實還很遙遠。目前的訓練方法（例如強化學習）可以創造出在受控條件下有效執行特定任務的機器人，但它們在不同條件下可能無法完成相同任務。 Levine 指出，來自遠端操作和其他方法的資料種類不斷增加，使得訓練機器人執行「各種任務，但穩健性水準達不到 99.99%」成為可能。
「你可以擁有一些合理但一點也不令人驚奇的東西，或者只在一件事上非常擅長的東西，」他說。 “我們真的想要一種在各方面都非常出色的東西，而這仍然處於研究的前沿。”
應用於工作場所的機器人技術創新
幸運的是，社會不需要等待通用機器人的到來才能看到實際應用。數十年來，各公司一直致力於開發和銷售專業工業和服務機器人。如今，新創公司和老牌公司都應用機器人自主領域的最新進展來解決越來越多的任務。
另見
其中最著名的公司是波士頓動力公司，該公司於 1992 年成立於麻省理工學院的實驗室。該公司因其四足和雙足機器人的演示影片而受到廣泛認可，例如在 2026 年世界盃期間展示足球動作的人形 Atlas。
波士頓動力公司的 Spot 四足機器人多年來一直在對人類危險的地方進行自主檢查，包括國家電網運營的馬薩諸塞州換流站和加州高速公路下的地下管道。
了解更多: 人工智慧推動工廠和家庭自主機器人的新時代，但挑戰仍然存在
在實驗室測試中，波士頓動力公司的人形機器人 Atlas 展示了在供應商貨櫃和移動定序車之間自主移動馬達蓋的能力。
馬爾查諾解釋說，這種機器人自主性「涉及機器人在環境中導航並自行執行動作、拍照並使用該環境中的感測器進行測量的能力。」他補充說，該公司將這一功能納入到產品中，出售給那些不是機器人技術專家、但專注於維護和防止設施故障的人，代表了一種已經可用的自主形式。
Spot 面臨的一個具體挑戰是學習在客戶環境中濕滑的地板上移動，這需要透過強化學習進行額外的培訓。 Malchano 詳細介紹道：“我們重新訓練機器人選擇的行走方式及其識別自身處於濕滑地板上的能力，然後採取措施保持穩定，並以類似於人類在冰上行走的方式在其上導航。”
同時，配備大型機械手臂的波士頓動力拉伸機器人已被用於在DHL等物流公司的倉庫中搬運箱子和大件包裹。 「我們不斷地使機器人適應不同的包裝格式、卡車的裝載方式以及我們在與現實世界互動時遇到的卡車本身的結構，」馬爾查諾解釋道。
波士頓動力公司也加強了人形機器人 Atlas 的生產，該機器人現已全電動。 Atlas 正在 Metaplant 機器人應用中心接受培訓和測試，該中心由韓國母公司現代汽車集團管理。 Atlas 機器人的目標是到 2028 年開始在現代汽車集團 Metaplant America（位於喬治亞州的大型電動車工廠）執行任務。
馬爾查諾說：“我認為我們非常幸運能夠與現代汽車合作，現代汽車顯然在大規模生產出色的汽車。” “能夠利用這種能力來實現這種規模對於構建機器人來說非常重要。”
現代汽車和波士頓動力公司之間的聯合項目旨在到 2028 年每年生產 30,000 台人形機器人。這麼多機器人的生存能力將取決於它們在傳統人類角色中的適用性和成本效益。然而，現代汽車工人已經開始擔憂，工會在與這家韓國汽車製造商的談判中批准了可能在 6 月 25 日舉行的罷工，以保護與未來部署 Atlas 機器人相關的就業機會。這種最初的阻力凸顯了大規模整合自動化的挑戰，這可能會引發人們對工作保障的擔憂。
目前，具有接近人類靈活性和適應性的通用機器人仍然是一個遙遠的現實。 「我們期望，如果你要求一個人執行一項任務，他們幾乎每次都會透過一些訓練正確地完成任務，」馬爾查諾若有所思地說。 “我認為我們仍然了解如何實現通用、人工智慧驅動的任務的這種可靠性水平。”
從工業自動化到家庭支援的旅程
Agility Robotics 聯合創始人兼俄勒岡州立大學研究員 Jonathan Hurst 解釋說，機器人技術的未來不會像「ChatGPT 時刻」那樣展開，即透過足夠的數據，能力會突然出現。他認為，收集機器人的訓練數據並不像從互聯網上收集文字或圖像那麼簡單，因為它需要來自物理世界的更具體的信息，這些信息與機器人所有關節和四肢與環境交互的控制和協調相關。
「擁有嵌入式人工智慧要困難得多；擁有嵌入式人工智慧要困難十倍，」赫斯特說。 “對於嵌入式人工智慧來說，支援偉大語言模型的數據不存在，也永遠不會存在。”
赫斯特預測，機器人的進步將在未來幾十年內逐步發展，使它們能夠在更通用的環境和情況下運作。他的公司 Agility Robotics 已獲得第一份人形機器人長期商業合同，從 2024 年開始在喬治亞州亞特蘭大的 GXO 物流倉庫部署其 Digit 機器人。在這些倉庫中，Digit 機器人彎曲以舉升產品箱並將其從揀貨區移動到傳送帶。
此後，Agility 將其人形機器人的部署範圍擴大到加拿大豐田汽車製造公司和德國汽車製造商舍弗勒位於南卡羅來納州的工廠的汽車生產線。該公司還簽訂了一項商業協議，將在德克薩斯州聖安東尼奧的 Mercado Livre 工廠整合 Digit 機器人，並且這些機器人已在亞馬遜倉庫中進行了測試。
全部報導: 最新新聞 (TW)
6月24日，Agility宣布計畫成為第一家「專門致力於人形機器人」並在北美主要證券交易所公開交易的公司。該公司表示，其機器人在最初的商業部署和試點項目中已累積運行超過 65,000 小時。
Digit 目前的工作職責主要集中在搬運箱子和容器。然而，赫斯特表示，下一步可能是收集物品並將其放入容器中，然後處理各種形狀和尺寸的紙板箱。這最終可能為零售店和超市的倉庫中的任務打開大門，這些環境的結構性較差，而且可能比工廠或倉庫更混亂。
在更遙遠的未來，像 Digit 這樣的人形機器人可以乘坐自動駕駛汽車進行住宅送貨。最後階段將涉及直接幫助人們在家中。然而，赫斯特警告說，機器人技術還需要幾十年的時間才能創造出足夠聰明的機器，能夠在兒童周圍安全操作或幫助做家事。
「最終，自主性將意味著當有人遞給你的機器人一個嬰兒時你的機器人會如何反應，」赫斯特說。 “如果它要在人類環境中真正實現自主，你將不得不處理像這樣非常複雜的邊緣情況，以及機器人如何足夠聰明，在這些情況下做出正確的決策。”
目前，赫斯特明確表示，那些承諾人形機器人能夠在家庭中與人類一起安全運行的公司「要么是撒謊，要么是錯誤的，兩者之一」。
據觀察，Agility Robotics 開發的兩台數位人形機器人在製造工廠的一個隔離「工作單元」內運作。
