
OpenAI 在 9 月发布 Astra 模型后,用户很快发现它擅长理解物理世界相关任务。英伟达机器人业务负责人迪普・塔拉对其表现印象深刻,他在接受 The Information 采访时表示,Astra 是打造可处理多样化作业机器人的一项突破。
塔拉在最新一期《AI Deep Dive》节目中称,借助 Astra,用于训练机器人 AI 模型的部分数据生成速度提升了 100 倍,还可以助力工厂机器人落地流程自动化。(本期完整访谈录制于黄仁勋卸任英伟达 CEO 之前)
塔拉说:“Astra 时刻已经到来,智能体现在基本可以调用所有可用的物理 AI 工具,无论是仿真还是模型训练。” 因此,打造实用机器人的进展,和一年前相比,“完全是坐上了另一艘火箭”。
Astra 在物理任务上有不少亮眼表现:它可以用工程软件对机械零件建模;在控制机械臂时,性能优于部分专用机器人 AI 模型。甚至有人给搭载 Astra 的机器人画布和画笔,模型画出了金门大桥的风景。
长期以来,机器人研究者依靠计算机仿真来训练机器人 AI,但该方式存在瓶颈:搭建机器人交互对象、工作环境的仿真版本耗时很久,有时要数月。塔拉预测,得益于 Astra 可以自动化这一流程,未来 6–12 个月在仿真环境中训练、落地的新一代机器人 AI 模型,精度会远超当前主流模型。
运行这类仿真需要英伟达设计的 AI 芯片,这类芯片同样用于模型训练、以及机器人端的模型推理。
塔拉还谈到机器人的三层思考速度、为什么他认为未来 1–3 年会迎来 “机器人领域的 ChatGPT 时刻”,以及人形机器人在制造业中的定位。
以下为访谈文字稿,为便于阅读做了轻微编辑:
Drew:欢迎回到 The Information 的《AI Deep Dive》。这个节目我们深挖 AI 最难的技术问题。我是主持人 Rocket Drew。今天嘉宾是迪普・塔拉。迪普是英伟达机器人与边缘 AI 副总裁。迪普,欢迎做客节目。 Talla:Rocket,你好。 Drew:我挺好的,你呢? Talla:很不错,谢谢。 Drew:我很期待这次对话。机器人领域最近变化很多,物理 AI 是当下热门话题。很高兴能和你聊聊这个。 Talla:是啊,我也很期待。
Drew:先说一件刚发生的事,英伟达在柏林举办了 GTC 大会,你也到场了对吧? Talla:没错。 Drew:柏林大会怎么样? Talla:非常棒。人类长期以来一直在攻克机器人、物理 AI 这类难题。自动化已经存在 50 多年,但技术直到最近才抵达临界点。 这次德国之行很让人振奋,到场的有大量德国企业,还有欧洲其他地区的公司。很多落地案例面向中小制造企业。欧洲、德国的隐形冠军企业,大多是做精密加工、高度专业化的小批量业务。 过去机器人技术还达不到自主部署的要求。这类中小企业订单特点是多品种、小批量,很难给机器人写固定程序适配这种环境。它们需要真正自主的能力,而现在技术逐步成熟,可以解决这类问题。 感觉全欧洲的初创团队、研究者、开发者、大企业的从业者都齐聚柏林,现场氛围特别热烈。
Drew:你说的自主部署,是指集成环节本身也要自动化,才能实现自动化落地吗? Talla:是的,分两块。第一,完成任务的智能本身要足够强:精度达标、稳定可靠、每次执行一致,同时安全、具备经济性。 我们还没有打造出能够理解物理世界、环境的通用大脑,也就是数字世界里 2022 年 11 月 ChatGPT 那样的拐点。全球顶尖研究者、开发者、实验室都在攻关,目标就是让物理 AI 大脑足够精准。这是第一步。 就算造出这个大脑,还需要把它部署到具体机器人本体、接入现有工作流,这个集成环节同样复杂。机器人没法全部预编程,它们要和不同能力的其他机器人、数字 AI 协同,还要和人配合。集成工作很难标准化,大多需要定制化。 直到大概一个月前,Astra 时刻到来,这个卡点才出现转机。智能体现在可以调用全部物理 AI 工具:仿真、训练、运行部署,并且迭代验证成熟的机器人大脑能否接入现有工作流。 两方面的进展缺一不可:一是通用大脑精准、可靠、安全;二是能够把大脑集成进现有工作流程。
Drew:这种集成工作的重要性,欧洲传统制造业的从业者感受很深。反观加州西海岸,硅谷有一种 AI 万能论,觉得 AI 就是全部,是问题的唯一核心。机器人领域的研究者可以从欧洲传统制造企业身上学到什么? Talla:我倒不觉得硅谷是自大。核心还是这个难题分为两部分。 通用精度问题还没有彻底解决,所以我们之前根本不需要大规模去解决集成问题。集成本质上是把智能规模化落地。好在智能体 AI 浪潮今年 2 月在数字世界爆发,进展极快。 Astra 发布的时候我们很惊喜。训练机器人大脑需要大量数据采集。物理世界对精度要求远高于数字世界。 我们过去要采集大量真实世界数据,但仅仅靠真实数据不够。合成数据是很自然的思路,但合成数据的痛点是:要艺术家或者 CAD 建模,才能生成物体、场景精准的三维模型。 即便 AI 已经进步,搭建这类场景和资产依旧极度耗时,经常要数月。哪怕用生成式 AI 做环境数字孪生,也要很久。 而 Astra 这类在物理世界数据上训练出来的智能体不一样:它懂物理规律,理解时空关系,也就是时空关联性。 它可以自主分析物体属性;从网上调取 CAD 文件,或者仅凭图片、视频 —— 不需要完整高精度三维扫描 —— 就能重建场景。 这就意味着,过去要花数月生成合成资产与仿真环境,现在速度直接提升 100 倍。我们可以用这套智能体能力生成高质量数据,更快训练模型、加速收敛、提升智能水平。这是第一点。 第二点同样重要:如果你有一个性能够用的大脑,想要落地到工厂。工厂里很多设备的 PLC 控制器可能已经二三十年了,用专属编程语言控制;如果涉及供应链,还需要对接 ERP 系统,有时还要联动楼宇管理系统等等。 谁来写这些粘合代码?这类粘合代码枯燥,懂的人不多,手册散落各处。但交给智能体,它阅读全部手册、理解逻辑、自动写出粘合代码,这又是一个 100 倍的提升。 所以,在打造智能之前的前置准备、以及训练完成之后的部署环节,效率都提升了 100 倍。我们打造实用物理 AI 智能的速度,和一年前相比,完全是上了一个新台阶。
Drew:这两个例子很好,大模型正在以意想不到的方式打通落地瓶颈。很多人未必意识到,Astra 这类模型生成仿真可用资产的价值。为什么 Astra 突然擅长 CAD、Blender 和物理理解? Talla:过去三到五年,我们优先攻克语言;之后加入视频、各类传感器。 而这只是下一个演进阶段。物理 AI 本身就是最大的机会。语言能力成熟、视频能力成熟之后,下一步就是融合所有模态,解决时空问题。 我认为 OpenAI 是专门针对这类刚需任务做训练,不是偶然。
Drew:也就是说,这是主动选择:OpenAI 判断时机成熟,专门瞄准物理能力,甚至采购大量强化学习环境来训练 CAD 能力,定向攻坚这个方向。 Talla:我没有直接问他们,但我猜测不是偶然,这个问题本身就值得攻坚。
Drew:我也这么猜。生成仿真资产、自动写粘合代码都是强力加速期。但我想问:这真的是最难的环节吗?就算大模型自动化这套流程,还有别的阻碍? 举个例子:说服工厂 IT 人员同意机器人接入 Wi-Fi,这是人的问题,大模型未必能解决。 Talla:你说得对。想要大规模落地,我们还需要多个数量级的性能提升。 数字世界里,90%、95% 准确率已经很不错,消费场景大多有人兜底,人来处理剩下 5–10% 的异常。 物理世界不一样,我们追求的不是 95%,而是 99. 后面多个 9 的超高精度。绝大多数场景没有人工兜底。 现在哪怕已经做到 99%,提升到 99.99% 固然亮眼,但最终目标可能是 99.9999% 甚至更高。我们需要一轮又一轮阶跃式提升。 所以智能体解决资产生成、部署集成,是正确方向上必要的一步,但远远不够。 最后还是要有人做判断,决定什么是正确的行为。好在制造业、物流场景里很多规则是明确的,来自安全、效率等底层原则。 Drew:还有官僚流程。 Talla:可以这么理解。很多规则背后是过往场景沉淀下来的必要性,不是凭空设置的。而且这些规则大多有文档、可以被编码,意味着大模型可以读懂、遵循,生成严格执行规则的软件;同时始终保留人工复核,保证执行符合预期。
Drew:我理解优先要解决可靠性,才能谈规模化落地。但就算大模型读懂所有文档,也不等于企业愿意投入、拿到正向回报,让工厂管理者满意,让一线工人愿意和机器人共事。这些都是很难的问题。 你怎么看五年之后工厂的落地速度?从无机器人到自动化一条大工序,会有多快? Talla:先说一个原则:系统优先在仿真环境开发测试,而不是直接上真实工厂。真实环境慢、有风险、成本高;方案出错,损失很大。 Drew:机器人损坏、设备受损。 Talla:没错。所以优先在仿真里验证。仿真这个思路并不新。拿英伟达自己举例:芯片行业用仿真、验证已经三十多年。只有仿真验证完全通过,我们才会把设计交给台积电等晶圆厂流片,流片回来基本可以正常工作。 这套思路同样适用于物理 AI 和机器人。英伟达在这个方向已经投入 15 年,和全球伙伴合作。依托 AI,我们的仿真工具链已经成熟:Isaac Lab 用来策略评估、强化学习;Isaac Sim 搭建虚拟环境。 我们可以在仿真里大批量生成合成数据,接入真实传感器数据做软件闭环、硬件闭环测试。单个机器人大脑、机器人群体和数字 AI 的交互,都可以在仿真中完成,仿真里的测试量可以做到现实的上千甚至上百万倍,更快、更安全、成本更低。 所以判断方案能不能在工厂跑通、能不能规模化,核心就是尽可能在仿真里做完验证。 好消息是,智能体已经可以把仿真器当成工具调用。黄仁勋上周在柏林 GTC keynote 上演示了 Micro Ducks 微型机器鸭,非常有意思。模型跑在 RTX PC 上,和这群机器鸭通信。 Drew:它们很可爱,至少在 “可爱” 这件事上超人类水平。 Talla:是,而且会像小孩、小狗一样,勉强听懂指令。我最受触动的是:整套演示从想法到落地,只用了不到一周。放在半年前,根本不可能做到这么快。 靠的就是 Astra 这类能力。你直接下达指令:“为这批机器人搭建运行环境”,它自动生成数字孪生;再往里面放入各类物体。放到工厂场景里,你提供工厂尺寸、照片视频,有 CAD 文件也可以一并输入;它识别设备、工作台,依靠时空能力估算尺寸、体积、重量,和人判断物体大小的方式类似。 它生成环境、合成数据,调用另一个智能体训练模型;然后把机械结构参数送入 Isaac Lab、Isaac Sim,用智能体迭代策略评估。策略达标之后再部署大脑。这次演示里大脑跑在 PC 上,因为机器鸭本体算力有限。 这个例子很有代表性。仓库、工厂运营方想要自动化、自主化,过去光是搭建资产就要很久;现在借助这套能力,一周之内就能跑起来。智能体很擅长调用现有成熟工具。
Drew:但让小型机器鸭四处走动,和工业场景里需要稳定可靠、处理各式各样包裹的生产级机器人,难度差距巨大。不过我明白你的意思。 Micro Ducks 这个案例里,仿真到现实的鸿沟还存在吗?仿真训练出来的策略直接就能用,还是要额外弥合仿真现实差? Talla:说到关键点了,取决于可靠性和精度要求。机器鸭场景,98%、99% 的准确率就够用,翻个跟头就算差一点,也无伤大雅,主打可爱。 但工业机器人承担关键任务,需要极高精度,比如 99.99% 以上。 归根结底,问题落到模型本身:机器人模型在特定任务上到底有多强。 我内部和团队用一个比喻:百米赛跑。 Drew:目标是夺冠、出名? Talla:目标是跑快,拿到奥运金牌,也就是世界顶尖水平。男子百米奥运金牌大概要 9.6–9.7 秒。但想要拿到奥运资格,先要跑进 10 秒。 跑进 10 秒,代表你有资格参与这个赛道;但距离拿金牌可能还要好几年,甚至受机械硬件限制永远达不到。“10 秒门槛” 就是判断一个应用是否进入可用阶段的标尺。 放到物理 AI 里,自动驾驶已经跨过这个 10 秒门槛,旧金山的 Waymo 就是例子。 Drew:你今天没坐 Waymo 过来。 Talla:我从南湾过来,打 Uber 更方便,但我之前坐过,也在用特斯拉自动驾驶。自动驾驶行业摸索 15 年,最近才跨过这个门槛。背后是端到端推理模型、仿真技术,可以生成现实中很难遇到的极端边界案例。 合成数据 + 具备人类推理能力的端到端模型,就是自动驾驶跨过门槛的原因。但这只是拿到参赛资格;真正普及到每一台车,还需要精度、可靠性、安全、法规、大众接受度、成本等全部到位。 把这套标尺延伸到机器人:机器人的应用场景有成百上千种。 移动导航类:工厂自主移动机器人 AMR、野外巡检机器人、配送机器人,负责 A 点到 B 点转运,我认为已经非常接近、甚至跨过 10 秒门槛。 再往上是操作抓取,也就是最有价值的能力。人类的核心优势,一是大脑,二是可对握的拇指。刚性物体的拾取、放置,比如拆包、装箱、分拣,很多工业机械臂、协作机器人,在这类场景已经跨过 10 秒门槛,工厂、仓库开始批量落地。 所以应用是一个连续谱系,看精度、可靠性要求。工厂、仓库还有一个优势:可以改造环境,设置隔离区,人机分区,属于半结构化场景;纯无结构的家庭环境安全要求严苛得多,需要极高的安全冗余。
Drew:这个 “10 秒门槛”,除了精度,是不是也包括成本、吞吐效率,达到和人相当的水平? Talla:没错。机器人的价值,第一是承接人类不该做的高危工作:长期搬运重物、矿山、油气等恶劣危险环境。第二是枯燥重复、容易出错、没人愿意做的岗位。 过去 5–10 年,工厂仓库大量 AGV、UGV 导引车普及,它们不是自主机器人,沿着预设路线、二维码点位移动。现在加装传感器,升级成 AMR,可以在半结构化甚至弱非结构化环境自主移动。 大型高产量制造业比如汽车厂,早就自动化了,值得投入固定程序。但全球 GDP 绝大部分来自中小企业,订单多品种、小批量,给机器人写固定程序成本太高、维护困难,适合协作机械臂。
Drew:有人说汽车工厂和机器人像花生酱配果冻,天生一对。但汽车厂里依然有大量工序没有自动化。你说的 cobot 就是协作机器人对吧? Talla:协作机器人,六自由度,负载 5kg、10kg、20kg,可以近距离和工人协同作业。
Drew:说起流水线的枯燥,我父亲以前在玻璃厂、枫糖浆厂上班。流水线无聊到工人会直接喝一整瓶枫糖浆,旁边备着腌黄瓜汁解甜。机器人应该不会有这种问题。 Talla:学到了,我也要试试腌黄瓜汁配糖浆。
Drew:你说 AMR 的进展很大程度归功于仿真、AI 对仿真的改进。除了大模型调用仿真器、生成仿真资产,AI 还从哪些方面优化仿真? Talla:通用机器人最难的是灵巧操作。人手不只是处理刚体,还可以操作软体物体;处理软体,就需要精准的物理建模。 直到一两年前,大部分物理仿真器要么面向游戏,要么专门做流体等单一仿真,很难处理带力觉传感的可变形物体。所以去年我们和谷歌 DeepMind、迪士尼研究院合作推出牛顿物理引擎,基于 MuJoCo 扩展,GPU 加速,补齐通用物理求解器。 我们要在 Isaac Lab 里接入牛顿引擎,评估灵巧操作策略,找到最优操作方式。依托智能体,仿真环境搭建、策略评估的实验效率提升一个甚至两个数量级。
Drew:那 Cosmos 世界模型在这里起到什么作用?我们聊过很多世界模型,它怎么改进仿真? Talla:梳理一下物理机器人模型演进:2022 年前后大模型浪潮,LLM 偏向语言,适合数字 AI;2023 年视觉语言模型 VLM 出现,增加视觉; 机器人领域进一步提出 VLA 视觉语言动作模型,融合语言、视觉,推理之后输出动作。 但 VLA 只是起点,不足以保证全部任务精度。就像人手做出动作,大脑会预判环境变化:动作会改变世界状态。 Cosmos 是世界基础模型:给定动作,预测未来结果。预测本身就是仿真,仿真依赖推理。 动作模型负责执行,世界基础模型 Cosmos 同时充当仿真器、预测器、策略评估器。 去年大家发现 VLA 有局限,于是开始把世界模型和 VLA 搭配,走向 WAM 世界动作模型:既要执行动作,又要预判动作带来的后续变化。长期来看,世界基础模型和动作模型会融合。 英伟达开源的 Groot 1.7,前端是视觉语言模型,后端是动作模型,后续新版本会把世界模型也融入前端,最终输出动作,可能是 VLA 或者 WAM,但 WAM 内部依然保留视觉语言推理。
Drew:你说的前端、后端,语言底座还会一直存在吗? Talla:是的。任务指令一般是自然语言,模型需要理解指令、环境状态;同时理解 3D 空间,比如指令 “拿起扳手拧这个接头”,它要识别扳手、接头,理解物体姿态、物理属性;最后输出抓取控制指令。 这套流程对应人类的认知分层,机器人领域可以类比系统 1、系统 2: 系统 1:高速感知,30–100Hz,快速感知; 系统 2:思考推理,毫秒到数百毫秒,慢思考; 还有系统 0:执行层,毫秒级,1000Hz,比如碰到高温物体立刻回缩,关节本地的快速响应; 未来还有系统 3:求助大脑,遇到解决不了的问题,调用云端 / 本地高性能大模型求助,也就是 “打电话问外援”。
Drew:0–3 这套系统,哪些算力放在机器人端边缘,哪些放在云端数据中心? Talla:系统 0 在关节执行器本地,人形机器人会有上百个执行器,手部就有 20–25 自由度,需要本地高速感知处理,必须在机器人本体,满足 1000Hz 的低延迟。 系统 1 大概 30–100Hz,最好也放在机器人端。很多仓库没有 Wi-Fi、油气、军事场景是断网环境,不能依赖外部网,本地自主、可解释、隐私、安全都更可控。 系统 2 可以在机器人本地,也可以放在工厂就近机房。 系统 3 求助大脑,可以放在工厂本地机房、运营商边缘点或者云端。 而且机器人不是单兵作战,就像公司不是靠单个员工,不同本体、不同机械结构、不同智能水平的机器人,要和数字智能体、人类协同调度。 所有策略都要先在仿真里批量验证, overnight 跑完上百万次仿真测试,再落地。整体是边缘 + 云端混合算力架构。
Drew:VLA、世界模型融合之后,Groot、Cosmos 这类模型的边界会不会慢慢消失?一年之后,我们还会单独区分它们吗? Talla:会一定程度融合,但机器人本体算力、功耗、散热预算有限,不可能无限塞大模型。 通用精度还没达成,现阶段优先靠增加算力。等模型成熟之后,我们有办法压缩、低功耗化,就像数据中心大模型轻量化。 但如果 VLA 本身能力不够,有些场景就需要工厂内部小型机房辅助机器人。 边缘算力有上限,摩尔定律虽然持续迭代,但 Jetson 的单设备算力提升也是有上限的,所以混合架构是必然。优先本地能做的就本地做,需要更强能力再调用外部算力,以解决问题为目标。
Drew:最近 Physical Intelligence 发布机器人模型 API,你意外吗? Talla:完全不意外。我们几乎和全球所有机器人公司都有合作。十多年前搭建平台时,我们把机器人整套链路分成三台计算机: 第三台,也就是最末端,是机器人本体:低延迟、高性能,对接大量传感器、执行器,安全原生设计,开放软硬件。 第二台,中间层,仿真验证平台,基于 Omniverse,Isaac Sim、Isaac Lab 都在这里。 第一台,数据生成与训练平台。 我们提供这三层平台、加速库、参考模型、工作流:数据生成、训练、仿真评估、运行推理。 Physical Intelligence 这类公司,他们训练 π0.5 等模型,会用我们的训练平台和工具。模型可以部署在英伟达 Jetson,也可以部署在其他硬件;超大模型放不进边缘,就封装成 API,作为系统 3 的 “外援”。
Drew:把模型放到边缘,模型压缩是重要一环。英伟达在模型压缩上的进展如何? Talla:一年前的前沿大模型,比如万亿参数级别,现在同等能力只需要 100–400 亿参数,压缩了 30 倍。 前沿模型本身还在变大到 2–3 万亿,能力持续上涨;但同等智能水平,模型参数量大幅下降。我预测半年到一年,同等能力可以做到单十亿参数级别。 靠的是蒸馏、更好的训练方案;针对特定任务,还可以裁剪掉无关能力。 机器人领域会复刻这个趋势。但我们还没有迎来物理世界的 ChatGPT 时刻,还需要更多数据、算力、算法迭代。
Drew:行业长期共识:物理 AI 缺少互联网量级的海量数据,所以大家拼命采集真实机器人数据。有同事在会议上说,现在物理 AI 数据已经积累到 2000 万小时,瓶颈不再是数据,你怎么看? Talla:两三年前我们几乎没有机器人真实物理数据。互联网视频数据多,但没有标注物理约束、任务目标,拿互联网数据训练,机器人可能只会跳舞,做不了精密装配、管道维修。 早期靠自研设备采集、遥操作、模仿学习,效果有限,必要但不充分。所以第一人称egocentric 第一视角数据变得非常关键:传感器佩戴在人身上,记录人正常作业,比如叠衣服、装配、分拣。 那个说法,我理解是:单一任务(叠衣服、固定拾取)的数据饱和之后,再多同类型数据不会带来明显提升;真正稀缺的是跨任务、通用能力的数据。 好在现在我们可以把真实采集的第一视角数据交给智能体,搭配仿真工具生成大量变体,保证物理真实性。这套合成数据闭环,效率提升 100 倍。 未来半年到一年,基于这套方案的模型鲁棒性、通用性、精度会大幅提升,哪怕底层算法改动不大,仅仅数据层面的增益就会很强。
Drew:世界模型很适合做这件事:模型稳定之后,失败案例变少,但失败样本价值极高。部署里抓到一次失败,就用世界模型生成上千种轻微变体,反复训练,提升鲁棒性。 Talla:完全正确。不止事后从失败里学习,世界模型还可以预判失败。比如推水瓶,模型可以预判它什么时候会跌落。 这套预判 + 迭代闭环,加速迭代速度。
Drew:你认为机器人会迎来属于自己的 ChatGPT 时刻。结合现在进度,什么时候跨过这个门槛? Talla:我定义的机器人 ChatGPT 时刻:成百上千种不同应用,都跨过 10 秒门槛。不是说专门针对某几个任务训练,而是通用模型可以处理大量陌生任务,就像当年 ChatGPT。 预测很容易出错,但我判断大概 1–3 年。而且进展不是线性、指数,而是阶跃式。Astra 带来的 100 倍生产力提升就是一个阶跃。 合成数据爆发之后,半年到一年新模型精度会远超现在。但这只是拿到参赛资格;大规模落地普及,还要安全、可靠性、法规、经济性、场景适配,是另一回事。
Drew:客户愿意投入多少集成工作?很多客户不会愿意花上千小时微调数据。你希望客户侧的部署成本降到什么程度? Talla:我们目标是面向中小企业,部署成本几乎归零。 客户不需要自己采集数据。机器人进场,下达指令,做得不对就演示一遍。采集、微调、重训全部自动化,对用户透明。用户只需要反馈效果、示范动作,自动迭代。 Drew:现在技术栈能做到吗?还是需要持续学习的新突破? Talla:Astra 是第一个 100 倍跃升,之后还需要一两次类似的突破,而且不会太远。模型能力、部署链路的瓶颈会加速打通。但根本还是模型本身能不能稳定完成任务。
Drew:机器人的 ChatGPT 时刻,是不是必须要有人形机器人?硬件上有什么硬性要求? Talla:想要真正通用能力,人形形态几乎是必经之路。灵巧操作离不开人手。 Drew:也可以给工业机械臂加装五指灵巧手,比如 Tacta Systems。 Talla:没错。ChatGPT 时刻会由人形机器人率先打通通用能力;但灵巧手可以移植到固定机械臂、协作臂上。机器人本体形态会非常多样。 人形的优势:人类工作环境本身就是为人体设计的,物体摆放、操作空间适配人的肢体;同时兼顾移动导航和操作。 但它不是万能最优解。重型、固定工序,工业臂、AMR 依然是更优选择。工厂、仓库里,少量人形机器人负责非结构化杂活,其余任务交给专用机器人。 长远来看,人形也会分化,不一定都是成人尺寸。未来陪伴型机器人可能只有 30 厘米,比 Micro Duck 大一点,扭矩很小、外壳柔软,跟着孩子一起成长、记忆持续保存。 不同本体各司其职,不变的是通用、精准、可靠的大脑。
Drew:专用设备在单一任务上效率肯定更高。举例子,搬托盘用托盘车,挖土用挖掘机。大型制造企业会持续采购专用自动化设备;中小企业预算有限,更倾向少量通用机器人,但会不会优先选协作臂,而不是人形?人形的定位在哪? Talla:如果单一任务量大、专用硬件性价比更高,就用专用设备。中小企业订单多品种、小批量,恰恰是人形更适合的场景。 类比相机:专业摄影师用单反,普通人用手机。通用人形如果量产规模足够大,供应链成熟,成本会被摊薄。不是二选一,是共存,按场景权衡。
Drew:那为什么非得是人形?四足机器人、可重构工作站也可以通用。 Talla:你说得对。如果环境可以改造、任务可以拆分,不一定非要人形。我们可以把通用大脑装进任意本体。人形只是通往通用能力最快的路径,不是唯一路径。
Drew:聊到最后,抛开工业场景,对你个人来说,机器人的 ChatGPT 时刻,哪一类家用场景最有颠覆性? Talla:家用场景里,我最期待养老陪护机器人:既能提供物理协助,又是共情陪伴者,理解人的需求。 工业、仓库的落地优先级更高,经济价值更大;家用陪护机器人会更晚成熟。 而且家用机器人的安全要求比工厂更高,工厂可以设置隔离围栏,家里做不到。 不过不用等到完美才进入家庭。低力值、毛茸茸的陪伴机器人,类似 Micro Ducks,没有强操作能力,没人的时候做简单任务,主打陪伴和问答,已经可以落地。
Drew:希望家用机器人也像 Micro Ducks 一样可爱。 Talla:当然。通用机器人有五个核心目标,顺序是:通用精度、可靠性、安全、经济性、不令人反感。 第五点排在最后,不是不重要,是前四点是前提。人机交互体验要自然。
Drew:陪伴机器人会在工业机器人跨过门槛之前到来吗? Talla:两条线并行。高负载、高力量的家用机器人,必须先在工业场景打磨安全;轻量陪伴机器人,要求更低,会更早和大家见面。 工业客户对可靠性的容错极低,深度协同;消费者容错更高,可爱优先。但两者的可靠性要求不一样,风险类型不同。
Drew:还有别的想补充的吗? Talla:今年 3 月 GTC 我们聊的时候,机器人领域和现在已经天差地别。我很期待明年 3 月春季 GTC,今天聊的这些内容,到时候回头看,可能像隔了十年。 Drew:那我们得尽快放出这期节目,不然很快就过时。 Talla:没错。 Drew:好,迪普,感谢你,这次对话非常精彩。
三一生活网





