这篇报道由 MIT Technology Review 与 Aventine 合作完成，Aventine 是一家非营利研究基金会，致力于创作和支持关于科技与科学如何改变我们生活的内容。
一个外形像人的机器人——白色机身，黑色头部和躯干——不断出现在视频画面中。也许你见过它跳舞、递爆米花、把垃圾扔进垃圾桶、吸尘，或者按微波炉的按钮。又或者，你可能看过它在分发水瓶时向后摔倒，或者费劲地熨衬衫。
这就是 Tesla 的 Optimus，一款由 AI 驱动的类人机器人。该公司 CEO Elon Musk 认为，它“不仅是 Tesla 有史以来最大的产品，而且很可能是史上最大的产品”，将先进入工厂车间工作，之后进入我们的家庭。他在 7 月对股东表示，最终它“将拥有人类级别的灵巧性，随后是超越人类的灵巧性”。Musk 认为，Optimus 机器人可以以每台低至 20,000 美元的成本，将几乎所有人类劳动自动化——从搬运金属板材到叠衣服。今年 1 月在瑞士达沃斯举行的世界经济论坛年会上发言时，他预测这些机器人可能在 2027 年底前面向公众销售。
Musk 并非唯一这样布道的人。硅谷风投公司 Andreessen Horowitz 的联合创始人兼普通合伙人 Marc Andreessen 曾表示，机器人技术可能成为“地球历史上最大的产业”。今年 1 月，Nvidia CEO Jensen Huang 表示，类人机器人将在今年达到人类水平的能力。根据 Morgan Stanley 的说法，到 2050 年，“外形和行为都像人类”的机器人数量可能接近 10 亿，创造出一个价值超过 5 万亿美元的市场。
Elon Musk 预测，Tesla 的 Optimus 类人机器人可能成为全球最畅销的产品之一。目前，它最常被看到的是在 Tesla 活动上分发食物和饮料。SIPA VIA AP IMAGES
这类宣言在很大程度上是由这样一种想法推动的：支撑 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 等工具的同一批 AI 进展，将使新一代机器人能够像聊天机器人模仿人类语言那样模仿人类的动作。但许多机器人研究人员对此持怀疑态度，他们认为这类假设低估了用建立在语言和图像之上的智能来驾驭物理世界无穷变异性所面临的挑战。“那些（制造人形机器人的）公司——绝对没有一家——知道如何让这些机器人聪明到足以有用，”常被称为 AI 教父之一的 Yann LeCun 在 1 月达沃斯会议期间的另一场活动上说道。
研究人员还指出，将外形酷似人类的人形机器人与能够学习和执行多项任务的所谓通用机器混为一谈的倾向具有误导性。“造一个看起来像人的机器人非常容易，”Agility Robotics 联合创始人兼首席机器人官、俄勒冈州立大学机器人学教授 Jonathan Hurst 解释道。“而要造出一台在动态或物理层面像人一样移动或行动的机器，则要困难得多。”
这些分歧——关于通用人形机器人究竟是近在眼前还是遥遥无期，以及当前形式的 AI 是否足以完善它们——正在全美各地的机器人实验室中上演，在那里，对时间表的炒作正掩盖着艰苦却意义重大的进展。
大约十年前，一系列突破引发了一场生成式 AI 革命，将长久以来设想的人工智能可能性变为现实。机器人学家——尽管他们对这一时刻究竟何时到来意见不一——相信机器人领域也可能发生一场同样具有变革性的革命，一场将赋予机器长期以来遥不可及的物理直觉与流畅性的革命。随着机器人技术的进展缓慢推进，问题在于：推动 AI 取得进步的那些方法和工具是否足以让机器人领域走到那一步，还是说需要一条全新的路径。
机器人与先进 AI 相遇
要见识当今最聪明的机器人大脑之一，值得看看 Google DeepMind 能用一台名为 ALOHA 2 的设备做什么，ALOHA 2 是“A Low-cost Open-source Hardware System for Bimanual Teleoperation”（低成本开源双臂遥操作硬件系统）的缩写。
长期以来，机器人专家一直在争论通用机器人是否需要类人形态，支持者认为这有助于它们融入现有的世界，反对者则表示不值得费这个劲。ALOHA 2 反映的是后一种思路。它看起来没什么特别，只是两条机械臂、几个夹爪和几台摄像头。但尽管看似简单，它却是 Google DeepMind 研究人员的得力工具，他们在各个实验室里用它来测试其最先进的机器人 AI 系统 Gemini Robotics。
在 Gemini Robotics 的控制下，ALOHA 2 更像是一个通用机器人，因为它能根据训练过的示例执行各种任务。让它打包一个午餐盒，正如这段演示视频所展示的，它能用两个钳形夹爪轻轻地把一片白面包放进 Ziploc 袋里，封好袋口，把一串葡萄放进 Tupperware 容器，盖紧盖子，然后小心地把这些物品移入午餐盒，再拉上拉链。
这顿午餐算不上丰盛。但机器人能把它打包好，这一事实本身就代表着相比哪怕三年前的可能性，迈出了客观的一步。
这在很大程度上归功于 AI 及其对所谓机器人策略的影响，机器人策略控制着通用机器人如何评估和理解周围环境、规划如何在其中移动，然后正确执行任务。
ALOHA 2 机器人不过是放在工作台上的两条机械臂，但它充当着前沿 AI 机器人模型的试验平台。这些动画基于人类对机械臂的遥操作，这些数据被用于训练 Google DeepMind 的模型。（视频：Google DeepMind / Stanford University / Hoku Labs）
从历史上看，这些策略基于工程师制定的规则，他们将其硬编码到机器人的软件中——成千上万行代码决定了机器人在数百项任务中每一毫米的动作。过去几年里发生的事情——也是人们对通用机器人持乐观态度的主要原因——是机器人策略正被交给先进的 AI 系统，而不是被编码进机器人的软件中。这最早发生在 VLM，即视觉语言模型上。它们与大语言模型类似，但除了文字之外还基于图像进行训练。给 VLM 看一张咖啡洒了的图片，让它找一个工具来清理，它能识别出附近的一块抹布。这种即时的情境理解在几年前机器人策略还是硬编码时并不存在。
接下来是视觉-语言-动作模型，它使机器人能够评估自身环境并在其中采取行动。这些模型通过增加又一个组件来实现这一点：运动指令。VLA 基于一系列与执行特定任务相关的图像或视频，以及关于机器人手臂如何移动来执行该任务的相关数据进行训练。这些运动数据通常通过遥操作收集，即人类使用遥控器引导机器人完成一个动作。这种训练让 AI 学会如何在特定任务中指挥机器人移动和操作。把一个由 VLA 驱动的机器人放在桌子前，告诉它“合上笔记本电脑”或“把耳机线缠好”，它会环视场景、识别相关物体、规划执行请求的方式，然后挥动它的手臂开始行动——至少在它以前见过这项任务完成的情况下是这样。
Gemini Robotics 模型是一个 VLA，基于大量人类演示进行训练，这些演示描绘了各种各样的动作。因此，它能够执行相对复杂的任务，比如用厨房夹子夹起荷兰豆、做折纸，或者准备一顿简单的午餐。这令人印象深刻，但有一个明显的局限：目前，如果让一个由 VLA 控制的机器人执行超出其训练集的任务，它极有可能会失败。
“如果考虑所有任务构成的空间，一个真正的通用策略应该能够完成这个范围内的所有事情，”伦敦帝国理工学院机器人学教授 Edward Johns 说。但如今，一个 Gemini Robotics 模型只能做“这里几件事、那里几件事”。
对真正通用性的探索
那么，我们怎样才能让机器人做更多事情？通常的答案大概并不令人意外：用更多数据训练它们。
按照这种思路，更多数据等于更多示例，更多示例等于更强通用性。例如，Google DeepMind 希望汇集“尽可能多的数据”，该公司前机器人技术负责人、目前正在推进自己的 AI 机器人项目的 Pannag Sanketi 说。但数据从哪里来？大语言模型受益于海量现成文本可供训练。机器人训练并不存在一个与之对应的、高质量物理演示的数据池。研究人员有几种办法来弥补这一点，但都有缺陷。一种是雇用大量人员来创建和收集遥操作数据（成本高且耗时）。另一种是用人们执行活动的视频来训练 VLA（由此得到的数据质量很差）。还有一种是把机器人部署到现实世界中，并利用从这些经历中收集的数据进一步改进 AI 模型（机器人在实验室外并不安全，也不可靠）。Sanketi 认为，采用一种“多管齐下”的方法、使用从所有这些来源收集的数据，是最有可能的前进路径。
但认为仅靠训练数据就能解决问题，远非普遍共识。Agility 的 Hurst 将其描述为“一个从根本上就有缺陷的前提”。
问题在于，现实世界中的任务会迅速变得极其复杂。假设你想煮咖啡，就有无数变量：没有两个厨房是完全相同的；咖啡机的工作方式各不相同；不同的杯子需要不同的握法；咖啡渣、热水和牛奶都需要以不同方式处理。即便这样简单的任务，也需要理解一份不断变化的可能性清单。Hurst 认为，要通过 VLA 实现通用性，就需要“对[机器人]可能做的所有事情实现完整的数据覆盖”。换句话说，就是需要一个几乎无限的训练数据池。
LeCun 对整个方法不以为然。“那些在语言上取得成功的[AI]方法，并不适用于高维、连续、带噪声的数据”——而这类数据在机器人领域司空见惯，他在达沃斯说。“你必须用别的东西。”
这个“别的东西”最有希望的候选者是所谓的世界模型——一种与其说基于文本训练、不如说基于视频、三维扫描和传感器数据组合训练而成的 AI 形式，其构建目的是预测现实世界中行动的结果。目标是构建出这样的模型：它们对现实拥有足够精确的内部表征，能够捕捉物理世界实际如何运作——物体如何移动、碰撞、下落和变形。如果机器人研究者能够在足够忠实于真实世界物理的仿真中训练机器，开发就会变得更快、更便宜、更安全，从而减少对真实世界测试的需求。更具变革性的是，配备世界模型的机器人可以对其周围环境进行推理，而不只是对其作出反应，这有助于它们在采取行动之前预判行动的后果。
Google DeepMind 最新的机器人 AI 模型越来越灵巧，尽管相当缓慢且不稳定
Nvidia 和 Google 等公司正在研发这项技术，投资者的资金正涌入备受瞩目的初创公司。由斯坦福大学 AI 研究员李飞飞联合创立的 World Labs 在 2 月筹集了 10 亿美元资金，并于 9 月底被 AMD 以 82 亿美元收购。由 LeCun（前 Meta 首席 AI 科学家）联合创立的 AMI Labs 也在 3 月筹集了 10 亿美元。然而，用他们自己的话说，现在仍处于早期阶段。去年年底，李飞飞将该领域描述为“初生”，并补充说“基础性方法仍在建立之中”。在 6 月的一篇 Substack 文章中，她描述了种种艰巨挑战。目前，世界模型是一个前景广阔的研究领域，而非通往通用机器人的直接路径，但我们已开始窥见它们可能实现的成就的微光。
其中一次窥见，来自去年 4 月在旧金山一家机器人实验室里发生的一次微小但可能意义重大的飞跃。
一项突破？
在旧金山 Mission District 的中心地带，初创公司 Physical Intelligence——或者按它自己喜欢的叫法 PI（即 π）——正专注于开发一种通用大脑，理论上它可以将任何机器人变成通才。该公司采用一种无所不包的“连厨房水槽都塞进去”的方法来训练机器人 AI 模型，最近观察到了一些迹象，显示出配备世界模型的机器人大脑可能具备的能力。
2024 年，PI 公布了其首个通用机器人系统 π0 的细节，它声称这是一种 VLA，是“迄今为止能力最强、最灵巧的通用机器人策略”。该模型最初是在一个 10,000 小时的专有人类演示数据集上训练的，这些演示通过遥操作收集，此外还使用了几个开源机器人数据集。2025 年春季发布的版本 π0.5 在更多种类的数据集上进行了训练，包括来自网络的有标注图像，使其更具通用性。2025 年秋季的更新版本 π0.6 为模型加入了强化学习。
每次更新都为模型性能带来了重要提升，使其能力菜单从缓慢折叠衣物扩展到在新环境中收拾物品，再到以更高成功率完成折纸箱等任务。然后，在 2026 年 4 月，π0.7 似乎将 PI 推向了新领域。这个版本使用了一个能力较弱的世界模型，该模型会生成执行任务所需步骤的图像。当机器人执行任务时，这个“轻量级”模型会向它提供下一步该做什么的快照。
你如何教机器人使用刀具？在初创公司 Physical Intelligence，这要从设计正确的 AI 架构开始，其中包括专用于语言、视觉和运动的组件。这将帮助它将指令——“嘿机器人，把我的蔬菜切了！”——与适当的动作关联起来。WINNI WINTERMEYER
用于训练 AI 的数据可以来自许多来源，但最重要的来源之一是人类演示。这家初创公司的一名员工通过遥操作控制机械臂，让 AI 接触到切西葫芦的任务。WINNI WINTERMEYER
研究人员用数百个人类演示示例，以及来自网络和第一人称视频的图像来训练 AI 模型。WINNI WINTERMEYER
一旦 AI 训练完成，团队会向它展示一个此前未见过的任务，比如切这个西葫芦。当机器人此前没有见过确切任务时——它可能会疑惑那是黄色西葫芦，还是不寻常的香蕉——它就可能出错。但任何失败都可以用来帮助改进模型。WINNI WINTERMEYER
该公司声称，该模型展现出组合泛化能力的最初迹象。这个术语指 AI 系统通过重新组合训练数据中学到的技能，来执行从未接触过的技能。其中一项测试要求模型“把红薯放进空气炸锅”——这是它此前从未遇到过的任务。在一段演示视频中，机器摸索了一会儿，几次起步失败，最终完成了一次还算合理的尝试，尽管它并没有完全完成任务。
加州大学伯克利分校教授、PI 联合创始人 Sergey Levine 对这一潜力感到兴奋：“这实际上是我们第一次令人信服地看到这种组合式泛化能力，即我们基本上可以让模型去完成那些我们并未专门收集数据并训练它去做的任务，而它确实会做出一个还算过得去的尝试。”
这一成功让团队开始思考，模型究竟是如何实现这一壮举的。经过一番挖掘，他们发现训练材料中潜藏着一些相关的带标注遥操作数据片段，其中包括两个人类操作员用机器人把空气炸锅炸篮推入炸锅的示例。这些零散的数据可能已足以让 π0.7 几乎成功用空气炸锅烤一个红薯。
目前尚不清楚 π0.7 的泛化能力究竟有多令人印象深刻。不过，考虑到该模型接触空气炸锅的时间如此短暂，它仍让人得以一窥当前前沿研究能把机器人带到多远。
“70% 的成功率就等于不管用”
你可能会察觉到一种脱节：一边是机器人在实验室里蹒跚迈出的微小步伐——“看！它把一个红薯放进了空气炸锅！”——另一边是许多演示和视频中展现的那种令人眼花缭乱、栩栩如生的灵巧，机器人在其中从在舞台上跳舞到彬彬有礼地端上饮品，无所不做。这类演示往往不会清楚揭示一个关键事实：在许多情况下，是人类在控制机器人，或者事先精心编排了它的动作。（例如，2025 年 3 月与 Nvidia CEO Jensen Huang 一同登台的那台机器人，看似在回应他的指令并跟着他走，实际上是由其制造者所称的“幕后操偶师”远程控制的。）
目前，完全自主的运动规划——即让机器人知道它该去哪里，尤其是在建筑工地或不熟悉的住宅等全新、混乱的环境中——在很大程度上仍是一个未解决的挑战。而更大的挑战——尽管往往与之相关——在于让机器人去处理更大、更模糊的工作，这些工作包含多项任务，并且需要就如何完成以及以何种顺序完成做出决策。这就像是能够把盘子放进微波炉的机器人，与能够成功响应“做晚饭”这一指令、通过翻找冰箱、切配食材并点燃炉灶的机器人之间的区别。Google DeepMind 在这类事情上的最佳尝试——即让机器人巡视厨房，并把做蘑菇烩饭所需的所有食材装进篮子——迄今为止都以失败告终。
让挑战雪上加霜的是，一台实用的机器人基本上必须每次都做对。对于 VLA，"当结果从 50% 成功率提升到 70% 成功率时，人们会非常兴奋，"Boston Dynamics 创始人 Marc Raibert 说。"但 70% 的成功率就跟不能用差不多，对吧？"
演示往往让机器人看起来很有用，但这些机器仍然出错太频繁，无法在家庭和工厂中可靠使用。AP IMAGES、SHUTTERSTOCK、1X、AGILITY ROBOTICS、GOOGLE DEEPMIND
少数正在真实环境中接受测试的人形机器人，只是在严格控制的环境中执行极其有限的任务。它们远非通用型机器人。据 Agility 称，该公司已在 GXO Logistics、Amazon 和 Schaeffler 旗下的设施中部署了数百台机器人进行试验。但 Hurst 表示，就目前而言，这些机器人瞄准的是搬运箱子和周转箱之类的简单任务。他补充说，即便如此，也花了数年时间才开发出足够安全、让物流公司愿意考虑使用的机器人。就 Elon Musk 而言，他在 2025 年 5 月声称，到当年年底将有"数千台"Optimus 机器人在 Tesla 工厂工作，但今年 1 月他又表示，公司只有"部分 Tesla Optimus 机器人在工厂里做一些简单任务"。
虽然人形机器人正开始踏入工厂车间，但迈入家庭将会更加困难。眼下，如果你愿意，可以预订 1X Neo 家用机器人，预计今年晚些时候可以交付。售价 20,000 美元，它承诺承担“家中那些无聊而琐碎的任务”——收拾碗碟、应门、整理客厅——“让你能专注于对你重要的事情”。这个设想是让这台身高 5 英尺 6 英寸的机器人有朝一日能自主完成所有这些任务，但目前它做大多数事情还需要远程人工操作员。（没错，一个人需要获得许可，才能通过机器人的摄像头窥视你的家。）当被问及完全自主的机器人还要多久才能胜任家务工作时，Hurst 说：“如果我必须给个数字，我会说还要 10 年，机器人才会……真正在人们家中做有用的事情。”
当那一天到来时，这些机器人很可能来自中国，因为中国在生产方面远远领先于西方。据市场情报公司 Omdia 和中国机器人公司 Unitree 称，2025 年出货的约 15,000 台人形机器人中，近 90% 由中国公司制造。Unitree 生产的一款型号售价不到 6,000 美元，该公司去年出货的人形机器人数量超过任何其他公司。如此实惠的价格可能大大有助于让机器人对消费者更具吸引力，不过该公司预计其机器将首先用于工业应用。（顺便说一句，如果你想知道是谁在购买所有这些中国机器人，美联社最近报道称，订单主要来自企业和学术实验室以及国有企业。）
我们以前就到过这里
制造人形机器人的梦想由来已久：早在 1495 年，Leonardo da Vinci 就勾勒出一种机械骑士的设计，由缆绳和滑轮控制。整个 20 世纪，科幻狂热梦想中的机器来来去去。
Westinghouse 的 Elektro 在 1939 年世界博览会上引起轰动。GETTY IMAGES
Westinghouse 在 1939 年纽约世界博览会上展出的 Elektro——一个七英尺高、带腿的箱子——还叼着一根烟。日本早稻田大学于 1973 年制造的 WABOT-1，是第一台全尺寸、可编程的人形机器人。Honda 于 2000 年发布的 ASIMO，大概是最早证明自己多少还算能干的此类机器——它至少在一定程度上能爬楼梯、识别人脸，并自主穿行于空间之中。但这款机器人在 2018 年停产，因为它无法超越演示中所能做到的事情，达到真正有用的程度。
在当时，这些都是令人惊叹——甚至令人瞠目结舌——的工程壮举。但没有一个准备好应对现实世界。如今的机器人，即便拥有先进 AI 的变革性力量，仍然面临同样的生存挑战。