【本期课题】

具身智能之双足机器人。

【栏目介绍】

在《产业观察》这档专栏里，我们会为你厘清不同产业的历史沿革，希望能够从中找到一些底层的规律。虽然当下变化迭起，但是所有新风口都有迹可循，不同产业的发展其实也有很多相似之处。

【免责声明】

本节目的所有内容并非旨在提供任何形式的建议，包括但不限于投资、税收、会计或者法律上的建议。

【本期嘉宾】

张巍，逐际动力创始人。

逐际动力是一家通用机器人公司，专注于具身智能（Embodied AI）与足式机器人（Legged Robot）的研发和制造，产品包括人形双足、四轮足机器人及相关软硬件解决方案，落地应用聚焦在汽车制造、工业巡检、物流配送、特种作业、家庭服务等B2B和B2C领域。

【内容索引】

• 中国首个成功在野外徒步的双足机器人，是怎么做出来的，背后有哪些黑科技？

01:37 双足机器人未来能替代国足吗？

02:30 双足机器人普遍被认为是比较难控制的一类机器人，跟之前波士顿动力那个在实验室场景内翻跟头的机器人还不太一样，逐际动力的这款双足机器人真正地在野外进行开放式行走，这个在全球范围内还是比较少见的。

03:14 双足机器人的技术难点：第一，相比四足更难平衡，尤其是当机器人踉踉跄跄的时候，假如一只脚踩空了，还有其他三条腿帮着平衡，而双足在重心不稳的时候，需要另一只脚在第一时间作出反应，根本没时间思考，否则极易摔倒。第二，这个机器人没有脚掌，就像人类踩高跷，很难平衡；第三，机器人即便配备了视觉传感器，面对复杂的地形环境，也容易误判，就像人在山林中常因落叶遮挡视线而踩空或绊倒。

05:34 如果人形机器人具备在未知环境中探索的能力，比如在地震现场、煤矿井下，或者一些塌方或泥石流等复杂场景中，它目前具备进去救人、运送物资的能力吗？

06:29 做一些前沿探索或攻关，就如同在黑暗中摸索，一抹黑什么也看不到，你觉得很难，突然间你找到了那个关键的“开关”，所有事情就会变得简单。从人形机器人移动能力的角度来看，我认为现在已经找到了这样一个“开关”。

07:21 实现双足机器人在野外自如徒步的因素：AI基础设施的成熟、机器人硬件的成熟，以及强化学习技术的突破。

• 强化学习和模仿学习是怎么一回事？

08:34 强化学习本质上就是将我们现实生活中可认知的目标转化为数学上的 loss function（损失函数） 或者叫 reward function（奖励函数）。

09:49 强化学习和模仿学习的过程就像婴儿学步，小孩子看大人走路是一种模仿学习。然后没走稳摔屁墩就像是惩罚，会指向孩子纠正调整自己的步伐；而成功走到目的地获得爸爸妈妈的拥抱和奖励，不管是棒棒糖还是玩具，就是强化了正确行走模式的记忆。强化学习就类似小孩子在这个摔屁墩和拿奖励的过程里学走路。

11:13 视频里这个能在开放环境行走的双足机器人，从硬件到算法再到控制，全部都是逐际动力自主研发的吗？

14:10 足式机器人从摔倒到迅速恢复的这个过程在过去是很难实现的，以往，我们可能需要基于逻辑规则或模型手动设计每一种可能的应对策略，这既复杂又难以扩展。而现在，借助神经网络的端到端学习能力，足式机器人能够在模拟大量摔倒与恢复的场景中自行学习如何应对各种复杂情况。

16:27 人形机器人学习在真实环境里行走，跟 AlphaGo 学习围棋不太一样。围棋是一个封闭、理论上可穷尽的环境。相反，我们的机器人需要在开放、充满未知的真实世界环境中应用强化学习，这个是不是要难很多？

17:54 这个世界上所有的问题都是计算问题，所有的理论都是在降低计算的复杂度。

19:42 人形机器人难就难在它不光是虚拟的事，它也是现实的事。它是个物理过程，非常关键的一点是要把仿真和物理世界连接起来，然后让在仿真里面学到的东西能真正地用到实际中，这个差距我觉得大家花了很长的时间来解决。

20:24 今天智能或具身机器人的热度是从哪来的？首先，AGI（通用人工智能）的发展让大家开始思考怎么让AI影响物理世界，这时候就需要新的终端和载体，比如说人形机器人。另一个是机器人的硬件自身也走到了一个由量变到小质变的阶段。硬件的成熟也是AI在硬件上发挥作用的重要前提。

24:32 假设人形机器人要变得更厉害，比如当个足球运动员等，电机在应对这种更复杂的运动场景时，还需要哪些改进或提升？

• 人类并不完美，机器人采用人形设计是必要的吗？

27:35 结合《第三种黑猩猩》和《人类简史》的观点，我们可以看到，人类从四肢行走转变为两条腿直立行走，实质上是在生存压力下优先发展大脑。这一转变牺牲了速度和稳定性，但换来了大脑的显著进化，进而推动我们学会了使用工具，包括火等，这是一个典型的妥协与演化过程。那么对于机器人来讲，两条腿是否真的是最佳选择？

28:59 我们的生活环境，包括家具的高度、门把手的位置等，都是根据人类的体型来设计的。机器人的形态越接近人类，就越能无缝融入我们的环境，集成成本也就越低。

32:30 我们什么时候能设计出像变形金刚那样的机器人？

34:38 从功能来讲，人形机器人本质上是代替人去运动， AI 是代替人思考，它们的本质目标是不一样的。运动我们可以分成移动（Mobility）和操作（Manipulation），就是所谓机器人的下肢和上肢。

38:17 模仿学习在很大程度上是数据驱动的，大部分情况下模仿学习真的没有模型，也不用对物理世界进行建模，只要观察到动作然后完成复现。强化学习本质上是模型驱动的，它依赖于对世界的建模，然后在一个仿真的环境里去组合各种尝试，只不过AI提高了模型的泛化能力。

42:24 大家对仿真可能有种误解，常常以为机器人通过仿真技术可以轻松解决机器人数据、实验数据难获取等问题，甚至让所谓的“数据飞轮”转起来。但实际上，仿真本质上是对现实物理世界的建模，建模时需要考虑很多因素，而现实世界中存在无数各不相同的物体，要想实现广泛的泛化建模几乎是不可能的。

43:32 触觉传感器目前进展到什么阶段了？

46:57 最近一两年有非常多做机器人手的，我觉得它还是比较缺迭代的方向。一个领域最怕的就是它自己很难控制自己的命运，手的发展我觉得还需要等AI迭代得更成熟。但现在它确实处于一个可能会起飞的状态。

47:42 服装行业一直被认为很难让机器人参与进来。因为布料裁片在传送带上交错堆叠，有的带有褶皱或者被不规则物体遮挡，人眼能轻易判断布片的形状并将其展开，但对于机器人来说，准确抓取布片、平铺后再缝制成我们日常穿的衣服，要实现这一系列动作难度一度是很大的。现在，这类问题能解决了吗？

50:10 中国有着全球最全的产业链，这些有优势的产业链，但凡可以被改造，不管是被自动化还是被机器人改造，它在中国转型升级的可能性就很大。反过来说，如果哪个产业在中国不能用修改流程并增加部分自动化来改造的话，那它可能会逐渐转移到劳动力成本更低的国家和地区，比如东南亚。

50:59 有了大型语言模型后，直接通过日常对话的方式来指挥机器人这件事变得可以想象，除了这种直观的交互方式外，大模型与机器人之间还有哪些关联和潜在应用？

• 创业心得：

54:20 为何选择在两年前机器人领域并不热门时，创办一家人形机器人企业？同时，在中美两国从事科研工作多年后，转身投入到公司运营和创业工作中，有哪些心得体会？

55:53 科学和科研的好处是，在屋子里一片黑暗的时候，想办法找到开关。产业的好处是，既然找到了开关，可以把开关安在所有黑暗的屋子里。

56:14 作为科学家和作为公司创始人，感受有什么不一样，哪个角色的挑战更大一些？

• 机器人行业在中美的发展前景会如何？

56:52 智能机器人或机器人产业在中国的发展前景如何？中美相比有什么不同？美国在原始创新方面还是要领先些。不过，一旦开关被找到，进入实际应用和产业落地阶段，中国的优势很明显，而且，中国在硬件方面的优势得天独厚。

58:14 在中国，人形和具身机器人有巨大的投资和产业价值。主要原因是中国的产业结构和经济政策倾向于鼓励和支持长产业链，特别是给制造业产业链增加附加值的行业。

59:46 机器人有望同时服务于第二产业（制造业）、第三产业（服务业），甚至是农业等领域，以应对中国老龄化和人口结构变化所带来的劳动力挑战。此外，中国庞大的人口基数可以为机器人提供最广泛的应用的方向和场景。还有一点，人形的设计易于被政策制定者理解，也容易被老百姓接受。

【本期相关】

• 视频：基于强化学习，逐际动力双足机器人P1野外徒步
• 《第三种黑猩猩》，作者是贾雷德·戴蒙德。该书详细探讨了人类是如何从与黑猩猩和大猩猩共享祖先的状态逐步演化成如今拥有高度智慧和文明的人类社会。
• 《人类简史》，尤瓦尔·赫拉利创作的历史类著作。该书详细介绍了人类从采集狩猎时代、农业革命、再到工业革命和科学革命等各个重要阶段的变化，以及这些变革如何塑造了人类社会、经济、文化和政治结构。
• Markov Decision Process（马尔可夫决策过程），是一种序贯决策的数学模型。主要用于处理具有马尔可夫性质的系统状态下的决策问题。在MDP中，智能体（决策者）在每个时刻根据当前状态选择一个动作，这个动作的选择依据是策略，而动作的选择会影响系统状态的转移并获得即时奖励。MDP的目标是找到一个最优策略，以最大化累积奖励。
• 六维传感器，是一种能够同时测量和输出三维力和三维力矩的高精度传感器设备。这种传感器可以捕捉和监测物体在六个自由度上的受力情况，为机器人或其他机械系统提供实时、全面的力和力矩信息，有助于实现更为精准的动作控制和力敏感操作。

【制作团队】

主理人：李翔 、李丰

制作及统筹：张英海  （13514156656）、峰小瑞（[email protected]）

如果你喜欢我们的节目，欢迎你分享到更多的地方，也欢迎你在我们的评论区留言交流。