Physical Intelligence联创最新对话：美国机器人硬件供应链脱节了！谈数据飞轮、GPT时刻

泛化性是最大瓶颈。

编译 | 刘俐杉

编辑 | 许丽思

机器人前瞻8月27日报道，近日，Physical Intelligence联合创始人Sergey Levine在The Peterman Pod的一期访谈中，围绕人形机器人的技术阶段、泛化性难题、产业生态等内容，分享了他的看法。

他认为，机器人领域尚未进入类似大语言模型GPT-4到GPT-5那样的“工业规模扩展”阶段，当前仍处于搭建可扩展基础技术的时期。

相比于成功的步骤，Levine反而觉得机器人的“错误”更加有趣。

在实验中，Levine认为有时机器人犯错就像孩子试图完成任务，机器人会做出类似人类常识的自主纠错，例如叠衣服时同时抓出两件衬衫，随后把其中一件放回篮子再折叠另一件；而有些错误也表现出语义合理性，比如抽屉打不开就把餐具放进烤箱。

当主持人提到中美在机器人领域上的不同发展时，Sergey Levine提出中国机器人产业的核心优势在于其硬件供应链和制造生态。尽管美国在软件和算法上有优势，但在硬件制造和供应链上却脱节了。

此外，Sergey Levine还有与行业主流不一样的看法，他认为，数据飞轮并非越多越好，高异质性才是关键，他举例解释，一家汽车厂的机械臂即使每月积累数百万次焊接数据，最终也只能成为更好的焊接机器人，而不会泛化到其他任务。

在训练数据的顺序上，Levine主张先让模型在真实机器人数据上建立“物理接地”，再吸收人类视频和仿真数据。顺序反了，效率会大幅降低。大规模数据下，模型内部特征会按任务逻辑聚类，不再区分执行主体是人还是机器人。

围绕机器人的泛化能力，Levine认为单次演示无法证明机器人的泛化能力，而行业也已开始采用长时延时摄影和长时间连续直播的形式来展示机器人，以此向公众证明其真实泛化与鲁棒性。

同时，他还提出跨机器人的泛化能力可以通过“思考”来促进，在模型中引入图像或文本等中间模态，可以让从未在UR5机械臂上训练过折叠T恤的模型，仅凭生成目标图像就完成该任务。

行业中总是提及机器人落地失败的最大原因在于“最后一英寸”，Levine也在访谈中提到了这一问题的解决方法——强化学习。

最后，对于机器人的未来发展，Levine提出机器人不是“机械化的人类”，物理AI更可能像芯片一样嵌入各种事物中。

以下是采访的完整实录：

01.

机器人领域目前仍处于建立基础技术的阶段

Ryan：目前人形机器人技术究竟处于什么阶段？预计这项技术未来将如何真正部署到现实世界中？

Sergey：回顾过去十年的机器学习发展，我们学到的是，当你在实施规模化扩展时，模型能力就会爆发。这一点在今天看来理所当然，但在早期并非如此。这里存在一个关键前提，你必须扩展“正确的技术载体”。例如早期处理语言模型时，主流架构是LSTM。

LSTM的表现固然优于前代技术，但其扩展性并不理想。Transformer架构的重大突破并不在于其数学公式多么优雅，而在于其规模化表现更好，能够更容易地利用大量数据和参数进行训练。因此，这项技术是分阶段推进的。

首先要弄清楚哪些技术可以扩展，其次，确定需要投入工业规模的资源，增加数据量、扩大模型规模。所以当我们在进行基础技术研发时，核心是找到真正可规模化扩展的关键变量。确定架构设计，大致弄清数据配比。

但这还不足以改变世界。只有真正开始推动规模化扩展时，事情才会发生变化。以大语言模型为例，早期GPT-2发布时，它能合成关于“秘鲁独角兽”的文章，虽然语法通顺，但无法解决真实的现实难题。

研发团队觉察到，随着数据量增加、模型规模扩大，模型生成的内容会变得更加连贯，处理实际问题的能力也会增强。只要持续沿着这个方向加大投入，模型就会变得更强大。回到你的问题，目前的机器人领域尚未跨入从GPT-4到GPT-5那种工业规模的阶段。

我们目前正处于建立基础技术的阶段。因此，现在应该预期的并不是模型每个月都通过某种可预测的缩放曲线变得更强大。而是随着合适技术的不断发展，模型本身的规模化扩展特性也在不断演变。

所以我觉得现在的状态是，我们实际上正在逐步把这些关键环节拼起来。之所以难以预测这项技术的发展方向，是因为它还没有达到可预测的扩展阶段。

Ryan：截至目前，您见过的最令人惊讶的涌现能力是什么？

Sergey：随着研发的深入，我们观察到了越来越多的涌现现象。

比如在两年前，我们训练了一个用于叠衣服的策略模型，让机器人将脏衣篮里的单件衬衫取出并折叠。在一次评估测试中，机器人同时抓出了两件衬衫。

我当时看着画面心想：“完蛋了，这根本不可能做到。”结果机器人把两件衬衫放到桌上，将它们分开，把其中一件放回篮子里，然后开始折叠另一件。

相比于成功的步骤，我最近反而觉得机器人的“错误”更加有趣。当LLM足够成熟时，它的错误往往也是具备语义合理性的，而不会输出毫无意义的乱码。

去年我们在评估π0.5模型清理厨房的任务时，给机器人的指令是“收纳所有餐具”。机器人尝试打开搁置餐具的抽屉，但抽屉卡住打不开。于是它打开了旁边的烤箱，然后开始把这些东西放进烤箱。

▲π0.5模型

这非常像一个小孩子被要求收拾房间时的行为，烤箱是个封闭容器，塞进去外面就看不到了。另一个关于记忆能力的实验是洗盘子：机器人需要用海绵刷洗盘子并放上晾干架，同时在一个记忆暂存区中记录：“一共三个盘子，灰色和绿色盘子已经清洗完毕。”

实验中它不小心把一个盘子掉在了地上，于是它把移动底盘开过去，让人看不到掉落的位置，在日志里记录“灰色盘子已洗完”。虽然这些不是我们期望的最终行为，但有趣的是，有些错误几乎像是孩子试图完成任务时的表现。它现在只需要“长大”。

Ryan：您提到了整个行业的跨越式进步。现在有许多企业在打造人形机器人，比如Figure AI、Tesla等。在观察竞争对手时，是否有某些进展或成就让您感到由衷钦佩？

Sergey：对我而言，整个产业中最具启发性的突破是自动驾驶系统的全面爆发与落地。因为外界经常批评机器人研究者，说机器人技术就像“核聚变”，永远是未来的技术。

但人们当年也是这么评价自动驾驶的。而现在我们在旧金山，出门就能打到一辆没有驾驶员的Waymo自动驾驶汽车。

抛开技术细节不谈，这件事最鼓舞人心的是，那些看似属于未来的技术，是真的可以安全落地的。我认为在2020年代中期实现这一突破绝非偶然，因为大规模机器学习所需的诸多技术环节已经成熟，足以与真实的物理系统进行深度融合。

Ryan：如果OpenAI或Anthropic开始对机器人领域进行大规模投资，您认为会对该产业产生什么影响？你觉得竞争对手会担心吗？

Sergey：客观地讲，机器人领域的生态系统并没有机器学习的其他领域那么成熟，计算机视觉和自然语言处理天然适合基于机器学习的生态系统，因为有免费的数据，行业普遍接受学习范式，且不涉及直接的物理安全风险。

机器人领域则完全不同。传统机器人学极度缺乏数据共享的文化。

因此，越多的顶级机构投身于“学习与机器人”的交叉方向，就越有助于推动整个产业的观念转变，让大家逐渐接受未来机器人将由学习模型控制。

数据需要被共享，因为没有人能在单一垂直方向上构建出真正的基础模型。

Ryan：作为旁观者，我在社交平台上常看到中国机器人的动态演示，感觉他们似乎处于领先地位。您如何评价中国的机器人技术发展？他们真的走在更前面吗？

Sergey：对于美洲和欧洲的研究者来说，最建设性的做法是去思考，我们能从中学到什么教训？

我认为核心的启示在于构建一个健康的生态系统是非常重要的。一个健康的生态需要出色的研究人员和软件工程师，这也意味着，机器人产业链上下游的相关产业都需要具备良好的发展基础。

这不仅包含计算机科学和模型训练，更涵盖硬件制造、供应链整合、精密零部件研发等。美国在某些软件和算法环节表现出色，但在硬件制造与供应链等环节有所脱节。

我们应当客观审视中国实验室以及全球其他顶尖团队取得的优异成果，并吸取教训，努力建设一个更健康的生态系统，我认为重要的是要接受这是一个整体性的做法，而不是只做其中一部分，其他一切都外包。

Ryan：在整个生态系统的拼图里，如果让您选择一个最需要改善的环节，哪个环节的提升会对美国机器人技术产生最大推动？

Sergey：毫无疑问是高可靠性、低成本硬件的可获得性。尤其是用于机器人研究的硬件，大都来自中国，质量好，价格相对低廉。如果能够在美国本土建立起同样成熟的硬件供应链生态，将会产生极大的推动作用。

我认为关键是要接受这样一个事实：整个生态系统都需要得到支持，而不仅仅是其中一部分。

▲Ryan与Sergey的对话

Ryan：我们可以想象，第一个实现规模化的实验室可能会率先取得突破。可能会有指数增长效应，一旦部署，部署会帮助你增长更快，增长更快则能让你部署，这就是飞轮效应。您认为这种指数级爆发会在机器人领域发生吗？是否会出现某家实验室脱颖而出并甩开其他所有对手？

Sergey：这话说得很有道理。但必须注意一个极其关键的细节，你必须扩展正确的东西。部署的机器人越多，模型能力越强，这就是关键。但这里存在很多容易踩坑的误区。

举个典型反例：假设一家汽车厂商有一只机械臂在装配线上焊接汽车，每月能积累数百万次焊接数据。

如果仅仅依赖这些数据作为“数据飞轮”，你最终很难得到比焊接汽车机器人更强大的东西。因为数据不像电力或石油那样可随意替代，它必须具备极高的异质性。

Ryan：如果请您绘制一张通往“通用家庭机器人”的技术路线图，途中最重要的关键节点有哪些？

Sergey：在回答这个问题前，需要揭示机器人领域营销和Demo中最容易被忽视的一点，机器人学中最难的核心问题永远是“泛化性”。

看单段展示视频很难直观判断其泛化能力。一段经过精心彩排的高难度杂技空翻Demo固然震撼，但这与在任意陌生家庭里稳定完成日常家务完全是两码事。泛化能力需要通过大量试验来体现，而不是通过一次成功的试验来证明。

哪怕机器人只是完成一项极其平淡的操作，但如果它面对的是从未见过的物体和从未预演过的房间环境，其技术含金量也远高于练习过成千上万次的预设动作。

所以，这条路线一方面是不断提升机器人的泛化能力，另一方面，还要建立让机器人能够通过自身泛化经验持续提升泛化能力的机制。

首先，要有一个非常具体的机器人系统，这个系统通过自主经验的积累而变得更好，这些经验是在最初没有针对它进行训练的环境中收集的。

随着时间推移，它能够不断变好，最终达到具有实际应用意义的鲁棒性水平，而不是长期停留在50%左右。

其次，需要展示一种非常具体且实用的知识传递方式，传递常识，实现稳健性。当机器人把铲子放进烤箱时，它应该打开烤箱，取出来。它知道从常识和语义上来说，这并不是正确的处理方式。

Ryan：我觉得可以做一些范围更窄的机器人，比如人形机器人，就在生产线上干一道工序。不过按我的理解，你对那种方向不太感冒。

Sergey：我并非不感兴趣，而是认为现实世界中的抽象概念往往并不牢靠，使得这类问题远比表面看起来复杂得多。

以自动驾驶为例。上世纪九十年代，当人们开始全力投入自动驾驶研究时，曾有一种设想，即通过对环境进行一定程度的改造，便可规避大量难题。

例如，在高速公路上埋设磁感应器，车辆安装感应装置和发射器，借此确定各车位置，其原理与飞机的导航系统类似。当时有人认为，无需依赖复杂的AI，仅凭这些传感器便可实现自动驾驶。

然而，这一思路最终未能奏效，原因在于现实世界充斥着大量杂乱的例外情形和特殊状况，即便99%的时间里磁感应系统能够正常引导车辆行驶，剩余那1%的情形，如行人突然横穿道路或路面出现杂物，都会使整个系统陷入混乱。

Waymo最终成功的关键，恰恰在于不回避核心难题，直接选择在路况最复杂的旧金山市区硬碰硬。正是这一策略推动了该领域的实质性进步。

我认为，机器人操作领域也将经历同样的过程，在工厂这类高度结构化的环境之外，即便只向外延伸一小步，即便99%的情形都相对简单，那1%的异常事件也要求我们必须从整体上解决整个问题的全部复杂性。

Ryan：这让我想起Figure AI之前直播过机器人分拣包裹的长视频。在您看来，那种Demo展现出真正的泛化能力了吗？

Sergey：是的，我认为展现出了一定程度的泛化性。现在行业开始采用长时延时摄影和长时间连续直播的形式来展示机器人，这是向公众证明“真实泛化与鲁棒性”的非常好的趋势。

在Physical Intelligence执行强化学习项目时，为了验证长程任务能力，我们让机器人在Dandelion Chocolate工厂连续运行数天，执行盒子组装任务；还在办公室让机器人连续13小时使用半自动咖啡机制作意式浓缩咖啡。

实验中机器人偶尔也会失误（如撒落咖啡粉），但它能够自主拿起抹布清理台面并继续工作，连续运转13小时没有发生严重故障。

02.

模型理解物理世界后

才能高效地理解吸收数据

Ryan：在迈向泛化的过程中，数据是核心驱动力。目前有仿真数据、真实物理交互数据、人类视频数据等。在您看来，哪类数据质量最高？各自有何优缺点？

Sergey：行业内对此存在不少争论。我认为，只有当模型首先在真实的物理世界中建立了深刻的物理理解，它才能高效地吸收和理解其他异构数据。

以人类学习飞行模拟器为例，人类之所以能在飞行模拟器中高效学习，是因为我们在现实生活中已经积累了海量的物理常识。模拟器中的图像映射着真实世界的物理法则，我们会利用已有的现实世界知识，补足仿真环境中缺失的信息。

机器人也是同样的道理。如果先让机器人基础模型在海量真实具身数据上进行训练并建立物理接地，模型就具备了理解物理规律的底座，随后再接入人类视频或仿真数据时，吸收效率会大幅提升。

这与某些先用YouTube视频预训练、再用机器人数据微调的思路正好相反。我的同事Suraj Nair与佐治亚理工学院的Simar曾做过一项突破性研究：

他们对比了不同训练路径下模型的内部特征表征。如果训练数据和模型规模很小，机器人对“人类操作视频”和“机械臂操作数据”的特征映射是完全脱节隔离的。

但当将真实机器人操作的数据量和多样性提升到极大规模时，神奇的事情发生了，通过t-SNE降维可视化发现，模型内部的特征聚类完全按“任务逻辑”进行排列，而对“执行主体是人类还是机器人”变得完全不敏感。

这有力地证明了：只要拥有足够扎实的真实机器人物理经验底座，模型就能自发形成跨具身的通用语义表征，从而更好地吸收其他来源的各类异构数据。

最开始，我曾列过一长串研究设想，希望更好地适应不同机器人形态：是否可以对模型的表示进行某种分解，以便更好地适应不同自由度的机械臂以及不同类型的末端执行器等。

▲Sergey Levine

我们并没有做这些。模型只是输出一个很大的数值向量。如果机器人的自由度少于模型输出的数量，只需进行零填充即可。这里面没有任何花哨的东西，就是这样。

然后，模型在所有的机器人上进行训练，并根据摄像头看到的内容输出正确的动作。但现在回到关于它能否处理新机器人的问题。

到目前为止，我们重点关注且我认为已经展现出前景的一点是，模型能够在不同机器人之间迁移技能。而这正是模型具体工作方式的选择开始发挥关键作用的地方。

例如，可以让模型拥有一个中间思考的阶段，并且这种思考可以用不同的模态来进行。比如用文本进行思考，文本思考对于迁移高层级的行为结构非常有好处。

这基本上取决于你如何理解：“如果我想打扫厨房并收好餐具，首先得打开抽屉。”这是一种语义推理。这种能力可以非常好地进行迁移，因为显然它很大程度上与具体的具身形态无关。

但如果使用正确的表示，即使是更低层级的事情也是可以迁移的。例如我们做的一个实验是，设置了一个以图像形式表达的思考阶段，基本上就是在脑海中构想出任务的下一个图像。

借助这种方法，我们能让一台UR5机器人去折叠T恤，尽管我们根本没有在UR5上收集过任何折叠T恤的数据，机器人需要利用不同的关节角度来完成这个任务，但构想出一幅显示它折叠衣服过程的图像却没那么难。

因为你已经见过机器人手臂处于各种不同姿态，见过T恤在折叠和展开各个阶段的样子，也大致知道应该抓握在哪里。

因此，让一个优秀的生成模型去构想出那幅图像是非常简单直接的。而一旦有了图像，从中反推出正确的动作也就变得容易了，因为你可以观察合成出的机械臂角度，直接反算出应该对应的关节角度。

所以，这并没有改变问题的本质，而只是引入了这个中间步骤，使问题更容易解决。就像你在解一道数学题时，如果找到了正确的中间步骤，答案往往在这个中间步骤之后就显而易见了。

我认为这非常令人兴奋，因为这表明，跨机器人的泛化能力可以通过“思考”来促进，就像在大语言模型中一样，但不同之处在于你必须在正确的模态下进行思考。

Ryan:有意思。我猜那幅图像就是它的视觉传感器所看到的画面，相当于下一步的样子。

Sergey:对，你可以把它想象成图像编辑，也可以用视频做同样的事情，比如视频预测。但关键在于去想象为了推动任务进展，画面看起来应该是什么样子。这似乎是一种非常符合人类思维习惯的做法。

有些事情你会从语义上进行规划，而有些事情你会从空间上进行规划。如果你在攀岩，你大概不会去想：“左手摸岩石，向左37厘米。”你更有可能是在脑海中想象自己的手臂伸向那块岩石的样子。

Ryan:在人形机器人领域，是什么让你认为它会在“个位数年份”内到来，而不是陷入长尾效应和政策挑战中？

Sergey:我认为机器人基础模型解决问题的方式与更传统的工程化系统之间的一个巨大区别在于，技术栈非常薄。

当然，训练基础模型绝非易事，你需要获取正确的数据，在数据清洗、标注等各方面投入大量工作。但是，实际运行在机器人上的软件是非常简单的。

可能会有一个思考或推理阶段，可能会让模型生成动作，且必须足够快，但如果从原始代码行数来看，它比传统自动驾驶汽车的技术栈要少得多。

一部分原因是现代自动驾驶汽车的研究启动得早得多，使用的是截然不同的技术，并在长时间内演进；另一部分原因则是自动驾驶问题的安全性要求极高。

比如，你确实不希望机械臂掉落易碎物品，但归根结底，这比汽车撞到人要轻微得多。这并不是说机器人的安全挑战不真实，它们非常真实，解决它们至关重要，甚至可能是问题中最难的一端。

但它们并不会成为实际部署的“硬性阻碍”，因为你可以设计安全风险不大的任务、环境、领域以及物理硬件。

因此，我认为“更精简的软件技术栈”加上“相对较低的安全风险”，实际上让部署变得容易得多。

而且正如你前面提到的，这里存在一种“飞轮效应”和正反馈循环，哪怕在某些限制条件下开始将它们推向现实世界，也会反过来促进它们更大规模落地。

03.

把机器人想象成“机械化的人类”是一个错误

Ryan:我想很多人都熟悉“事后剖析”的概念，即回顾某件事为什么失败。假设人形机器人没有在个位数年份内取得成功，你认为最可能的原因是什么？

Sergey:归根结底，这些东西要真正变得有用，其可靠性、鲁棒性和泛化能力必须超过我们对LLM或生成式图像/视频AI的期望。

因为这些工具很大程度上是与人交互的工具，你让LLM做一件事，它做得不完全符合你的要求，你就会修改提示词，基本上是在不断与之迭代。

这就是为什么即使是早期的LLM工具，尽管比我们现在的模型要原始得多，但依然很有用。因为使用者可以不断尝试，直到它基本上解决问题为止。就像使用搜索引擎一样，输入一些内容没得到想要的，修改查询词，最后就得到了。

而对于机器人来说，只有当它能够完全自主地完成任务时，它的全部价值才会被释放出来。如果每一个任务都需要人类不断介入纠错，这就几乎与其能带来的利益背道而驰了。所以，我认为很大一部分风险在于，达到高水平的可靠性和鲁棒性。

这也正是为什么有些Demo可能会带来一点误导性，因为如果有人展示了他们的机器人做了一些很酷的事情，只要呈现方式是坦诚的，这当然是进步的象征。

但这并不能让人直观地看出，它距离达到实际应用所需的鲁棒性还有多远或多近。就我个人而言，我是强化学习等技术的坚定拥趸，因为RL可以利用自主经验来微调最后这几个百分点，让可靠性从95%提升到真正的100%。

Ryan:所以如果花了比预期更长的时间，是因为门槛更高了。

Sergey:因为门槛更高了。特别是在跨越最后这“一英寸”的过程中，不仅需要非常优秀的模型，还需要技术上的新创新。我的意思并不是说要抛弃我们对基础模型的所有认知重新开始。我认为我们目前拥有的拼图板块非常好。

但我们仍需承认，眼下的方法和模型还需要更多的工作才能跨越到那种鲁棒性的水平。

Ryan:在LLM领域，感觉大家都在做大体相同的事情，只是风格略有不同。在机器人行业，大家也是在做同一种事情吗？还是说存在一些方向完全不同的“非主流/独树一帜”的架构？

Sergey:我其实认为这里的异质性远比表面看起来要大得多。

我认为一条可能从表面结果看不那么明显的重大分界线，在于“完全拥抱基础模型理念”与“专注于特定垂直领域”之间的区别。我认为这有时很难分清。

但基础模型理念本质上是，如果有一个想要解决的具体问题，训练一个能利用广阔领域数据的通用模型，效果会更好。

如果做对了，它在你想解决的特定问题上的表现，甚至会超越一个狭隘的领域专家。

可以构建一个理解所有语言任务的语言模型，然后把它用在机器翻译上。在机器人领域，我认为这一点让人们感到极其不适应。这听起来极其怪异。但这恰恰是基础模型的教训，只要数据覆盖足够广泛的任务，就能够获得具有泛化性的技能。

只要模型构建得当，它就会将这些技能重新应用到遇到的任何场景中。因此我认为，即使做一个仓库机器人，去收集广泛的数据也是更好的选择，它能更好地处理在仓库领域遇到的所有稀奇古怪的情况。

但这并不是人们容易接受的想法，因为它与构建传统垂直整合机器人系统的原则太背道而驰了。

Ryan:我注意到这些AI公司出现了一种有趣的新现象：如果他们取得了巨大的成功，就会引发某种担忧或一系列新问题。我很想知道你是怎么看待这些话题的？比如，如果Physical Intelligence今年开发出了一款极其强大、具备惊人泛化能力的通用模型，你会如何思考可能出现的这类问题？

Sergey:研究AI安全并不是什么新事物。我在加州大学伯克利分校的同事Stuart Russell在十多年前就在探讨这些内容了，很多人也投入了大量时间去研究。

问题在于，当技术发展如此迅速时，重要的问题不仅取决于核心原理本身，还取决于社会如何反应、采用什么样的工具等因素。

我认为这是极难预料的。所以在这个问题上我没有一个非常令人满意的答案。

至于应对方式，我们采取实证探索，把东西推向现实，看看在真实世界中会发生什么，看看哪些是对的，哪些出了错，这样就能尽可能提前预知这项技术能做什么、它的缺点和优点是什么等等。

但归根结底，只能观察，边看边根据实际情况调整，预判是非常困难的。

Ryan:这是一种令人担忧的情况。如果是在理想的路径下，一切顺利，我们拥有了极其强大的模型和机器人，那么在10年后，终极目标会是人类体力的终结吗？

Sergey:我认为把机器人想象成“机械化的人类”是一个错误。在某种程度上，计算机就像是“机械化的大脑”。

但是当个人电脑在90年代和2000年代初期真正普及开来时，大家看到的并不是人们用计算机取代了自己的大脑；相反，我们看到的是极其多样化的计算机的涌现。

你的桌子上会有一台电脑，口袋里也有一台，冰箱里和汽车里可能都有。因为计算变得如此容易获取，你可以在所有东西里都放入一点点计算能力。

我认为在40、50年代最初思考这些概念的人是不可能想象到这一点的。他们想象的会是房间大小的超级计算机，其工作是控制整个国家的政策，而不是在每个人的冰箱里放一小块芯片。

所以类比来看，我们可以想象未来在各种事物中可能都会包含物理AI。另一个值得思考的例子是现代的代码Agent。在这个领域，虽然关于代码Agent的最终形态如何尚无定论，

但从当今软件工程师的体验来看，绝大多数人会将代码Agent视为一种赋能工具，而不是引发恐慌的东西。我的意思是有的人可能会恐慌，但总的来说，能够通过AI工具放大自己的工作产出，是一种赋能。

这是一个非常直接的类比，因为这直接展示了AI进入真实工作岗位，并为从事这项工作的人提供更大的能力增益。但事实是，我认为这一切仍有待观察。

Ryan:在这波大模型机器人浪潮到来之前，波士顿动力有着非常惊人的演示，占据了极大的关注度。但在过去的几年里，我感觉好像不太经常听到关于他们的消息了。是行业发生了某种转变导致了这种情况吗？

Sergey:我是这样解释的，机器人学在某种程度上是关于构建复杂系统。因此，尽管人们很容易把AI划分为不同的领域：LLM、计算机视觉、机器人学。

但机器人学与其它领域截然不同，因为对于机器人，你需要知道所有的环节，从如何接线、采用什么电源、执行器长什么样，一直到如何进行高层级规划来决定下一步做什么。

尽管我们看到的这些视频、公司和Demo都可以被称为“机器人”，但它们实际上处于技术栈的不同位置。

波士顿动力早期展示的很多经典成果，都是极其复杂的硬件、设计精密的硬件配合传统控制方法，由控制工程师设置好一切，但相对较少强调决策层面。

我认为在特定的历史时期，这种做法非常合理。因为如果我们连物理本体都建不出来，上面运行什么样的决策系统都无从谈起。

但回到我们前面关于泛化能力的讨论，如今，虽然我们在硬件上还能做得更好，但在很多方面硬件已经“够用”了。最大的挑战在于如何拥有能够真正起作用、并能对环境中一切做出智能反应的决策闭环。

我想画出的分界线在于，决策闭环并不意味着符号决策，它也可以是低层级的决策。关键在于，是否需要将环境的其余部分考虑在内，还是只需要应对机器人本身？

如果想在平地上做后空翻，基本上只需要应对机器人本身；但如果想从桌子上拿起一杯咖啡，尽管这在某些方面比后空翻简单，但机器人却必须真正理解世界上正在发生什么。

这条分界线，按照目前技术的发展轨迹，我认为可以公平地说，这就是AI与“控制”之间的分界线。

“控制”是指必须控制机器人本体；“AI”是指必须考虑机器人外部发生的事情。我认为这就是为什么你会看到这种脱节。因为在很多只需要处理机器人自身而不需要处理外界的Demo中，极佳的控制技术就能给出非常好的解决方案。

另外我想说的是，如果有大量的控制工作投入到实现某项特定技能中，我们其实可以从中学到一些东西。

因为如果能手写设计出一个能表现出复杂行为的控制器，那么你极有可能也可以学习出这个控制器。所以这至少提供了一个存在性证明，证明这件事是可能的，而且还简单到人类能够把它构建出来。

请记住，人类能够处理的复杂程度，无法与AI能够处理的复杂程度相比。所以，如果一个人可以通过手写设计去做后空翻或杂技动作，说明存在某种相对简练的控制律去实现该技能。

所以如果它简单到人类可以设计出来，那么里面大概率存在一些相当通用的东西。如果不需要人类控制工程师参与其中，就可以通过学习将它自动化，那就是个好消息。