机器人通常并不以灵活性见长：为了一个动作重复成千上万次，而光照或物体形状的任何变化都可能让技能失效。来自马萨诸塞州剑桥市的初创公司Generalist AI正试图颠覆这一逻辑。与其让机器通过大量示例进行长时间学习，不如让它只看一次短视频——它就能在相似但不完全相同的条件下行动。这有点像孩子模仿成人的行为，甚至没有意识到自己正在学习。
视频即指令：机器人如何“一条过”学习
作者曾到访该公司实验室，目睹了一场不寻常的景象。机械臂无需事先准备即可针对具体操作进行调整：它们处理杯子、将它们叠放成堆、把积木从一只碗移到另一只碗。所需的一切只是一段演示动作的短视频，之后机器人便开始处理对它而言全新的物体。
有些场景几乎像是工程思维的微型奇迹。例如，机器人面前的任务是把积木塞进碗里，并给了它一把刷子和一个簸箕作为辅助工具。当刷子被拿走时，机器并没有停下，而是改用簸箕来完成这一目的——用夹爪抓起簸箕，像刷子一样使用，最终成功完成了任务。另一个案例发生在双臂机械臂上。它观看了一段人打开钱包并从中取出纸币的视频。机器人出色地处理了另一只钱包，而当右手无法勾起钞票时，它切换到左手，调整角度，最终还是把钱取了出来。
为什么有效：押注“物理想象力”
Generalist AI的首席执行官兼联合创始人皮特·弗洛伦斯将自家机器人的行为与GPT-3相提并论。语言模型只需被赋予一个新任务，就能找到解决方案，无需经过专门训练。机器人身上发生的大致相同，但考虑到物质世界的修正：它们不仅要生成词语，还要协调动作并考虑物体的物理特性。簸箕可以替代刷子，钱包可以以不同方式打开，而香蕉可以成为扫地的工具。
最后一种情况确实发生过：机器人面前放了一根香蕉，它毫不慌乱，开始用它把桌面上的零件扫落。这看起来很有趣，但背后有一个重要的理念——系统学习的不是某个具体动作，而是人类与生俱来的对物理的直觉感知。这正是创始人团队押注的方向：皮特·弗洛伦斯、安德鲁·巴里和安迪·曾曾在Google DeepMind和Boston Dynamics工作过，如今他们构建的模型能够理解物体在空间中的“行为”。
这种理解的秘诀在于海量高质量的物理交互数据。为了尽可能高效地收集这些数据，Generalist AI制作了形似机器人夹爪的特殊手套。手套内置摄像头，专为人类设计：世界各地的操作员——包括墨西哥——执行日常家务或生产操作，系统将这些录像转化为训练素材。作者甚至被展示了一个箱子，里面装着数百只这样的手套，准备发给数据采集人员。与此同时，公司完全从零构建神经网络，刻意放弃现成的开源语言模型。
可靠性、质疑与工业前景
创始人们并不掩饰弱点。目前，机器人平均在59%的情况下能成功完成所展示的任务。这与工业标准相去甚远——工业要求99%以上的可靠性。技能能在多大程度上迁移到完全陌生的场景，以及模型在条件骤变时如何表现，仍是未知数。但已完成的工作已经给外部专家留下了深刻印象。
佐治亚理工学院的机器人学家徐丹飞表示，在开发通用机器人模型的公司中，正是Generalist AI最接近真正的商业应用。在他看来，团队将理念推向了极致并高质量地实现了它，收集了海量优质数据。斯坦福大学的刘凯伦补充说，该公司的做法之所以有趣，是因为数据以大规模方式收集，且不绑定于某一种机器人结构。这使得训练更像一个开放平台，而非一次性技巧。
对制造业的潜在价值巨大。想象一条传送带，可以瞬间从包装瓶子切换到组装零件——只需给机器人看一段短视频即可。无需漫长的重新调试，无需对操作进行编程。
也许最意味深长的片段是在深夜于这家初创公司的办公室里拍下的。工程师手动在双臂机器人前摆放小杯子。突然，机械臂不等指令，开始抓起杯子，跟着人把它们叠成整齐的一摞。这种自发的动作——尽管简单而短暂——表明机器正在超越无灵魂的指令执行者。或许，正是这种“主动性”将成为那个突破，把机器人从工厂车间的围栏中带进真实世界。
