一文解析机器人发展趋势，从自动化演进到自主化

揭开次世代AI机器人的神秘面纱：从自动化到自主学习

随着人工智慧（AI）的迅猛发展，我们已迈入机器人技术Robotics 2.0的新纪元。这一变革性的时代，标志着从原先依赖人工编写程式的自动化，向真正的自主学习的转变。本文将带领读者揭开AI应用在机器人技术上的神秘面纱，探索AI机器人如何影响我们的未来，并解读那些我们常常听闻却理解不深或根本未知的主题。

作为“Robotics 2.0”系列文章的首篇，本文将重点讨论机器人技术与AI对各大产业和未来工作的影响。我们将探讨AI如何释放机器人技术的潜力，新技术的挑战和机遇，以及这一切将如何影响我们的生产力、就业状况乃至日常生活。在AI被大肆宣传的当下，我们希望通过这些文章鼓励更为全面和富有建设性的讨论。

当我们谈论机器人时，脑海中总会涌现出各种想象：从Softbank的社交机器人Pepper、能轻松完成复杂动作的Boston Dynamics机器人Atlas，到电影《魔鬼终结者》中的人造人杀手，再到《西方极乐园》中栩栩如生的拟真机器人角色。关于机器人的观点总是两极分化：有人高估了机器人模仿人类的能力，认为机器终将取代人类；有人则对新研究和技术的潜力持悲观态度。

在过去的一年里，许多来自创业、科技界的朋友都问我，在AI，尤其是深度强化学习和机器人技术领域，究竟有哪些“实际”的进展？人们最想知道的是：AI机器人和传统机器人有何不同？AI机器人是否真的有潜力颠覆各大产业？它的能力和限制又是什么？

要想了解现在的技术进步和产业格局，甚至对未来做出预测，并非易事。本文将尝试揭开AI应用于机器人的神秘面纱，解读我们常听闻却理解不深的话题。

我们来回答一个基本问题：什么是AI机器人（AI-enabled Robotics）？它们有何独特之处？

机器人的演进：从自动化到自主化。

AI的发展使得机器人技术从原先的“自动化”迈向了真正的“自主学习”。所谓的“自动化”，是指工程师通过程序设计编写规则，让机器人遵守；而“自主学习”则意味着机器人能够处理各种各样的任务，或回应人类和环境的变化。

借鉴自驾车的发展等级，我们可以一窥机器人的演变过程：

Level 0——无自动化：由人类操作机器，没有机器人的参与。

Level 1——单一自动化运作：单一功能已自动化，但不使用环境资讯。这是自动化与制造业中传统机器人的使用现状。通过程式编辑，机器人能够以高精度和速度重复执行特定工作。至今为止，大多数实际应用的机器人都无法感知或应对环境的变化。

Level 2——部分自动化：通过环境感知输入的特定功能，协助机器进行决策。例如某些机器人通过视觉感应器识别并应对不同的对象。传统的电脑视觉仍需要对每个对象进行预先登记和清晰的指示，机器人缺乏处理变更、意外状况或新对象的能力。

Level 3——条件式自主：机器控制所有环境监控行为，但仍需人为检查和关注以及（即时）介入。

Level 4——高度自主：在某些情况下或在定义的区域内完全自主。

Level 5——完全自主：在任何情况下都能完全自主，无需人为介入。

那么我们现在处于哪一种自主等级呢？目前工厂中的大多数机器人仍然通过开放式回路或非回馈方式控制。这意味着它们的运作与传感器回馈相互独立、互不干扰（level 1）。少数工厂中的机器人能够根据传感器回馈调整操作（level 2），此外还有一些协作型机器人（cobot）能够与人类共同作业，但它们的精确度和速度相较于产业用机器人却有所不及。

接下来，我们将深入探讨AI机器人在各个产业中的应用、挑战和机遇，以及它们如何改变我们的生活方式和工作方式。在探索人工智能与机器人技术的深度交融时，我们不禁为这些技术的飞速进步而惊叹。尽管协作型机器人已经展现出令人瞩目的能力，但在面对复杂多变的工作环境和任务时，它们仍需要人类的引导和调整。深度学习（Deep Learning）和强化学习（Reinforcement Learning）技术的崛起，为机器人带来了前所未有的自主处理能力，使得机器人在处理各种物件时更加得心应手，将人类的介入程度降到最低。

在仓库拣货等前沿领域，AI机器人已经开始展现其巨大的潜力。传统的计算机视觉技术无法应对如此广泛的物品类别，每个物品都需要预先登记并为机器人编程设定相应的动作。但现在，深度学习和强化学习技术让机器人具备了自主学习的能力，能够在实践中逐渐掌握处理各种物件的技巧。在这一进程中，机器人的学习能力日益强大，从最初需要人类的示范和协助，逐渐迈向完全的自主决策。

正如自驾汽车产业中的创新策略一样，机器人新创公司也在不断探索不同的路径。一些公司专注于研发与人类协作的机器人（level 3），而另一些公司则致力于实现机器人的完全自主（level 4甚至level 5）。这种多样性使得行业的自主化程度难以评估，但同时也为新技术的发展提供了丰富的实验田。

有趣的是，AI机器人在应用范围上已经不再局限于仓储管理，其应用潜能甚至超越了无人车。机器人技术可以应用于各式各样的产业和场景，从这个意义上来说，机器人可能比汽车更容易实现level 4目标。AI机器手臂已经在仓库中得到广泛应用，这是最好的例证之一。仓库的“半受控”环境为机器人的应用提供了相对稳定的场景，使得机器人在这一领域的应用变得更为现实和可行。

自主居家型或手术机器人的实现仍需等待更遥远的未来。这些应用场景涉及更多的环境变量和复杂的任务要求，有些还具有不可逆性和潜在的危险性。但随着技术精度、准确性和可靠性的不断提升，我们有理由相信更多产业将开始采用AI机器人。

目前制约许多产业使用机械手臂的主要原因在于传统机器人和电脑视觉技术的限制。随着深度学习、强化学习以及云端技术的不断发展，新一代机器人将释放出巨大的潜力，带来爆炸式增长并改变产业格局。在这个过程中，AI机器人的发展契机以及新创公司和现有业者如何应对这一变革的不同方法和商业模式都值得我们深入探讨。

在研究新世代机器人新创产业结构时，我们可以看到两种截然不同的商业模式：垂直应用和水平应用。垂直应用模式专注于为特定行业提供解决方案，如电子商务物流、制造业和农业等。这些公司提供端对端的解决方案，全面掌握终端使用者的案例与效能表现。而水平应用则更注重技术的普适性和可迁移性，致力于开发能够在多个行业中应用的通用技术和平台。

在仓库拣货等相对简单的应用中，垂直应用模式能够快速进入市场并取得成功。但在其他产业中，如制造业，由于任务需求的多样性和复杂性，对机器人的精度和速度要求更高，因此水平应用模式可能更具优势。它能够为多个行业提供技术解决方案，并通过持续的技术创新来推动行业的变革和发展。无论是垂直应用还是水平应用，这些新模式都为AI机器人的发展带来了无限的可能性。随着技术的不断进步和应用场景的拓展，我们有理由相信AI机器人在未来将会改变我们的生活和产业格局。探索机器人的未来：从机器学习的新挑战到水平应用的崛起

尽管机器学习赋予机器人与时俱进的能力，但目前在运作的机器人仍无法与封闭迴路的机器人达到相同的精度。这是因为机器学习需要累积尝试错误的经验，从错误中学习，逐渐进步。这也解释了为何一些新兴机器人公司，如Mujin和CapSen，选择采用传统电脑视觉技术而非深度强化学习。

传统电脑视觉技术虽然要求事先登录每个物件，具备一定的实用性，但它缺乏适应变化的能力。随着深度强化学习（DRL）逐步成为产业主流，这种传统方法可能会逐渐被淘汰。对于那些选择坚持传统路径的公司来说，他们面临的另一个挑战在于其价值的过度高估。我们看到许多新创公司在硅谷筹集了巨额资金，却未能承诺创造任何具体的收入流。尽管创业者描绘深度强化学习的美好未来易如反掌，但现实是，我们仍需要数年的时间才能真正达到这一成果。尽管如此，硅谷的创投仍然愿意对这些拥有优秀人才和技术的团队进行投资。

与此一个更为实用且颇具潜力的模式是水平应用。简单而言，机器人技术包含感测（输入）、处理、驱动（输出）三个部分，除此之外还有开发工具。这里的“处理”，涵盖了控制器、机器学习、作业系统以及机器人模组等各项不属于感测或驱动的项目。

我认为这个领域将拥有巨大的增长潜力。对于机器人的用户而言，碎片化的市场是一个棘手的问题。由于各大机器人制造商都推广自家的语言和界面，系统整合商和终端用户都很难将机器人与相关的系统进行整合。随着产业的逐渐成熟，越来越多的机器人被应用到汽车和电子厂以外的领域。我们更加需要标准的作业系统、通讯协议和界面来提高效率并缩短上市时间。

例如，美国波士顿的一些新创公司正在研究相关的模组。Veo Robotics公司开发的安全模组能让工业机器人更安全地与人类协同工作，而Realtime Robotics公司则提供了加速机械手臂路径的解决方案。这些创新都在推动机器人技术的进步，让我们期待更多精彩的突破与创新。