新智元報(bào)道

編輯：傾傾

【新智元導(dǎo)讀】五年倒計(jì)時(shí)已經(jīng)開(kāi)始。UC伯克利大牛Sergey Levine直言：機(jī)器人很快就會(huì)進(jìn)入真實(shí)世界，接手的不只是廚房與客廳，還可能是工廠、倉(cāng)儲(chǔ)，甚至數(shù)據(jù)中心建設(shè)。真正的革命，是「自我進(jìn)化飛輪」一旦啟動(dòng)，就不會(huì)停下。

折衣、做飯、拖地，五年后可能都不用你親自動(dòng)手！

UC伯克利教授、機(jī)器人頂級(jí)專家Sergey Levine預(yù)言：2030年前，機(jī)器人就能像家政阿姨一樣，獨(dú)立打理整個(gè)家庭。

這不是炫技演示，而是「自我進(jìn)化飛輪」即將啟動(dòng)的信號(hào)。

家務(wù)只是開(kāi)始，更大的震蕩是——藍(lán)領(lǐng)經(jīng)濟(jì)、制造業(yè)、甚至數(shù)據(jù)中心建設(shè)，都將在機(jī)器人潮水中被改寫。

五年倒計(jì)時(shí)：飛輪何時(shí)真正啟動(dòng)

當(dāng)Sergey Levine在播客中說(shuō)出「中位數(shù)5年」這個(gè)預(yù)測(cè)片時(shí)，很多人會(huì)覺(jué)得這是科幻。

但這并非信口開(kāi)河，而是建立在近年Robot Foundation Models＋真實(shí)部署＋實(shí)操反饋不斷累積的基礎(chǔ)上。

與此同時(shí)，Physical Intelligence的π0.5模型已經(jīng)在未見(jiàn)過(guò)的家居環(huán)境中，讓機(jī)器人完成「清理廚房或臥室」這樣復(fù)雜且延展性的家務(wù)。

π (0.5) 配方中協(xié)同訓(xùn)練任務(wù)的插圖，包括來(lái)自多種不同機(jī)器人類型的各種機(jī)器人數(shù)據(jù)源，以及包含高級(jí)子任務(wù)指令、指令和來(lái)自網(wǎng)絡(luò)的多模態(tài)數(shù)據(jù)。

這些進(jìn)展與演示型視頻不同，它們是清晰可見(jiàn)的實(shí)戰(zhàn)能力——比如機(jī)器人從洗衣籃里取衣、收拾滿是杯盤的餐桌、疊衣服、搭箱子這些動(dòng)作，都是由模組模型+視覺(jué)語(yǔ)言-動(dòng)作網(wǎng)絡(luò)實(shí)現(xiàn)的。

Levine也強(qiáng)調(diào)：

真正標(biāo)志這個(gè)飛輪啟動(dòng)的，不在于你造出一臺(tái)看起來(lái)厲害的機(jī)器人，而是機(jī)器人在真實(shí)家庭中 能把一項(xiàng)被人愿意付費(fèi)做的任務(wù)做好。

一旦這個(gè)跨過(guò)這個(gè)門檻，每次實(shí)操都會(huì)帶來(lái)數(shù)據(jù)，每次反饋都推動(dòng)改進(jìn)，飛輪才真正開(kāi)始轉(zhuǎn)動(dòng)。

而且這并非遙遠(yuǎn)的想象。

UC Berkeley的研究團(tuán)隊(duì)近期展示，機(jī)器人能在一兩個(gè)小時(shí)的真實(shí)操作中學(xué)會(huì)組裝主板、甚至完成IKEA家具拼裝。

雖然效率仍需提升，但這意味著「學(xué)會(huì)做事」的機(jī)制已經(jīng)在現(xiàn)實(shí)里運(yùn)作。

自動(dòng)駕駛難產(chǎn)，機(jī)器人卻要加速落地

很多人一聽(tīng)「家務(wù)機(jī)器人」，第一反應(yīng)是：連自動(dòng)駕駛都還沒(méi)普及，機(jī)器人怎么可能更快？但Sergey Levine卻認(rèn)為——機(jī)器人可能落地更快。

原因在于「出錯(cuò)-糾正-學(xué)習(xí)」的循環(huán)。

在家里疊衣服、收拾碗筷、做飯時(shí)，機(jī)器人即使出錯(cuò)了，大多也能被迅速糾正，并從中學(xué)到經(jīng)驗(yàn)；

而在道路上開(kāi)車則完全不同，一次錯(cuò)誤可能就是災(zāi)難。

這意味著家庭場(chǎng)景里的機(jī)器人能夠更頻繁、更安全地積累數(shù)據(jù)和反饋，學(xué)習(xí)速度自然更快。

另一個(gè)優(yōu)勢(shì)是常識(shí)與直覺(jué)感知。

在家務(wù)環(huán)境中，機(jī)器人面對(duì)的雖然是雜亂、遮擋和各種物品，但整體還是可控的。

相比之下，自動(dòng)駕駛要處理高速運(yùn)動(dòng)、復(fù)雜交通、突發(fā)狀況，且每個(gè)決策都關(guān)乎公共安全，門檻更高。

麻省理工學(xué)院研究者在今年的評(píng)論中所說(shuō)：

如果在機(jī)器人感知中加入推理與常識(shí)，它們能在現(xiàn)實(shí)世界發(fā)揮的作用會(huì)遠(yuǎn)超我們的想象。

Levine特別強(qiáng)調(diào)，真正的關(guān)鍵不是造出萬(wàn)能機(jī)器人，而是讓它在現(xiàn)實(shí)中把某件人們?cè)敢飧顿M(fèi)的事做得足夠好。

一旦跨過(guò)這個(gè)門檻，它就能開(kāi)始上崗，在上崗中不斷改進(jìn)，進(jìn)而擴(kuò)展到更多任務(wù)。

這也是他認(rèn)為「機(jī)器人飛輪」可能比自動(dòng)駕駛更早啟動(dòng)的根本原因。

技術(shù)突破并不只體現(xiàn)在更快的落地節(jié)奏，還來(lái)自底層模型的重構(gòu)。

技術(shù)底座：VLA模型與涌現(xiàn)能力

讓機(jī)器人從演示走向真實(shí)家庭任務(wù)，靠的不是一兩條硬編碼指令，而是新的底層架構(gòu)——VLA模型。

Sergey Levine在播客里提出了VLA——視覺(jué)（Vision）、語(yǔ)言（Language）、動(dòng)作（Action）模型的概念。

視覺(jué)模塊像眼睛一樣捕捉環(huán)境，語(yǔ)言模塊理解指令并規(guī)劃步驟，而動(dòng)作解碼器則像「運(yùn)動(dòng)皮層」，把抽象計(jì)劃轉(zhuǎn)化為連續(xù)、精準(zhǔn)的操作。

與大語(yǔ)言模型只需生成離散文字不同，機(jī)器人需要處理連續(xù)動(dòng)作。

Levine透露，他們采用了流匹配和擴(kuò)散等方法來(lái)實(shí)現(xiàn)高頻率的精細(xì)控制。

這些技術(shù)讓機(jī)器人不僅能執(zhí)行「疊一件衣服」這樣的單次任務(wù)，更能連續(xù)完成復(fù)雜動(dòng)作序列。

更令人驚訝的是，隨著規(guī)模擴(kuò)大，機(jī)器人展現(xiàn)出涌現(xiàn)能力。

在一次實(shí)驗(yàn)中，它誤拿起兩件衣服，先嘗試折疊第一件，發(fā)現(xiàn)另一件礙事，就會(huì)主動(dòng)把多余的衣物放回籃子，再繼續(xù)折疊手里的那件。

當(dāng)購(gòu)物袋意外倒下時(shí)，它也會(huì)「自發(fā)」地把袋子扶正。這些細(xì)節(jié)并沒(méi)有寫進(jìn)訓(xùn)練數(shù)據(jù)，卻在真實(shí)操作中自然出現(xiàn)。

類似的現(xiàn)象在斯坦福的Vocal Sandbox項(xiàng)目中也出現(xiàn)過(guò)。

研究人員發(fā)現(xiàn)，機(jī)器人在打包禮物袋的任務(wù)中，可以把「拿起玩具車」「移動(dòng)到禮物袋」「放下」這些低層動(dòng)作拼接起來(lái)，完成一個(gè)全新的復(fù)合任務(wù)。

這說(shuō)明當(dāng)視覺(jué)、語(yǔ)言、動(dòng)作三者真正協(xié)同時(shí)，機(jī)器人能把已有的技能像樂(lè)高一樣組合，去應(yīng)對(duì)復(fù)雜場(chǎng)景。

這就是VLA的意義：它不僅是一種架構(gòu)，更是一條通向「具身智能」的大道。

機(jī)器人因此不再是機(jī)械臂，而是能逐步積累經(jīng)驗(yàn)、學(xué)會(huì)適應(yīng)的「學(xué)習(xí)型助手」。

從家務(wù)到產(chǎn)業(yè)：擴(kuò)張與經(jīng)濟(jì)沖擊

家務(wù)只是起點(diǎn)，接下來(lái)是倉(cāng)儲(chǔ)、工廠、數(shù)據(jù)中心等場(chǎng)景。

Levine在播客里提到過(guò)一個(gè)邏輯：

能做好一杯咖啡，就能朝著開(kāi)一家咖啡店邁進(jìn)。

這不只是比喻，而是他的能力擴(kuò)張路徑：先能把某件真實(shí)任務(wù)做得讓人滿意，之后步驟會(huì)越來(lái)越多、越來(lái)越復(fù)雜，而部署也越來(lái)越大。

經(jīng)濟(jì)路徑也很清晰。機(jī)器人先「與人搭檔」，在重復(fù)性體力活、常規(guī)操作中替代人工，這樣人類可以把更多精力放在應(yīng)急判斷和創(chuàng)造性任務(wù)上。

在過(guò)去30年里，機(jī)器人的成本降低了50%以上

McKinsey在「自動(dòng)化與美國(guó)制造業(yè)的人才挑戰(zhàn)」報(bào)告里就指出，那些例行性、重復(fù)性活動(dòng)最容易被自動(dòng)化，而一旦這類環(huán)節(jié)被自動(dòng)化替代，效率和良品率往往會(huì)出現(xiàn)顯著提升。

多個(gè)行業(yè)被改造，機(jī)器人進(jìn)「制造 / 倉(cāng)儲(chǔ) /裝配」等領(lǐng)域。

硬件成本在下降，算法也越來(lái)越精準(zhǔn)。

過(guò)去一臺(tái)研究級(jí)機(jī)器人可能成本極高，而當(dāng)硬件批量生產(chǎn)、材料和組件標(biāo)準(zhǔn)化后，再配合視覺(jué)-語(yǔ)言-動(dòng)作模型的算法，機(jī)器人的「可用性」成本被拉低。

家用場(chǎng)景的門檻變低，也讓更多初創(chuàng)團(tuán)隊(duì)或中小企業(yè)能夠參與部署，進(jìn)而形成規(guī)模效應(yīng)。

當(dāng)這些因素疊加，經(jīng)濟(jì)沖擊將會(huì)是顯著的。

一方面是對(duì)企業(yè)成本和生產(chǎn)率的釋放；另一方面，是對(duì)勞動(dòng)市場(chǎng)、價(jià)值鏈乃至社會(huì)結(jié)構(gòu)的重新塑造。

倉(cāng)儲(chǔ)、包裝、設(shè)備巡檢這些原本需要大量人工的崗位，最有可能成為第一批被機(jī)器人廣泛取代的場(chǎng)景。

當(dāng)機(jī)器人真正走進(jìn)家庭、工廠、工地，我們面臨的不只是效率提升，更是社會(huì)結(jié)構(gòu)的深度調(diào)整。

短期內(nèi)，人與機(jī)器的搭檔模式會(huì)帶來(lái)巨大紅利；長(zhǎng)期看，全面自動(dòng)化可能重塑勞動(dòng)、教育與財(cái)富分配的格局。

正如Sergey Levine所說(shuō)，

真正重要的不是某個(gè)年份的終點(diǎn)，而是飛輪何時(shí)開(kāi)始轉(zhuǎn)動(dòng)。

一旦起步，速度將遠(yuǎn)超我們的直覺(jué)。

接下來(lái)的五年，可能就是決定未來(lái)幾十年格局的窗口期。

參考資料：

https://www.dwarkesh.com/p/sergey-levine