将机器学习模型与能够移动的身体和机器人连接起来的具身人工智能行业正经历一轮强劲的投资热潮，但硬件的发展尚未伴随以同等速度提升的、可靠完成有价值工作的能力。这一鸿沟概括了当前行业的状况：机器人在身体能力方面变得更强，但让它们拥有应对现实世界所需的知识，仍然是一个悬而未决的挑战。
这一矛盾在最近举行的 Actuate 大会上表现得十分明显。该大会由 Foxglove 为具身人工智能模型和基础设施开发者组织。自 2023 年创办以来，大会规模扩大了三倍，吸引了 1,500 名参与者，显示出人们对这一领域日益增长的兴趣。与此同时，基础设施公司将重点放在它们所称的机器人数据危机上，即高质量、多样化训练数据的缺乏，而模型正需要这些数据。
为什么身体能力还不够？
构建能够执行任何任务的通用机器人，仍然远未成熟。即使使用端到端学习对机器人进行特定任务训练，这些方法目前也尚未产生性能稳定、值得商业依赖的产品。因此，开发者开始效仿先进人工智能实验室的做法：收集或创建更多样化的数据集，测试多种训练方法，并设计更好的强化学习场景。
专门为模型开发者提供模拟工具的 Antioch 公司创始人 Harry Mellsop 将具身人工智能描述为处于“GPT-2”阶段，即 ChatGPT 成为大众化模型之前的阶段。按照这一观点，该行业需要更多数据和计算能力来超越当前阶段，其中包括针对用于构建高精度模拟的光线追踪技术进行优化的图形处理单元。
但以语言模型作类比，并不意味着发展路径会完全相同。机器人面对的是不断变化的物理世界，需要视觉数据、LiDAR 数据以及与环境相联系的行为，而不仅仅是文本。此外，物理任务中的错误可能导致碰撞、损坏或流程中断，这使得从一个偶尔有效的模型过渡到可靠的商业产品更加复杂。
自动驾驶汽车作为早期实验室
自动驾驶汽车似乎是具身人工智能最先进的领域之一，部分原因在于它们能够从由人驾驶的汽车中收集大量数据，而且其核心任务主要是避免碰撞，而不是直接操作和移动物体。许多用于构建模型的工具已经从自动驾驶汽车公司转移到机器人行业；例如，Foxglove 由 Cruise 的前员工创立，而 Cruise 曾是 General Motors 旗下的自动驾驶项目。
如今，汽车公司正试图利用这方面的经验在机器人领域展开竞争。Tesla 正在开发 Optimus 机器人，而专注于自动驾驶的 Wayve 与 Uber 则成立了专注于人形实体的机器人实验室，作为研发工作的一部分。
Wayve 首席执行官 Alex Kendall 认为，从车辆入手可能更合理，因为数据基础设施、模拟以及机器学习运行流程可以在不同应用之间部分共享。但他强调，通用模型需要针对每种身体、机器人和运行环境进行调整，而传感器和组件的快速发展，也使得过早锁定单一硬件平台成为一项风险很高的决定。
专业化与通用机器人
并非所有行业从业者都认同将“头脑”与身体分开的想法。专注于垂直整合人形机器人的 Genesis AI 首席执行官 Théophile Gervet 认为，当前浪潮仍处于非常早期的阶段，可以同时设计硬件和人工智能。今年，该公司完成了一轮 1.05 亿美元的种子融资。
分歧不仅涉及工程问题，也涉及业务构建战略。瞄准特定任务的公司已经开始将机器人部署到实际场所：Gritt 在太阳能农场开展工作，Agility 在工业环境中部署机器人，而 Bedrock 则运行自动驾驶挖掘机。相比之下，多用途人形机器人目前仍主要停留在实验室内。
Gervet 表示，客户并不关心一台只能以 80% 的成功率完成任务的通用机器人，因为缺乏行业重点可能意味着缺乏实际价值。然而，专业化也会带来另一个问题：如果一个产品建立在早期一代模型之上，可能会被使用更先进模型的竞争对手超越。尽管如此，专业化应用能够带来收入和现实世界数据，即使这些数据的多样性还不足以用于开发通用机器人。
Bedrock 从挖掘工作开始，以了解在现实条件下处理物体所面临的挑战，但公司计划构建一个能够覆盖一系列建筑机械的智能层。这说明了一种可能的折中方案：推出能够积累经验和数据的专业化产品，同时保留日后构建更广泛能力的目标。
实际发生了什么变化？
基础设施正在着手解决数据本身的问题。Foxglove 宣布推出一款建立在 Nvidia 开放权重世界模型 Cosmos 之上的新产品，使工程师能够通过先进的自然语言查询搜索视觉数据和 LiDAR 数据，旨在创建评估和模拟，并加快问题筛选与修复。此类工具的价值不在于为机器人增加身体能力，而在于缩短发现模型失败原因并重新训练模型所需的时间。
更广泛的问题是，什么将构成机器人的 ChatGPT 时刻。Kendall 认为，真正的时刻应当引起消费者而非投资者的兴趣。他提出的例子是无需驾驶员注视监控的自动驾驶，以及成本低于 1,000 美元的硬件；Wayve 表示，公司正通过向汽车制造商授权其模型来追求这一机会。Gervet 则认为，标志性突破将是一台能够理解自然语言指令并执行基本操作任务的机器人，例如推动、拉动、合上笔记本电脑或清洁桌面，在无需复杂设置的情况下达到约 80% 或更高的成功率。
但 Foxglove 首席执行官 Adrian Macneil 并不预期会出现一个类似 ChatGPT 的单一时刻；在物理世界中实现普及，远比通过互联网分发软件困难。相反，他预计会出现类似 Apple II 或 IBM PC 问世时的时刻，即人们可以买到能够执行有用且有趣任务的家用机器人。
从这些观点中得到的最重要信息是，该行业尚未确定进步究竟会来自通用模型、硬件与软件的共同设计，还是逐步扩展的专业化应用。根据现有信息可以确定的是，投资增加和机体性能改善并没有消除核心瓶颈：现实且多样化的数据、精确的模拟，以及客户在实验室之外能够依赖的性能。