機器人技術令人驚嘆，卻也令人沮喪——它們幾乎能完成你交代的任何任務，前提是你得以正確的方式下達指令。不久前，"正確方式"意味著編寫代碼。盡管我們已經(jīng)擺脫了那種僵化的限制，但易用性與任務復雜度之間仍然存在一種令人頭疼的反比關系。

AI曾承諾改變這一現(xiàn)狀。其核心理念在于：當AI被具身化地植入機器人——賦予AI軟件一個存在于現(xiàn)實世界的物理載體——這些機器人便將具備推理與理解能力。這仍屬前沿領域，盡管我們已在研究場景中見到了大量具身AI的案例，但要找到能讓推理型機器人穩(wěn)定創(chuàng)造商業(yè)價值的應用場景并不容易。波士頓動力是少數(shù)幾家能在一定規(guī)模上實現(xiàn)腿式機器人商業(yè)化部署的公司之一，目前已有數(shù)千臺機器人投入實際運營。近日，該公司宣布其四足機器人Spot正式搭載谷歌DeepMind的Gemini Robotics-ER 1.6——這是一款高級具身推理模型，為復雜任務帶來了更強的可用性與智能化水平。

盡管相關視頻展示的是Spot在家庭場景中的表現(xiàn)，但此次合作的核心聚焦于腿式機器人少數(shù)已被證明具有商業(yè)可行性的應用領域之一：巡檢。也就是說，在工業(yè)設施中四處游走，確認沒有任何東西處于即將失控的危險狀態(tài)。搭載新AI后，Spot現(xiàn)在能夠自主識別危險碎片或泄漏物，讀取復雜的儀表和液位計，并在需要理解周圍環(huán)境時調用視覺-語言-動作模型等工具。

波士頓動力Spot業(yè)務副總裁兼總經(jīng)理Marco da Silva在一份新聞稿中表示："Gemini Robotics ER 1.6等技術的進步，標志著機器人在更好地理解和運作于物理世界方面邁出了重要一步。儀表讀取和更可靠的任務推理等能力，將使Spot能夠完全自主地感知、理解并應對現(xiàn)實世界中的各種挑戰(zhàn)。"

"推理"和"理解"這兩個詞越來越頻繁地被用于AI和機器人領域，但正如豐田研究院的Gill Pratt近期指出的那樣，這些詞對機器人在實際中意味著什么，并不總是清晰的。谷歌DeepMind機器人業(yè)務負責人Carolina Parada在接受采訪時解釋說："我們衡量理解能力的基準是：系統(tǒng)給出的回答應當與人類的反應一致。"要讓機器人可靠、安全地執(zhí)行任務，機器人對世界的理解方式與人類保持一致至關重要。否則，人類給機器人下達的指令與機器人實際執(zhí)行任務的方式之間，可能會出現(xiàn)偏差。

波士頓動力的演示視頻就是一個潛在問題的典型案例。其中一條指令是讓Spot"回收客廳里的易拉罐"。從視頻來看，它完成了任務，但在執(zhí)行過程中是橫向夾持易拉罐的——如果罐內還有殘余液體，后果可想而知。人類會憑借多年的生活經(jīng)驗自然而然地避免這種情況，但機器人目前尚不具備這類世界常識。

Parada表示，Gemini Robotics-ER 1.6會從安全的角度處理類似情況。"如果你讓機器人給你端杯水，它會推理出不能把水杯放在桌子邊緣，以免摔落。我們通過ASIMOV基準來追蹤這一能力，其中包含大量以自然語言描述的、機器人不應做的事情示例。"當前版本的Spot在操作過程中尚未啟用這些語義安全模型，但未來計劃讓其在持握物體時具備相應的安全推理能力。

Gemini Robotics-ER 1.6作為機器人高級推理模型，與機器人本身作為物理世界接口之間，目前似乎仍存在一定脫節(jié)。1.6版本的新功能之一是"成功檢測"，該功能整合多個攝像角度，以更可靠地判斷Spot是否已成功抓取物體。如果完全依賴視覺來完成物體交互，這無疑是個好方案；但機器人其實還有許多成熟的抓取成功檢測方式，例如觸覺傳感器和力傳感器，而1.6版本目前并未使用這些手段。這背后的原因，折射出機器人領域尚未攻克的一個根本難題：如何在需要物理數(shù)據(jù)的情況下訓練模型。

Parada解釋說："目前，這些模型嚴格來說只支持視覺輸入。網(wǎng)絡上有大量關于如何拾取一支筆的視覺信息。如果我們擁有足夠多的觸覺數(shù)據(jù)，完全可以學習這項技能，但互聯(lián)網(wǎng)上幾乎沒有觸覺傳感相關的數(shù)據(jù)。"使用Spot新巡檢功能的客戶將被要求與波士頓動力共享數(shù)據(jù)，這正是獲取此類數(shù)據(jù)的來源之一。

擁有付費客戶這一事實，使波士頓動力在依賴AI進行商業(yè)化部署的腿式機器人領域顯得頗為罕見。而這些客戶必須能夠信任機器人——這在涉及AI時始終是一大難題。da Silva在采訪中表示："我們對此非常重視。我們通過面向少數(shù)客戶的Beta計劃來推出DeepMind的新能力，以了解可能出現(xiàn)的問題，并且只會主動推廣那些我們有把握能正常運作的功能。"像Spot這樣的機器人需要達到一定的實用門檻，好在現(xiàn)實世界并不苛求完美。da Silva說："設施中大多數(shù)關鍵基礎設施都會配備儀表來告知你是否出現(xiàn)了問題。但也有很多未被儀表監(jiān)測的地方，一旦疏忽同樣可能引發(fā)故障。我們發(fā)現(xiàn)，80%以上的準確率是讓用戶不會感到煩躁的門檻。低于這個水平，機器人基本上就像在'狼來了'，操作人員會開始無視它。"

da Silva與Parada都認為，機器人巡檢領域仍有大量改進空間。正如Parada所指出的，Spot作為可規(guī)?；虡I(yè)平臺的獨特地位，為探索Gemini Robotics-ER 1.6等模型如何發(fā)揮最大價值提供了寶貴機會，并可將這些經(jīng)驗應用于其他具身AI平臺，包括波士頓動力的Atlas。這是否意味著Atlas將成為下一代工業(yè)巡檢機器人？大概不會。但如果這些來自真實世界的經(jīng)驗能讓我們離安全可靠、能夠收拾衣物、遛狗、且不會弄得一團糟地清理易拉罐的機器人更近一步，那確實值得所有人為之期待。

Q&A

Q1：Gemini Robotics-ER 1.6是什么？它給Spot帶來了哪些新能力？

A：Gemini Robotics-ER 1.6是谷歌DeepMind開發(fā)的高級具身推理模型。搭載該模型后，Spot能夠自主識別危險碎片或泄漏物、讀取復雜工業(yè)儀表和液位計，并在需要時調用視覺-語言-動作模型來理解周圍環(huán)境，從而在工業(yè)設施巡檢中實現(xiàn)更高程度的自主操作。

Q2：Spot在執(zhí)行任務時如何保證安全性？

A：Gemini Robotics-ER 1.6從安全角度出發(fā)設計了推理機制，例如不會將水杯放在容易摔落的桌邊。谷歌DeepMind通過ASIMOV基準進行追蹤，該基準包含大量自然語言描述的"機器人不應做的事"。不過，當前版本的Spot在物體操作方面尚未完全啟用語義安全模型，這一功能計劃在未來版本中加入。

Q3：為什么Spot目前只依賴視覺傳感器，而不使用觸覺或力傳感器？

A：主要原因是訓練數(shù)據(jù)匱乏?；ヂ?lián)網(wǎng)上存在大量視覺數(shù)據(jù)，但觸覺傳感相關的數(shù)據(jù)極為稀少，導致模型無法從中學習。為解決這一問題，使用Spot新巡檢功能的客戶需要向波士頓動力共享使用數(shù)據(jù)，以幫助逐步積累物理交互數(shù)據(jù)，支撐未來模型的訓練與優(yōu)化。