自GPT至家用机器人，AI的物理化进程怎会如此艰难缓慢？红杉资本AI峰会表明，机器人行业正效仿大语言模型（LLM）的成功路线，借由世界动作模型（WAM）、数据飞轮以及虚拟训练场（DreamDojo）这三大突破，使得机械手臂具备“脑补”物理常识的本事。当AI从数字领域迈向物理领域，2026年或许会迎来真正的家庭机器人变革。
身为一名从事AI相关工作的人员，在过去的三年时间里，我们目睹了大语言模型也就是LLM呈现出的迅猛发展态势，从GPT - 3一直到GPT，进而到多模态模型的兴起，AI最终在数字领域达成了“能够说话且善于表达，会画画还能书写”的状态。然而，既然AI已然如此聪明伶俐，为何却没有一个机器人可以来到家中协助我进行洗碗以及扫地，还有叠衣服这些事情呢？
当数字智能已然足够令人惊艳之时开运真人app下载苹果版,开运真人app下载，为何物理世界的智能也就是机器人，却依旧显得“七手八脚”般笨拙呢？在红杉资本AI峰会上，那场名为《Robotics: Endgame》的分享，寻找到了答案：机器人并非无法变得聪慧，而是我们尚未找寻到正确的途径。而这条途径，早已被GPT验证了——抄袭LLM的作业，便是机器人达成突破的最为便捷的路径。
一、为什么现在的机器人，总显得“不够聪明”？
我们常常于短视频之中瞧见令人惊艳的机器人演示，机械臂能够精准地抓取物品，机器狗可以灵活地穿越障碍，然而这些大多属于“精心设计的表演”。在实际生活里的机器人，有的仅仅能够在工厂之中进行重复的预设动作，有的一旦更换场景便会“失灵”，根本无法达成我们对于“管家”的期望。
在行业范畴之内，曾经尝试运用VLA模型，也就是视觉 - 语言 - 动作模型，来处理这个问题，具体做法是给机器人安装摄像头，连接语言模型，使得它能够依据看到的图像理解话语，在听懂指令之后进而展开行动。然而，这样的一条途径，从最根本的源头起始就无法顺畅通行。
核心原因仅为一个，那便是物理世界相较数字世界要复杂许多。GPT只需掌握于语言规则，便能够进行聊天，即便出现错误，再重写一句便可；然而机器人却需要面对重力、摩擦力以及材质差异这类“物理常识”。人们本能地清楚拿玻璃杯时需轻柔，拿铁锤时要用劲，知晓水倒多了会向外溢出开云手机入口app下载开云app官方入口网站，可是机器人仅仅依靠“看”，永远都学不会这些直觉。
更具有关键性的是，软件产品出现故障，最多也就是应用程序突然退出；然而机器人出现故障，有可能是将名贵的花瓶给打碎，甚至还会对人造成伤害。所以说开云真人app官网入口，让机器人具备“物理常识”，并非是额外的优势，而是关系到其能否存续的关键所在了。
二、抄LLM的作业：机器人突破的核心逻辑
GPT取得成功，其本质是一种能够复制的工程范式，在于海量数据进行预训练，加上缩放定律，还有强化学习对齐，而演讲里边最核心的观点是，机器人正在重复这套路径，只是晚了三到五年时间，这便是Jim Fan所讲的“The Great Parallel”（伟大的平行）。
对于从事AI的人员来讲，这并非一句空洞之言，而是一套能够实际施行的方法论，LLM依靠互联网文本开展预训练，那么机器人就要找寻自身的“互联网级数据”，LLM借助RLHF进行对齐，机器人就得依靠“物理强化学习”补足最后关键环节，LLM存在Scaling Law（缩放定律），机器人同样拥有自身的“灵巧度缩放定律”。
机器人若要变得聪明起来，并非需从毫无头绪的状态开始摸索，而是顺着LLM所走过的成功路径前行，如此这般便不会出现差错。存在着三个关键的突破点，它们正致力于对机器人行业的格局予以改写。
突破1：世界动作模型（WAM）——给机器人装上“脑补能力”
既然仅仅凭借“看”这种方式无法学会针对物理方面的常识，那么就需要给充当机器人的物体安装一个可以进行物理后果推演的大脑，这个大脑就是世界动作模型，也就是 WAM。
它被听着感觉特别高端大气上档次，实际上呢，就是所谓的“脑补能力”。就如同Sora视频大模型在进行关于“世界怎样运行”的学习这般，WAM能够使得机器人在着手行动之前，于脑海之中“播放影片”，比如倒一杯水的时候，会预先演练手要是滑了杯子会掉落、倾斜角度要是太大了会洒出水来；拉开抽屉的时候，会预先判断拉哪个位置最为省力、要是卡住了应该如何去调整。
这跟人类的直觉完全雷同，在我们拿起杯子之前，不会特意去计算牛顿力学，然而大脑当中早就预先演练了全部可能出现的后果。未来AI的关键竞争力，不再是背诵知识、算题速度快，而是脑补预演的精确程度，谁能够做出更契合现实规律的WAM，谁就把控了机器人的关键命脉。
突破2：数据飞轮——机器人的“特斯拉护城河”
靠海量文本喂出智能的GPT，机器人若要变得灵巧，同样需要海量的“动作数据”。而这里面的关键之处，在于复制特斯拉FSD的“数据飞轮”逻辑。
特斯拉的自动驾驶厉害的原因在于，满大街的车都在传回真实道路数据，数据越多，模型就越强，模型越强，购买的人就越多，进而形成正向循环。机器人也是如此，演讲中提到的“灵巧度缩放定律”，本质就是“大力出奇迹”，只要给机器人喂入足够多的真实动作数据，它的手就会越来越灵巧，动作也会越来越像人。
然而，机器人的数据采集，着实比LLM困难许多——互联网存有免费的文本语料，可机器人的动作数据，需真机操作、人工进行遥测，致使成本颇高。这也就是说，未来的行业壁垒，并非算法，而是具备“低成本采集高质量动作数据”的能力。那些能够教机器人做事的“数据采集手套”“VR遥控器”，或许比机器人自身更具商业价值。
突破3：DreamDojo——在虚拟世界里“练满级”再落地
在具备模型以及数据之后，还存在着一个现实方面的难题，这个难题是，要使得机器人去学习洗碗，如果真的购买一万个碗以供它摔打，这显然是不行的，因为成本实在是太高了，而且这样做也是不切实际的，而解决这一被称为“最后一公里”问题的关键所在，便是DreamDojo（梦想道场）。
你能够将它想象成如同《黑客帝国》里的虚拟母体那般情景，我们于电脑之中构建一个全然契合物理规律的“虚拟厨房”，使得机器人的“灵魂”于其中夜以继日、不间断地展开训练，具体表现为一天之内要洗几万年时长的碗，摔碎数目众多无数个虚拟盘子，因而是不会产生试错成本的。待其在虚拟世界里修炼成为“洗碗大师”之技术水平后，再把所累积的经验提取下载至真实的机器人身上，使之能够立马直接着手展开工作运转。如此这般便彻彻底底地解决了机器人在真实世界里试错成本极为高昂艰巨的棘手难题所在的情况。
传统仿真工具存在着“虚拟和现实互相脱离”这样的让人苦恼之处，DreamDojo运用神经物理引擎这一手段，使得虚拟环境达成了无限接近真实的状态这样的效果，进而实现让 机器人的训练效率得到提升，提升幅度达到千倍、万倍这样的程度。在将来，哪一方能够把“机器人版本的训练平台”打造、完成得足够好，那一方就会成为机器人时代的如同“英伟达CUDA”一般的存在。
三、机器人行业的3个关键判断
听完了整场的演讲，身为AI从业者，我对于机器人的未来，有着三个深刻的判断，并且还想要跟大家去分享：
首先，机器人已非单纯“硬件公司”所涉猎的范畴。以往，机器人领域的核心聚焦于“机械与控制”，较量的是硬件方面的精准程度；然而如今，重点变为“AI加之数据”，其中数据、模型以及仿真才是决定竞争力的关键所在。
第二，“通用性”是仅有的长期走向，从短期来瞧，专用机器人（咖啡机器人、按摩机器人）能够获利，然而长期必然会遭受通用机器人的降维打击，这跟GPT压住所有专用NLP工具的逻辑是完全相同的，未来，能够适配多种场景、达成多种任务的通用机器人，才是市场的最终解答。
第三，物理AGI的时间表，相较于我们所想象的，更接近了。Jim Fan在演讲末尾讲道：“它比你所设想的更近”。结合GPT - 3至GPT - 4仅仅用了3年，机器人从“能够行动”到“可以使用”的时间范围，很可能就在2026年至2028年，说不定不用等上十年，就能看见能够进入家庭之中、帮我们进行家务料理 的机器人管家。
四、结语：AI从“屏幕里”走向“现实中”
GPT出现，使得AI学会理解以及生成数字世界的内容，而机器人崛起，会让AI拥有真实躯体，走进物理世界，真正去“动手做事”，这是AI从“理解世界”跨越到“改变世 界”的转折点，GPT之后，下一个具有重大影响力的并非另一个语言模型，而是能走进我们生活、帮我们解决实际问题的全能机器人。
还木有评论哦，快来抢沙发吧~