引言

2023年3月，一家僅創(chuàng)立幾個月的機(jī)器人公司號稱要推出“世界上第一個商業(yè)上可行的通用人形機(jī)器人”，并放出了幾張PPT。

接下來的一年中，這家名為Figure的公司經(jīng)歷了——被質(zhì)疑“碰瓷波士頓動力”——創(chuàng)紀(jì)錄地邁出人形機(jī)器人“動態(tài)雙足行走”第一步——半個硅谷科技圈下注， 融資高達(dá)6．75 億美元，估值猛漲至26億美元。

本周三，僅在B輪融資完成后的13天，這位“當(dāng)紅炸子雞”放出了Figure 01的最新視頻。

雖然只用到了一個“端到端”神經(jīng)網(wǎng)絡(luò)，但Figure 01卻可以在你想要食物時，貼心地遞上蘋果而不是盤子；還能一邊回答你的問題，一邊對物品進(jìn)行分類——將垃圾收拾進(jìn)框子里、將杯子和盤子歸置放在瀝水架上。而且！它甚至能回答你餐具瀝干水分的大致時間。

有人說，F(xiàn)igure只用了1年時間，就走完了波士頓動力20多年的路。于是，壓力給到了波士頓動力，讓我們回到實(shí)驗(yàn)室，再扒一些女團(tuán)舞吧（bushi）。

話說回來，F(xiàn)igure 01的最新視頻有沒有一絲絲“注水”的可能性？難道傳說中“世界上第一個具身智能”機(jī)器人真的來了？！

Figure創(chuàng)始人Brett Adcock特意在X上強(qiáng)調(diào)，視頻是以1．0倍速度拍攝并連續(xù)拍攝的，機(jī)器人是在完全自主的情況下進(jìn)行的行為，沒有遠(yuǎn)程操作。

言外之意就是“無剪輯，無加速，一鏡到底”。

然而，適道和一些相關(guān)領(lǐng)域投資人交流時，獲得了另一條思路：有沒有一種可能——Figure 01的完美表現(xiàn)是“試”出來的。

例如在測試階段，當(dāng)你說“我餓了”并指向“蘋果和碗”，F(xiàn)igure 01會遞給你碗；當(dāng)你指著“梨子和盤子”，F(xiàn)igure 01會遞給你盤子�？赡茉嚵艘淮笸ê�，得出面對“蘋果和盤子”組合，F(xiàn)igure 01的表現(xiàn)是最好的。

但在適道看來，與其說這是“注水”，不如說這正是Figure神速進(jìn)化的技術(shù)秘籍——“端到端”技術(shù)黑盒。

01 Figure進(jìn)步神速的秘籍——“端到端”神經(jīng)網(wǎng)絡(luò)

根據(jù)Brett Adcock的說法，F(xiàn)igure 01主要通過“端到端”神經(jīng)網(wǎng)絡(luò)來與人類進(jìn)行對話。大致流程為：OpenAI的LLM提供“大腦”——視覺推理和語言理解 ；Figure神經(jīng)網(wǎng)絡(luò)提供“小腦”——做出一系列快速、低級、靈巧的機(jī)器人動作。

Figure機(jī)器人操作高級AI工程師Corey Lynch進(jìn)一步解釋：“這些神經(jīng)網(wǎng)絡(luò)以每秒 10 幀的速率接收機(jī)器人內(nèi)置圖像，并能生成每秒200次的24自由度動作（包括腕部姿勢和手指關(guān)節(jié)角度）”

何為“端到端”？

“端到端”（End－to－End）是深度學(xué)習(xí)中的概念，指一個AI模型，只要輸入原始數(shù)據(jù)，就能輸出最終結(jié)果，有點(diǎn)像馬斯克遵循的“第一性原理”。

舉個簡單的例子，兩個同齡小孩，一個生活在城市，一個從小長在河邊。城市小孩想學(xué)游泳，需要找教練，進(jìn)行一系列抱水、換氣、劃水、蹬腿的分解動作，才能系統(tǒng)性地掌握蛙泳技能；而在河邊長大的小孩，看了大人們游泳的姿勢，就去下河摸索，經(jīng)歷了嗆水、訓(xùn)練、強(qiáng)化，也學(xué)會了游泳，而且游得像魚一樣嫻熟。

如果你要問這個小孩經(jīng)歷了哪些針對性訓(xùn)練，都有什么訓(xùn)練模塊，他一定答不出所以然。但從結(jié)果來講，他不僅泳技超群，甚至學(xué)習(xí)時間還可能更少。

“端到端”的原理跟這個例子有點(diǎn)類似。

例如，想讓機(jī)器人變成“咖啡師”，如果通過傳統(tǒng)編程，雖然看起來“透明”“可解釋”，但代碼非常復(fù)雜，靈活性也很差。

而Figure 01的卓越表現(xiàn)證明了，通過這種“不可解釋”的“端到端”神經(jīng)網(wǎng)絡(luò)（輸入視頻、輸出行動軌跡），機(jī)器人能夠在數(shù)小時訓(xùn)練后就能get新技能。

在1月5日的視頻，F(xiàn)igure 01展示了自己出色的“學(xué)霸”能力，只需觀看10小時的人類煮咖啡錄像，就能學(xué)會人類的動作和手勢，并通過模仿這些動作，成為一名real咖啡師。

而“端到端”也正在成為機(jī)器人訓(xùn)練的主流路子。例如，1X EVE 、Digit同樣是通過“端到端”學(xué)習(xí)新技能。

由此不難得出，雖然目前Figure 01展示的只是做咖啡、物品分類，但理論上，只要獲取到人類的數(shù)據(jù)，進(jìn)行“端到端”地訓(xùn)練，它就能掌握更多技能。

我們再回到被“質(zhì)疑”的“蘋果和盤子組合”——即便Figure 01的完美表現(xiàn)是“試出來”的，但隨著“端到端”訓(xùn)練量加大，“試錯”會越來越少，成功率越來越高，最終Figure 01或許真能輕松拿捏家務(wù)，說不定還會在你喊餓時包出一頓餃子。

這一切正如創(chuàng)始人Brett Adcock所言：機(jī)器人就像我的孩子們一樣，在他們學(xué)習(xí)做某件事的過程中，盡管可能失敗了很多次，但他們一旦掌握了就不會忘記，然后他們會不斷積累新的技能。

02 創(chuàng)始人：人形機(jī)器人成本會低于一臺廉價電動汽車

Figure的創(chuàng)始人Brett Adcock年僅38歲，但Figure已經(jīng)是他創(chuàng)立的第三家科技公司。在去年10月的一次訪談中，Brett 分享了 Figure 01的設(shè)計過程，以及他對于通用人形機(jī)器人領(lǐng)域的預(yù)測。

Brett 認(rèn)為人形機(jī)器人研發(fā)一定是軟硬件一體的過程，LLM 為機(jī)器人提供了強(qiáng)大的大腦，是軟件層面的重要補(bǔ)足，而硬件角度，幾乎沒有成熟的供應(yīng)鏈可供使用，因此，Brett要求團(tuán)隊(duì)在設(shè)計產(chǎn)品的同時就要考慮到機(jī)器人重量、計算處理、現(xiàn)實(shí)環(huán)境等細(xì)節(jié)。

適道也對訪談進(jìn)行了原文編譯和節(jié)選，請配合食用。

1、簡單介紹一下 Figure，你們的使命和目標(biāo)是什么？

Brett：Figure 是一家 AI機(jī)器人公司，專注于設(shè)計自動通用人形機(jī)器人（Autonomous General－purpose Humanoids）。自動通用人形機(jī)器人是指具備自主能力，能夠自動執(zhí)行多種任務(wù)，并且在外觀和行為上類似于人類的機(jī)器人。我們的目標(biāo)是在長期能夠部署和人類數(shù)量一樣多的人形機(jī)器人，讓體力勞動成為一種選擇而非必然。

我們的遠(yuǎn)期計劃是在全球部署 100 億個人形機(jī)器人。未來 1－2 年內(nèi)，我們的重點(diǎn)將放在開發(fā)具有里程碑意義的產(chǎn)品上，希望在未來一兩年內(nèi)，能向公眾展示大量人形機(jī)器人產(chǎn)品的研發(fā)成果，包括 AI 系統(tǒng)、低級控制（Low－Level Control）等，最終展示能在日常生活中發(fā)揮作用的機(jī)器人。

2、如果能成功降低制造成本、提高生產(chǎn)量，一個功能完善的人形機(jī)器人制作成本能降低多少？

Brett：如果我們回顧消費(fèi)品或汽車行業(yè)的發(fā)展歷史時，可以看到產(chǎn)品的價格與生產(chǎn)量之間存在強(qiáng)相關(guān)。根據(jù)經(jīng)驗(yàn)曲線（Experience Curve），每當(dāng)生產(chǎn)數(shù)量翻倍，產(chǎn)品的價格或成本就可能下降 20％或 30％。因此，我們可以認(rèn)為價格取決于生產(chǎn)量。

這個原理同樣適用于人形機(jī)器人的生產(chǎn)。目前，一個人形機(jī)器人大約有 1000 個零件，重量約為 150 磅（68 公斤）。相比之下，一個電動汽車可能有大約 1 萬個零件，重量可能在 4000－5000 磅（1800－2250 公斤）之間。

從長期來看，一個人形機(jī)器人的成本應(yīng)該低于一臺廉價電動汽車。這主要取決于機(jī)器人的執(zhí)行器、電機(jī)組件、傳感器的成本以及計算成本。

3、你們打算訓(xùn)自己的模型，還是集成其他模型？

Brett：要讓人形機(jī)器人從工廠走進(jìn)家庭，關(guān)鍵在于語言，所以 LLM 或視覺語言模型對我們的業(yè)務(wù)幫助很大。我們要讓機(jī)器人能夠從語義層面理解世界，做到理解和回應(yīng)用戶的需求和指令，恰好 LLM 可以做到這點(diǎn)。

因此，我們會逐步將視覺語言模型加入機(jī)器人的研發(fā)過程，從高層次的行為角度來幫助人形機(jī)器人理解人類在說什么，讓它能與人類進(jìn)行對話，同時推斷和理解人們在說什么以做出回應(yīng)。

我們很可能不會自己訓(xùn)模型，但我們可以在機(jī)器人系統(tǒng)上訓(xùn)練視覺語言模型，關(guān)聯(lián)傳感器數(shù)據(jù)。

打造一個正確的 AI 數(shù)據(jù)引擎對我們來說非常重要，它能確保我們對機(jī)器人產(chǎn)生的數(shù)據(jù)進(jìn)行準(zhǔn)確的訓(xùn)練，對神經(jīng)網(wǎng)絡(luò)進(jìn)行正確的訓(xùn)練，以便未來能夠有效地部署和使用。這也是驅(qū)動我們盡快讓產(chǎn)品進(jìn)入市場的動力，我們希望將更多的機(jī)器人投放市場，收集數(shù)據(jù)，從而讓我們未來的機(jī)器人隊(duì)伍將變得更加智能、學(xué)會更多技能。

4、為什么需要軟硬件一體開發(fā)？

Brett：如果算上做控制系統(tǒng)（control）、中間件（middleware）和自主決策與行動能力（autonomy）的人，我們的軟件占比會比硬件稍微多一些，因?yàn)橛布�團(tuán)隊(duì)的員工只有 15 個左右，軟件規(guī)模要明顯大一些。

長遠(yuǎn)來看，軟件會成為公司最大的業(yè)務(wù)板塊。Figure 作為一家專注于 AI 的公司，以后會有一個龐大的 autonomy 團(tuán)隊(duì)，并且研發(fā)出關(guān)鍵的 AI 數(shù)據(jù)引擎。

但硬件方面也同樣重要。如果我們真的想做出實(shí)現(xiàn)高性能、高可靠性、高安全性和低成本的人形機(jī)器人，就需要開發(fā)自己的執(zhí)行器、電子設(shè)備、電池和幾乎所有軟件，因?yàn)檫@些都沒有現(xiàn)成的解決方案。

長時間從事軟件開發(fā)再進(jìn)入硬件領(lǐng)域是真的很困難，研發(fā)硬件需要經(jīng)過一個漫長的迭代周期，這也是我們受挫的主要因素。

5、人形機(jī)器人的潛在大市場在哪里？何時出現(xiàn)？

Brett：我們計劃先在未來十幾年內(nèi)持續(xù)擴(kuò)大在商業(yè)勞動力市場的規(guī)模。我們關(guān)注的領(lǐng)域包括醫(yī)療保健、房地產(chǎn)、建筑和零售等，我相信這些領(lǐng)域都有巨大的市場潛力。

另外，還有一些市場尚未應(yīng)用人形機(jī)器人，比如房地產(chǎn)。科技房地產(chǎn)公司開發(fā)的在線平臺可以使用人形機(jī)器人來代替人類經(jīng)紀(jì)人提供服務(wù)。人們可以通過訪問網(wǎng)站預(yù)約看房，然后由人形機(jī)器人打開門迎接他們，在一個虛擬的房屋中全程介紹。這是一個價值數(shù)萬億美元的市場，但科技公司迄今為止還未涉足，因?yàn)槟壳胺康禺a(chǎn)領(lǐng)域的工作仍然過于依賴人力。

此外，還有許多行業(yè)的工作可以通過遠(yuǎn)程操作或其他技術(shù)來完成，人形機(jī)器人可以為這些行業(yè)帶來新的發(fā)展機(jī)會。

6、人形機(jī)器人會讓人們失去工作嗎？

Brett：我的觀點(diǎn)是在接下來的 10－20 年里，機(jī)器人業(yè)務(wù)的發(fā)展將與自動駕駛汽車的發(fā)展路徑類似。就像自動駕駛汽車，高速公路的測試視頻會比城市街道的更早公開，是因?yàn)槌鞘薪值烙懈�高的安全要求和更多的不確定性。

同樣，人形機(jī)器人也會首先解決相對容易的問題，比如在預(yù)知環(huán)境和任務(wù)的情況下搬運(yùn)貨物。這類任務(wù)就像在高速公路上駕駛，相對簡單易行。然而，更復(fù)雜的任務(wù)，例如在家中烹飪或照顧老年人，就像在城市街道上駕駛，更具挑戰(zhàn)性。

盡管大家對人形機(jī)器人的期望往往集中在復(fù)雜任務(wù)的解決上，比如谷歌的機(jī)器人做垃圾分類，豐田研究院在雜貨店等場景的研究，但這些都是非常困難的挑戰(zhàn)。

我很高興有這些研究，但從商業(yè)角度出發(fā)，我們的首要任務(wù)應(yīng)該是解決那些簡單但必要的問題，然后逐漸將 AI 數(shù)據(jù)引擎應(yīng)用到更復(fù)雜的任務(wù)中。

所以 ，F(xiàn)igure 和其他研究團(tuán)隊(duì)關(guān)注的事情恰恰相反。我們的目標(biāo)是在倉儲制造領(lǐng)域應(yīng)用人形機(jī)器人，這個領(lǐng)域的勞動力短缺問題最為嚴(yán)重。全球約一半的 GDP 來自勞動力，我們正在面對全球范圍內(nèi)的勞動力短缺問題。隨著嬰兒潮一代的退休和生育率的下降，這個問題將越來越嚴(yán)重。

原文標(biāo)題 ： Figure 01視頻被質(zhì)疑“注水”？看看創(chuàng)始人怎么說