- 人形機器人需要在物理環境中安全運作，面臨更複雜挑戰。
- 模擬技術能以成本效益高的方式訓練機器人，但無法完全替代實際環境。
- 安全性是推動人形機器人廣泛採用的關鍵因素。
- 多樣化的訓練數據能提升機器人的一般化能力，應對未知情況。
在本集的 Lexicon 節目中，我們與 TaskUs 的人工智能服務、安全和機器人市場推廣副總裁 Rick Balzano 進行了對話，探討了將人形機器人轉變為可靠機器所需的較不明顯的工作。Balzano 主要與開發機器人、自動駕駛車輛及其他人工智能系統的公司合作。其中許多工作涉及收集、註解和驗證用於訓練機器在物理世界中運作的數據。
Balzano 指出，大型語言模型（LLMs）主要依賴數位資訊，但機器人則面臨更複雜的挑戰：它們需要感知周圍環境，決定該如何行動，然後執行動作，同時不對自己、附近的設備或周圍的人造成傷害。他解釋道：「LLM 主要處理文本、圖像及其他數位輸入中的模式。而具身人工智能則必須感知物理環境並確定如何在其中行動。」與從互聯網收集的文本和圖像不同，訓練機器人所需的數據多數需要在現實世界中捕獲，包括第一人稱影片、傳感器讀數、物理任務的示範以及物體在被觸碰或移動時的反應資訊。
他表示：「物理行為不容易擴展。一般化需要環境的多樣性和高信號的自我中心數據。」
人形機器人的專業化挑戰
Balzano 解釋說，人形機器人經常被營銷為靈活的通用工作者，但他對此持更謹慎的評估。他表示：「目前，它們可能仍然是高度專業化的機器人，只是包裝成類似人類的形狀。」這並不意味著進展是虛假的。公司在運動學、感知和操作方面確實取得了真正的突破。然而，網上的影片很少揭示成功演示背後的受控條件、遠程協助和廣泛準備。「演示與現實之間的差距非常現實，」Balzano 指出，「這可能是遠程操作員在幕後控制機器人。」
一些看似在工廠中自由漫遊的機器人，其實是在嚴格定義的區域內運作。「你在網上看到的這些機器人看起來似乎在自由漫遊工廠，但實際上它們是在 40 x 40 的區域內，並設有安全措施和遠程操作員。」
他補充道，人形形式並不適用於所有行業的所有任務。有些機器人可能需要手腳，而其他機器人則可能更適合使用爪子、輪子或特定任務的工具。最終目標是開發出足夠強大的「大腦」，可以與不同的物理配置配對。Balzano 解釋：「人形機器人幾乎完全在不可預測的環境中運作。這使得安全性比傳統工業機器人更為複雜。」這類訓練所需收集的最難數據通常涉及稀有但危險的事件。他解釋說，故意讓一台昂貴的機器人從樓梯上摔下來或與設備相撞並不是一個吸引人的提議，但系統仍需要學會在出現問題時如何反應。
精細的運動控制也是一大挑戰。機器人需要知道在抓取物體、摺疊衣物或處理易碎碗碟時該施加多少力量。Balzano 表示，儘管對於獨立學習機器的興趣不斷增長，但人類仍然是教學的主要力量。他說：「未來的想法是它們能夠自我學習，但目前我們仍在為它們進行大量的學習。」模擬技術提供了一種更便宜和更安全的方式來以巨大的規模重複任務。透過模擬，機器人可以練習動作，遇到合成的危險，並在不損壞昂貴硬件的情況下失敗。
「模擬對於這些企業的成功至關重要，」Balzano 說。「這是極具成本效益的，且在擴展時完全沒有風險。」
模擬環境特別有助於創建難以或危險重現的邊緣案例。然而，一個模擬工廠永遠無法捕捉到每一個不規則的表面、硬件故障、意外障礙或不可預測的人類行為。Balzano 將此描述為「90–10 規則」。他說：「如果模擬能讓機器人達到 90%，那麼解決最後的 10% 是否需要佔用 90% 的實際預算？」他表示：「我們今天在節省成本，但明天又將如何？」工廠之間的差異也意味著，為一個場所訓練的機器人不能簡單地被放入另一個場所並期望能正常運作。
「你不能在模擬環境中進行訓練，然後說，‘我們準備好了，’」他說。「你無法將十台這樣的機器人投入十個不同的工廠，並期望它們能弄清楚發生了什麼。」
安全性對部署的重要性
在人體機器人能成為普通工廠或倉庫工人的之前，設施需要可靠的連接性、遠程幹預系統、物理恢復工具以及為在旁工作的人員制定清晰的程序。「我們有責任與合作夥伴一起收集、標記和驗證數據，以便機器人學會如何安全地與物理世界互動，」Balzano 說。訓練數據還必須能反映真正多樣化的環境。照明、房間佈局、物體及工作實踐的差異都可能影響機器人的表現。「必須有一些嚴格的分佈覆蓋，否則模型有過擬合的風險，」他警告道。
Balzano 預測，汽車組裝、倉儲和物流將提供一些首批令人信服的財務回報。這些行業已經廣泛採用自動化，並提供相對結構化的環境。然而，在他看來，僅僅依賴成本和生產力並不足以推動廣泛採用。「可靠性和整合性才是創造收入的關鍵，」他表示。「但最終，安全性將導致大規模部署和擴展。」
對 Balzano 來說，當人形機器人能夠在多樣化的現實世界環境中安全運作時，它們將從引人注目的演示轉變為有用的技術。「這些機器人接觸的真實世界數據越多樣化、高質量，它們就能更好地進行一般化，應對未必曾經遇到的情況，」他解釋道。他估計，這一過渡可能會在五到十年內發生，儘管行業變化太快，無法做出確定的預測。「我已經知道在兩週內將會發生一些有趣的事情，而我們今天討論的一切將成為過去，」他笑著說。
安全性與人形機器人未來的關聯
人形機器人的發展依賴於其在多樣化環境中的安全運作能力。隨著技術進步，模擬訓練成為降低成本及風險的有效手段，但仍需真實數據來補足模擬的不足。安全性不僅影響機器人的操作效率，更是企業是否願意廣泛採用這些技術的關鍵因素。隨著行業需求的變化，能否有效整合安全措施將直接影響人形機器人的市場潛力。