第19章　人形再临：大模型时代的具身竞赛（约 2022 年）

从一座虚构的军火库开始讲起，或许有些奇怪，但这个故事确实需要这样一个起点。2016年，一款名为《少女前线》的手机游戏在中国大陆上线，其世界观设定中，一群被称为“战术人形”的机械战士通过一项名为“烙印系统”的技术，将枪械感知为身体的延伸。扣动扳机之前，人形已经“感受”到弹道的轨迹，武器不再是外挂的工具，而是与感知系统融为一体的肢体。这个设定之所以能够打动玩家，并非因为其技术细节有多么严谨，而是因为它触碰到了一个深植于机器人学百年梦想中的核心渴望：让机器不仅执行动作，而且理解动作的意义；不仅拥有身体，而且拥有统合感知、意图与行动的那个东西——我们姑且称之为“大脑”。在2022年之前的很长一段时间里，这个渴望对于人形机器人而言，始终是一个困在实验室与特技视频里的遥远梦想。躯体的能力在缓慢但持续地进步。波士顿动力的Atlas从踉跄学步进化到可以跑酷、后空翻和在高低错落的平台上跳跃，其双足行走的动力学控制达到了令人惊叹的水平。

但所有这些表演都有一个共同特征：它们展示的是躯体卓越的本能，而非大脑的智慧。每一个动作序列都由工程师预先编程，机器人执行的是一段精密的编舞，而非对环境的理解和对指令的响应。当Atlas完成一个后空翻并稳稳落地时，它并不知道自己刚刚做了什么，也没有能力回应一个在人类看来极其简单的追问：能不能换一种方式再做一次？这种躯体与大脑之间的巨大鸿沟，根植于机器人学的基本架构之中。传统机器人系统遵循一个经典的三段式循环：感知模块从传感器数据中提取特征，规划模块基于这些特征和预设规则计算动作序列，执行模块将计算出的轨迹转化为电机指令。这个架构的问题在于，它高度依赖对人类意图和环境的精确形式化描述。要完成一个看似简单的动作——比如从桌上拿起一把螺丝刀——机器人需要的不仅是识别出螺丝刀这个物体，还需要理解“拿起”意味着以合适的力度抓住手柄部位、以正确的角度提起、并且知道这把螺丝刀接下来将要被递给发出指令的人。

任何一个环节的形式化描述出现偏差，整个动作链就会断裂。在精心布置的实验室环境中，机器人可以完成拧开瓶盖、叠毛巾、开门等任务，但一旦环境发生微小的改变——螺丝刀放在了桌子的边缘而非中央，光线角度发生了变化，附近多了一个无关的物体——系统的失败率就会急剧上升。这其实是机器人学中一个经典问题的现代翻版。早在1988年，机器人学家汉斯·莫拉韦克就观察到，让计算机在智力测试或下棋中达到成人水平相对容易，但让机器具备一岁儿童的感知和运动能力却极其困难。高等推理所需的计算量远小于低级的感官运动技能——这是人类对自己大脑运作方式的根本性误判造成的。四十年的机器人发展史，就是不断与这个悖论相遭遇、相纠缠的历史。工业机械臂通过严格划定工作空间、消除一切环境不确定性来规避它；协作机器人通过力矩限制和速度限制来在有限接触中管控它；自动驾驶汽车通过传感器堆栈和高精地图来在结构化道路中驯服它。

但人形机器人承载着一个远为宏大的野心：在一个为人类身体尺度、人类感知能力和人类操作习惯所设计的世界里，像一个真正的人那样工作。这意味着它不能再依赖环境的预先结构化，不能再要求作业场景按机器的需求重新布置。它必须自己应对门把手的高度、楼梯的倾角、工具的握持方式，以及最根本的——来自另一个人的模糊话语。正是这个最根本的要求，使得长期以来的所有技术路线都撞上了一堵看不见的墙。通过预编程来穷尽所有可能的人类指令和环境变化，在理论上是不可行的：组合爆炸会迅速摧毁任何有限算力的系统。通过手工标注的训练数据来教会机器人识别和应对更多情境，每一步进展都以巨大的人力和时间为代价，而且泛化能力极其有限。人形机器人因此被困在一个悖论之中：越是想让它执行灵活多变的通用任务，就越需要赋予它庞大的预定义规则库；规则库越庞大，系统就越是脆弱、昂贵、不可维护。

在这种情况下，机器人公司能够提供的仍然只是特定场景下的专用解决方案——仓库里的拣选机器人，医院走廊里的配送机器人，工厂特定工位上的装配机器人。人形机器人虽然偶尔以令人惊叹的演示视频刷屏科技媒体，但在可规模化应用的产业版图上始终缺席。然而，就在这漫长的僵持期中，另一条技术河流在计算机科学的上游悄然改道。2017年，谷歌研究团队发表论文《Attention Is All You Need》，提出了Transformer架构。这个最初为机器翻译任务设计的模型结构，在此后数年中以一种近乎狂野的速度向各个领域扩散。2018年，OpenAI发布GPT-1；2020年，GPT-3以1750亿参数的规模首次展现出令人不安的“涌现能力”——模型在没有专门训练过的任务上也能给出合理回答，其表现并非随着参数规模的增加而线性增长，而是在越过某个临界点后突然跃升。2022年11月，ChatGPT向公众开放，在两个月内获得了1亿用户。

视觉领域的变革也在并行发生。CLIP、DALL-E等模型证明，视觉与语言可以在联合嵌入空间中统一表达：一只猫的照片和“猫”这个字，在某种高维数学空间里指向邻近的位置。这意味着计算机第一次开始以接近人类的统合方式理解世界——看到一张椅子的图片，不仅知道它属于椅子这一类别，还关联着“坐”“家具”“木质”“休息”等一系列概念以及它们之间的语义关系。为什么这些看似与机器人无关的进展，最终却成为人形机器人复兴的关键？因为它们在根本上改变了“大脑”的供给逻辑。传统机器人的“大脑”是一个手工搭建的精巧宫殿：每个房间都有明确的功能，通道都是预先设定的。当新的任务需求出现时，工程师必须为新房间设计图纸、打通通道、重新调试整座建筑的结构。而大语言模型和多模态模型提供的，是一种完全不同的范式：一个通过在海量数据上训练而获得的、高度致密的概念网络。

在这个网络中，“拿起螺丝刀”不再需要被分解为一千行代码来定义螺丝刀的外观特征、抓取姿态、力反馈阈值和失败恢复策略。模型已经通过数十亿页的互联网文本和数千万小时的视频，学习到了螺丝刀是用来拧螺丝的、通常放在工具箱或桌面上、被人拿起时握住手柄部位、传递给他人时手柄朝外。这种统计模式的巨型压缩，使得机器人第一次有望绕过莫拉韦克悖论的正面攻坚，从一条侧翼突破。2022年，谷歌研究团队沿着这条侧翼发动了一场关键性的示范行动。他们发布了一项名为SayCan的研究，将一个大语言模型与一台真实的机械臂连接起来。实验的逻辑出奇地简洁：让语言模型作为一个高层规划器，接收人类以自然语言发出的指令，将其分解为一系列更小的子任务；但这些子任务并非随意生成，而是必须通过一个“可负担性”过滤器——系统会评估在当前环境中、当前机器人能力范围内，每一个子任务实际执行成功的概率。然后，机器人逐个执行那些既有用又可行的子任务。

在一次演示中，研究人员向系统提出了一个模糊的日常请求：他们想吃金枪鱼三明治，问机器人能否帮忙。系统没有崩溃，也没有要求更精确的指令。语言模型将这句话拆解为寻找金枪鱼罐头、拿起罐头、移动到餐桌、放下罐头等步骤。机械臂逐一执行，过程中遇到找不到罐头的情况时，它会调整策略——先找到一个看起来像罐头的东西，再确认标签。尽管整个过程缓慢、笨拙、距离真正实用还有很长距离，但它在历史上第一次展示了一个事实：一台机器人可以在没有针对“准备三明治”这一特定任务进行过任何预编程的情况下，仅仅通过理解人类的话语，就大致知道该怎么做。这背后隐含的意义值得反复掂量。SayCan及其后一系列类似研究揭示的，并非感知或执行模块取得了突破。机械臂本身的硬件与控制算法在那个时刻并没有革命性改进。

真正的变化在于高层规划层面：负责理解人类意图、分解任务、按常识安排子任务序列的那部分功能，过去是机器人系统中最薄弱的环节，现在却因为大模型的嫁接而一跃成为相对最灵活的环节。这造成了一个历史性的结构错位：机器人的“大脑”突然领先于“身体”。当大脑已经能够泛泛地理解“清理桌面”并大致规划出动作序列时，身体的执行器还卡在精确定位、力控微调和实时响应这些传统瓶颈上。正是这个结构错位，为2022年之后的人形机器人竞赛提供了最根本的动力和叙事基础。如果大脑的瓶颈率先被打通，那么身体的瓶颈就不再仅仅是工程上的困难，而变成了一个有明确商业激励去攻克的目标——因为一旦攻克，完整的系统将释放出巨大的应用潜能。换句话说，大模型为人形机器人行业提供的不只是技术，也是一种可融资、可传播、可动员产业资源的完整叙事：大脑的问题正在解决，剩下的就是身体的事情，而身体虽然难，但已经有几十年的积累，再加上足够的资金和工程力量，是可以被攻克的。

需要做的，是将机电系统、控制系统、传感器与这个新的大脑深度整合，并找到成本可控的量产路径。这个新叙事的第一个引人注目的响应者出现在汽车行业。2021年8月，特斯拉在其AI Day上抛出了一枚概念炸弹：Tesla Bot——之后更名为Optimus。舞台上出现了一个身穿紧身衣的舞者模仿机器人的动作，随后屏幕上展示了概念渲染图和规格参数。埃隆·马斯克站在舞台中央，将特斯拉重新定义为一家机器人公司，其逻辑链条简洁而有力：特斯拉的电动汽车本质上就是带轮子的机器人，它们使用全自动驾驶计算机、神经网络训练基础设施和视觉感知架构来理解道路环境并做出决策。人形机器人Optimus将继承同一套技术栈，只不过把轮子换成了双腿，把车身换成了人形躯体。马斯克给出的时间表极其激进：原型机将在第二年问世。彼时的反应是分裂的。一部分人视之为典型的马斯克式营销：高调宣布一个遥远的概念，借此提振股价和招聘吸引力。

另一部分人则认为不能完全排除其可能性，因为特斯拉确实拥有几个其他机器人公司不具备的条件：大规模的制造经验、电池管理技术、电机技术，以及一个已经在数十亿英里的实际道路数据上训练过的视觉神经网络。当年FANUC的工业机器人之所以能统治工厂，靠的不仅是机械本体的精度，而是从电机、控制器到软件的全栈整合能力。特斯拉的逻辑与此类似：已经在带轮子的机器人上做了全栈整合，现在要把它移植到带腿的机器人上。这个叙事在商业上极具说服力，因为它将一个看似遥远的科幻愿景重构成现有技术路线的自然延伸，从而降低了投资者和公众的心理门槛。2022年9月30日，特斯拉第二届AI Day在加州帕洛阿尔托举行。一台真人大小的灰色机器人从舞台后方摇摇晃晃地走了出来。它走得很慢，步态远不如Atlas那样流畅有力，挥手致意的动作明显经过简化。

现场的演示仅限于行走、挥手和做几个基本的姿势，但它是真实的——不是电脑渲染的动画，而是一台实实在在的、由电线悬挂在支架上走出来的机器。马斯克随后展示了Optimus在工厂环境中执行简单任务的视频：用机械手拿起零件，从料箱中取出，放到另一个位置。这些动作同样缓慢而笨拙，没有任何超越已有工业机器人水平的灵巧性。但关键不在于它做到了什么，而在于它代表着什么：一家市值数千亿美元的汽车公司，在一年内从一个概念走到了一台可运行的工程原型机——这在人形机器人历史上是前所未有的节奏。而且马斯克明确表示，Optimus将使用特斯拉自研的Dojo超级计算机进行训练，其“大脑”将受益于特斯拉在自动驾驶领域积累的深度学习管道。大脑的供给问题，在特斯拉的叙事中已经有了明确的解决方案。就在特斯拉Optimus蹒跚学步的同一时期，波士顿动力——这家在人形机器人躯体控制领域深耕超过二十年的公司——发布了一段Atlas的新视频。

视频中，Atlas在一个模拟建筑工地上表演了一系列动作：搬动一块木板，转身，将木板架在脚手架上，拿起工具箱，跑跳跃上更高的平台，最后以一个精准的空翻落地。这段视频在社交媒体上的传播量不亚于特斯拉的发布会，但引发的评论却耐人寻味。Atlas的躯体性能无可挑剔——它的动态平衡、全身协调和爆发力仍然遥遥领先于任何同类。但一个重复出现的评论指向了一个尴尬的问题：它能做什么实际的工作？视频中的木板、工具箱和脚手架，都是为展示而精心布置的道具。Atlas的每一个动作仍然由预先编写的轨迹控制，它不知道木板为什么在那里，也不知道脚手架应该怎么用——它只是在执行编好的动作序列。这是一种极致的躯体的胜利，同时也是一种大脑的缺席。将特斯拉Optimus的初次亮相与Atlas的体操表演并置，可以清晰地看到人形机器人领域正在发生的关键分化。

波士顿动力代表的是传统的、以机电性能为本位的路线：将双足行走、跑跳、动态平衡这些最艰难的身体问题推到极致，大脑的事情以后再说。特斯拉代表的则是一种新兴的、以智能和商业化规模为本位的路线：身体不必一开始就很卓越，但必须从一开始就植入到大脑的供给链中——使用神经网络训练，使用大规模云端算力，使用与汽车共用的软件栈，从一开始就以量产成本和通用工作场景为目标进行设计。这两种路线并非简单的技术偏好差异，它们实际上在回答两个不同的问题。波士顿动力追问的是人形机器人的身体能做到什么程度，而特斯拉追问的是如何在最短时间内让一台可量产的人形机器人进入工厂。后一个问题之所以现在能成立，正是因为大脑的瓶颈正在被打通——如果一个云端大模型可以为机械臂规划做三明治的任务序列，那么同样的架构也可以为双足人形机器人规划搬运货物的任务序列。身体虽然依然困难，但它不再是那个让人绝望的完整瓶颈。在中国，一股基于同样判断的创业浪潮正在迅速升腾。

2023年2月，宇树科技的创始人王兴兴在一场行业会议上公开了其全尺寸人形机器人H1的研发计划。宇树此前以四足机器人——也就是“机器狗”——闻名，其消费级产品在全球市场上与波士顿动力的Spot形成正面竞争，价格仅为后者的十分之一左右。这一背景给予了其进军双足人形机器人领域一个独特的切入点：四足机器人在动态行走控制、力控关节、小型化电源管理方面的经验可以直接迁移。王兴兴在后续的融资路演中反复强调一个关键词：具身智能。这个词在2023年迅速成为整个中国机器人行业的高频术语，它要描述的正是那种将大模型的“大脑”与物理世界的“身体”融为一体、通过身体与环境的互动来持续学习和适应、而不是依赖预编程的系统。宇树科技的融资步伐随之加速。2023年第四季度，宇树完成了数亿元人民币的B轮融资，投资方包括多家知名风险投资机构和产业资本。

估值的飙升速度令市场侧目，但更值得关注的是估值背后的叙事：宇树的故事不再是“更好的机器狗”，而是“有大脑的人形机器人”的故事。同期，另一家名为智元机器人的初创公司同样引人注目。智元的创始人彭志辉——更广为人知的名字是“稚晖君”——原是一位在视频平台上拥有数百万粉丝的技术创作者，因其独立设计并制作出精巧的机械手、小型双足机器人和各种硬核电子项目的视频而积累了大量关注。2023年，他走出实验室和镜头，创办了智元，目标直指通用人形机器人。几乎在官宣创业的同时，智元就宣布完成了数亿人民币的天使轮融资，投资方包括高瓴创投和多家顶级风投。彭志辉在其公开发布的创业宣言中写道，他之所以选择在这个时间点全力投入人形机器人，是因为大模型让具身智能第一次变得可期。这句话精准地概括了整个投资风口的核心逻辑。

智元的技术路线图明确将大模型驱动的任务规划与技能学习列为产品的核心差异化优势，而机械本体则采用了相对务实的模块化设计，并不试图在步态速度或动态跳跃上与波士顿动力竞争。同样在2023年，追觅科技、小米等企业也相继展示了各自的人形机器人原型或研发进展，整个中国的人形机器人赛道几乎在一夜之间从零星探索变成了群雄逐鹿。为什么中国初创企业会在这个时间点集体涌入？为什么资本市场会给予如此热烈的回应？答案的层次需要一层层剥开。第一层是技术外溢效应：中国拥有全球规模最大的工业机器人市场，拥有庞大的消费电子供应链，在电机、减速器、传感器、电池等硬件环节积累了深厚的基础。当大模型将大脑问题大幅降低之后，这些硬件能力和供应链优势就成了可以直接变现的资产。第二层是制造场景的牵引力：中国是全球制造业规模最大的国家，在3C电子装配、汽车零部件、物流仓储等领域存在大量对柔性自动化——即能够适应变化而不是只能做固定工序的自动化——的潜在需求。

人口结构的老龄化和劳动力成本的持续上升共同推动着这个需求从“远期考虑”变成“中期迫切”。第三层是政策信号的释放：在2023年，中国多个部委和地方政府陆续发布了对人形机器人产业发展的专门支持政策，将之提升到战略性新兴产业的高度。这三重因素叠加在一起，形成了一个独特的叙事闭环：大模型的突破降低技术门槛，庞大的制造场景提供应用牵引，产业政策提供资源和背书。当这些条件同时具备时，资本的涌入就不再是非理性的泡沫，而是一个结构性机会被多方同时识别的结果。但是，这种基于“大脑优先”策略的人形机器人复兴，是否真的能够兑现其激进的商业承诺？在2022年至2024年之间，一个悬而未决的矛盾开始逐渐浮出水面。无论是特斯拉Optimus的工厂演示，还是宇树H1的行走测试，还是智元的初步实验，所有这些人形机器人的“智能”部分，在很大程度上仍然依赖于远程数据中心的支撑。

大语言模型运行在云端，推理一个任务规划需要几百毫秒到几秒的时间，这在一个允许延迟的应用场景里或许可以接受，但对于需要实时响应的物理交互——比如抓取一个正在滑落的物体，或者在人群密集的环境中安全穿行——这个延迟就可能造成灾难性后果。更重要的是，大模型的知识完全是统计性的：它“知道”如何拿起螺丝刀，是基于数十亿训练样本中螺丝刀、手、抓取等概念的共现模式，而不是基于对物理世界中力、摩擦、惯性的真实理解。在文本和图像中“成功”一万次的抓取，在现实中可能因为一个微小的角度偏差而失败。真正的物理交互需要身体经验——不是互联网规模的图文经验，而是机器人用自己的手臂、手指、关节在无数次实际尝试中积累的、与真实的力反馈纠缠在一起的经验。这种经验无法通过下载模型参数获得，只能通过身体在真实世界中的交互来生成。这就造成了一个棘手的局面：大脑可以远程调用，但身体必须从头修炼。而且身体的修炼是缓慢的、昂贵的、无法并行加速的。

一台机器人每天只能进行有限次数的实际操作尝试，每次尝试都需要工程师在场监视、调试和保护，每次失败可能需要更换零件，每次环境稍微变化都会引入新的变量。用机器人学的术语说，收集高精度的真实场景操作数据是当前面临的核心瓶颈。特斯拉试图通过大规模量产来摊薄这个成本——造足够多的Optimus，然后让它们日夜不停地尝试各种任务，靠数量压缩学习时间。但即使以特斯拉的制造能力，Optimus在其第一次亮相后的两年内，真正能够稳定运行并收集有用数据的数量仍然非常有限。宇树、智元和其他中国初创公司采取的策略则是尽量降低硬件成本，从而让更多的研究机构和用户愿意购买和使用，借助外部力量来扩大数据收集的规模。这条路的挑战在于，硬件成本降低往往意味着传感器精度和耐用性的妥协，而这两者恰恰是收集高质量操作数据的基础。因此，在2022年至2024年之间的这个窗口期，人形机器人领域呈现出一种奇特的景象。

一方面，叙事前所未有地火热：大模型让“通用机器人”从科学幻想变成了看似触手可及的工程目标，资本的涌入和企业的布局在史无前例地加速。另一方面，实地进展远比叙事要缓慢：所有公开演示的人形机器人，在操作能力上并未显著超越十年前DARPA机器人挑战赛中那些笨拙而专注的机器人——它们依然在小心翼翼地开门、缓慢地拧开阀门、颤颤巍巍地走过碎石路面，只是这一次，人们多了一层期待，认为这些动作的笨拙是暂时的，因为大脑已经有了解决方案，身体只是需要时间跟上。这个期待是否合理，历史最终会给出评判。但可以确认的是，“大脑-身体”的分离式进化已经成为一个既定结构，而不会回到从前那种一体式缓慢迭代的路径上。当感知与规划能力可以通过云端大模型持续升级时，人形机器人的性能将不再像过去那样由其机电硬件完全决定。一台出厂后仍然可以通过软件更新变聪明的机器人，与一台出厂时就被固定了能力的机器人，在产业逻辑上属于完全不同的物种。

前者是智能手机的逻辑，后者是传统家电的逻辑。这或许是人形机器人在四十年漫长蛰伏之后，最根本的变化——它从一个纯粹的硬件产品，正在变成一种硬件搭载软件服务的混合体。而这个混合体的“大脑”由全球最顶尖的AI公司持续喂养，“身体”则由不同的硬件制造商竞相打磨，两者以某种尚不稳定的、依赖网络连接的、存在显著延迟和脆弱性的方式拼合在一起。这种拼合架构带来的问题，远不止工程层面。当一台人形机器人的大脑运行在遥远的云数据中心，它收到的每一个指令、采集到的每一帧视觉图像、做出的每一个决策，都在一个企业拥有的服务器上被记录、分析和存储。这台机器人的主人是谁？它的行为由谁负责？如果它因为云端指令的延迟或错误而伤害了人，责任归于算法的提供者、硬件的制造商、云服务的运营商，还是向它发出模糊指令的最终用户？如果它的视觉系统昼夜不停地采集家庭内部图像并上传云端用于模型训练，被采集者的隐私在哪个环节得到保护？

这些问题在法律和伦理上的答案，远远滞后于技术本身的发展速度。更重要的是，当机器人开始在外形上模仿人、在行为上靠近人，一种更深层的社会心理机制开始启动。人类对机器人的接受度并不纯粹是理性计算的结果。一台方方正正的工业机械臂在工作，和一台有眼睛、有手、能对话的人形机器人在家中的走廊里走动，触发的心理反应完全不同。后者模糊了工具与存在的边界：它不只是在执行一个功能，它占据了空间，具有方向性，会让人下意识地给它让路，会让人在不经意间对它说话。大模型赋予了它理解话语的能力，这让人形机器人在“拟人性”上迈出了决定性的一步。但这一步也带来了一个巨大的悬而未决的问题：当一台机器不仅在形态上模仿人，更在认知交互的某些表层能力上逼近人时，信任的边界在哪里？它应该被当作一个物，还是一个准存在者？它说的话如果被听者当真而导致了错误，应该被视为算法失误，还是欺骗？

这些问题的轮廓，已经在2024年之前的窗口期中若隐若现，它们不会随着工程进展而自动消解，只会在每一次技术迭代和社会摩擦中变得更加尖锐。至此，2022年之后人形机器人复兴的本质逐渐清晰。它并非一个由技术突破单独驱动的线性进程，而是一场由大模型引发的大脑供给链革命、由疫情固化的自动化社会预期、以及由全球资本在多重压力下寻找新增长极的冲动所共同催生的历史汇流。这场汇流的力量是真实的，它的确改变了人形机器人的产业坐标和商业逻辑。但被汇流推着走的，不仅是资金和人才，还有大量的假设、期待和未经验证的承诺。在这些假设经受现实检验的过程中，必然会出现错位、失望和重估。当“云脑”的延迟和脆弱性遭遇物理世界的刚性与严苛，当量产成本的压力遭遇技术整合的复杂性，当产业政策的急切遭遇安全监管的审慎，一个充满张力的调整阶段不可避免。人形机器人从实验室走进人的世界，这条路从来不是由技术的单一突破决定的，而是一段在可能性与现实条件之间反复拉扯的漫长旅程。

这一次，因为大脑的外包，它似乎比以往任何时候都更接近那个目标——但也正是因为大脑不在自己身上，它可能比以往任何时候都更脆弱。在这条路的远端，人与机器的边界谈判，才刚刚开始。