AI大模型，無疑是2023年以來最炙手可熱的名詞。

在AI的快速迭代下，各行各業(yè)都掀起了變革的巨浪。每個人都屏住呼吸，期待著下一個被AI顛覆的行業(yè)。

微軟、阿里、谷歌這些科技巨頭們最近的動作表明，下一個迎來革命的行業(yè)，可能就是工業(yè)機(jī)器人。

而人機(jī)交互，就是革命的突破口。

人機(jī)交互，革命的開端

工業(yè)機(jī)器人在過去的幾十年發(fā)展迅猛，但短板依然明顯：需要有專家教它們怎么工作。自機(jī)器人誕生以來，教機(jī)器人做事的方法完全沒有變化：一個專業(yè)程序員團(tuán)隊需要花費成百上千個小時，手動編碼讓工業(yè)機(jī)器人完成特定的動作。

此外，操控不同的機(jī)器人還需要掌握不同的編程語言。這讓調(diào)教機(jī)器人的技術(shù)門檻變得極高。

在現(xiàn)實落地中，這個團(tuán)隊還需要對生產(chǎn)場景有足夠的理解，對機(jī)器人進(jìn)行反復(fù)調(diào)試，機(jī)器人才能在不同環(huán)境下順暢運作。如果機(jī)器人工作環(huán)境出現(xiàn)了變化，一線工作者還需要聯(lián)系專業(yè)技術(shù)人員進(jìn)行處理。這種人機(jī)交互模式的高昂成本始終是工業(yè)機(jī)器人普及的主要障礙。

AI大模型，就是清除這個障礙的最佳工具。

能夠用日常的語言和人類交流，正是ChatGPT的出圈爆火的重要原因。一個對AI一竅不通的用戶也能夠自如地與它溝通，向它下達(dá)指令。

如果將這種能力運用到工業(yè)機(jī)器人上，一個一線工人就能隨時根據(jù)現(xiàn)場的需要，用日常對話的方式來指揮機(jī)器人。人機(jī)交互的改進(jìn)，對于制造業(yè)而言，無疑是一場革命。

頭部AI大公司很快就嗅到了其中的商機(jī)，紛紛嘗試用AI為工業(yè)機(jī)器人“注入靈魂”。

作為OpenAI的長期合作伙伴，微軟首先進(jìn)軍這一領(lǐng)域。在今年年初，微軟的研究人員就宣布他們在通過自然語言命令機(jī)器人單獨完成特定任務(wù)，其中包括讓機(jī)器人識別不同物體，以及控制“無人機(jī)以之字形的路徑檢查貨架”。

更讓人驚奇的是，面對人類沒有說清楚的模糊問題，機(jī)器人搭載的AI會進(jìn)一步地詢問，以搞清楚研究者的真實目的。

例如當(dāng)研究者要求AI 為他找飲料時，AI會先問清楚具體想要哪一種飲料。當(dāng)研究者不直接告訴 AI 選哪個，而是說：“我剛從健身房回來，請幫我找個健康點兒的飲料?！盇I會猜測研究者或許想要喝椰子水，并開始指揮無人機(jī)去取椰子水。

這種溝通方式打開了人機(jī)交互的一扇新的大門，人類不僅可以用自然語言與機(jī)器人直接溝通，機(jī)器人甚至能根據(jù)現(xiàn)場環(huán)境與用戶需求，提供相應(yīng)的建議。

這意味著，一方面，程序員與機(jī)器人的交互效率將有一個飛躍。另一方面，不懂編程，但對應(yīng)用場景理解更深入的人也能參與調(diào)試，創(chuàng)造出效率更高的解決方案。

這在工業(yè)產(chǎn)線上尤為重要，因為同時精通生產(chǎn)需求與編程技術(shù)的工作人員鳳毛麟角。如果AI能清晰地理解一線工作人員的需求，并根據(jù)具體生產(chǎn)環(huán)境實現(xiàn)需求，那么，實現(xiàn)降本增效將是一件輕而易舉的事情。

面對微軟勾畫的未來宏圖，谷歌馬上給予回應(yīng)。

微軟公布論文不久后，谷歌與柏林工業(yè)大學(xué)共同推出了史上最大的視覺語言模型PaLM-E。據(jù)研究團(tuán)隊介紹，該模型隨后將運用到工業(yè)機(jī)器人上。

PaLM-E最為業(yè)界關(guān)注的技術(shù)是，PaLM-E能夠通過分析接收到的視覺圖像，執(zhí)行研究者的指令，而無需任何人類引導(dǎo)。例如在演示視頻中，谷歌團(tuán)隊向機(jī)器人發(fā)出“把抽屜里的薯片拿給我”的指令時，PaLM-E通過分析來自攝像頭采集的周圍空間以及桌子的圖像數(shù)據(jù)，生成了行動計劃，然后機(jī)器人從抽屜中取出薯片，放置在指定位置。

在整個過程中，研究者既沒有預(yù)先處理場景表示，也沒有對其進(jìn)行引導(dǎo)。只要用自然語言向機(jī)器人下指令，它們就能隨機(jī)應(yīng)變地完成任務(wù)。甚至，研究人員好幾次故意“搗亂”，把機(jī)器人拿出來的薯片袋又放了回去，但它總能重新找到薯片袋并完成任務(wù)。

谷歌的計劃，是將機(jī)器人從對環(huán)境變化不知所措的“人工智障”，成為能夠根據(jù)環(huán)境變化，尋找相應(yīng)行動方案的”人工智能“。

無獨有偶，一個多月后，阿里也高調(diào)宣布入局AI+機(jī)器人的賽道。

在第六屆數(shù)字中國建設(shè)峰會上，阿里巴巴董事會主席兼CEO、阿里云智能集團(tuán)CEO張勇宣布:阿里云正在實驗將千問大模型接入工業(yè)機(jī)器人。

在當(dāng)天發(fā)布的演示視頻里，工程師通過釘釘對話框向機(jī)器人發(fā)出指令，機(jī)器人立即理解了指令內(nèi)容并回答，“好的，我找找有什么喝的?！彪S后，機(jī)器人開始識別周邊環(huán)境，從附近找到一瓶水，并自動完成抓取、配送等一系列動作，將水遞送給工程師。

工程師還介紹稱，千問大模型為機(jī)器人執(zhí)行任務(wù)提供了推理決策的能力，一線工人只需發(fā)送一段文字，千問就能理解其意圖，指揮機(jī)器執(zhí)行任務(wù)，有效提升生產(chǎn)效率。

從這三家科技巨頭公布的具體成果來看，用自然語言與機(jī)器人交流，是他們不約而同選擇的展示重點。他們認(rèn)為讓機(jī)器人理解人類的命令，并選擇行動方案，也即”輸入”環(huán)節(jié)與“決策”環(huán)節(jié)，才是這次"AI+革命"的突破口，而工業(yè)機(jī)器人則是AI則是未來最可能的應(yīng)用場景。

其實，這也在情理之中。一方面，目前工業(yè)機(jī)器人部分技術(shù)已經(jīng)逐漸成熟，在部分場景單一，作業(yè)難度不大的領(lǐng)域，AI的落地可行性相對較大。另一方面，人機(jī)交互的革命性改進(jìn)能為制造業(yè)降低大量成本，因此這類AI+機(jī)器人的商業(yè)化落地可能性更大，更有利于刺激資本后續(xù)對該項技術(shù)的投入。

然而，科技巨頭們的野心遠(yuǎn)不止于此。

具身智能，才是AI+機(jī)器人的終極形態(tài)，它也將徹底改變當(dāng)前制造業(yè)。

得益于英偉達(dá)創(chuàng)始人黃仁勛最近的豪言“AI的下一個浪潮將是具身智能”，這個概念快速進(jìn)入了大眾的視野。

具身智能，指的就是能夠感知并理解周邊環(huán)境，通過自主學(xué)習(xí)完成任務(wù)的智能體。其中的“智能”一詞，指的就是與環(huán)境交互，同時在環(huán)境中行動的功能。

根據(jù)研究人員的設(shè)想，當(dāng)人類下達(dá)指令時，一臺具身智能機(jī)器人能夠聽懂人類的語言，“觀察”自己所處的物理環(huán)境，然后通過理解、推理并與環(huán)境互動，完成相應(yīng)任務(wù)。

換句話說，具身智能就是讓機(jī)器人的感知、決策與行動更像人，能夠完成目前只有人類才能完成的復(fù)雜任務(wù)。

那么，為什么具身智能將會沖擊當(dāng)前制造業(yè)的形態(tài)呢？

現(xiàn)在的機(jī)器人，依然需要人類告訴它完成任務(wù)的方法，例如按照特定工序組裝機(jī)械。另外，機(jī)器人將一直遵照這個方法，不會改動。

但具身智能機(jī)器人，能夠在與環(huán)境的互動中，一次次地迭代成長，自主學(xué)習(xí)并發(fā)現(xiàn)最優(yōu)的行動策略。而最優(yōu)的策略，可能遠(yuǎn)比人類制定的方法高效許多。

在未來，無論是生產(chǎn)工藝的改進(jìn)、產(chǎn)線設(shè)計，還是AGV/AMR的集群調(diào)度，人類除了一開始的指導(dǎo)與監(jiān)督以外，只要把總?cè)蝿?wù)告知具身智能機(jī)器人，它們就能夠?qū)崿F(xiàn)全程無人化生產(chǎn)。同時在生產(chǎn)過程中，它們還會根據(jù)環(huán)境與當(dāng)前生產(chǎn)效率，不斷迭代升級生產(chǎn)的策略，且中間的調(diào)整完全無需人類參與。

正如中國工程院院士李德毅教授所說，可交互、會學(xué)習(xí)、自成長是具身智能的核心。

這或許就是制造業(yè)的終極形態(tài)：完全無人化，且會不斷學(xué)習(xí)成長的全自動工廠。

有批評者認(rèn)為，具身智能依然還是個遙遠(yuǎn)的夢想，距離大規(guī)模落地還有很長一段距離。例如具身智能機(jī)器人目前和陌生物體互動時，依然表現(xiàn)不佳。此外，目前具身智能無法完成長序列的復(fù)雜動作，如烘焙或洗碗等。

但一項技術(shù)在爆發(fā)期時的發(fā)展速度，往往比人們想像快得多，這類故事在人類科技史上數(shù)不勝數(shù)，最近的例子就是圍棋AI。

自計算機(jī)發(fā)明以來，人們一直認(rèn)為，圍棋由于其高復(fù)雜度，是無法用人工智能模擬的棋類運動。

AlphaGo在2014年橫空出世，那時候表現(xiàn)最佳的圍棋AI甚至無法擊敗業(yè)余棋手，更不用說代表人類頂尖水平的職業(yè)棋手。

但AlphaGo在2015年就首次擊敗了圍棋職業(yè)棋手，2016年更戰(zhàn)勝了代表人類頂級水平的李世乭九段。從此以后，人類再也沒有望AI項背。今天，圍棋選手推翻了千年以來人類總結(jié)的對弈經(jīng)驗，而將AI的一招一式奉為圭臬。

這一切發(fā)生在3年之內(nèi)。

當(dāng)機(jī)器人搭載了AI大模型之后，他們又會花多久時間，推翻人類上千年的知識積累，重塑制造業(yè)，乃至于重塑整個人類社會？