大模型+機器人案例分享與碰撞(暨國發(fā)院AI碰撞局第三局小記）

注：本文原文9.1號發(fā)在，就海淀瓢潑大雨那天的活動。

2024年8月9日，在北大承澤園429教室，舉行了北大國發(fā)院AI碰撞局的第三期活動。當晚大雨瓢潑，街上水流過膝，依然還是有20多名同學到了現(xiàn)場，線上也有70多名同學參加了本次活動，活動持續(xù)到10點多。

碰撞局結(jié)束的時候，

大家一致認為侯老師比較帥，韓博像董宇輝

大家之所以如此關(guān)注這次活動，和AI有關(guān)，和具身智能有關(guān)，和本場分享嘉賓千尋智能的韓峰濤韓博也有關(guān)。如果說AI應(yīng)用的形態(tài)基本全是機器人，那機器人發(fā)展到終極差不多就是具身智能。反過來說具身智能正是科幻照進現(xiàn)實的具體體現(xiàn)，《終結(jié)者》或者《超能陸戰(zhàn)隊》中溫情些的大白則全是人類對未來具身智能的想象。韓峰濤博士作為創(chuàng)始人和CEO的千尋智能剛剛獲得順為資本、綠洲資本的投資，此前韓博則以CTO身份長期奮戰(zhàn)在機器人的一線，所以還是很適合談?wù)勥@個話題。

北大國發(fā)院 AI碰撞局主理人王新在主持開場

千尋智能韓峰濤博士在分享

從科幻回到現(xiàn)實后韓博則先對具身智能的巨大預期潑了一盆冷水。韓博談到：

從商業(yè)現(xiàn)實來看，當前工業(yè)機器人滲透率也就在1%~2%（2022年一共銷售30萬臺工業(yè)機器人，保有量在150萬~200萬之間，產(chǎn)業(yè)工人按約1億，每個機器人按照與1個人等價）。

從技術(shù)現(xiàn)實來看，如果最終我們期望的成熟度是100%，那當前最為成熟的機械臂大概是40%，韓博用下面的分數(shù)來描述現(xiàn)在的技術(shù)現(xiàn)實。

那這次具身智能的新機會來自于那里呢？如果說過去的瓶頸是：產(chǎn)品太貴和通用性較差導致的機器人在具體場景里沒什么用，那現(xiàn)在到底出現(xiàn)了什么樣的新可能呢？韓博判斷是在任務(wù)層上解決過去某些常識性問題的新可能加上機械臂等過去的積累創(chuàng)造了新產(chǎn)品機會。而任務(wù)層的新能力關(guān)鍵在于兩點：一是任務(wù)分解層可以大量重用現(xiàn)有各種大模型，一是在動作生成層則需要開拓性的打造具身大模型，從微觀任務(wù)形成機器人的運動軌跡。

對這點，韓博認為相關(guān)技術(shù)比較確定，但確實讓模型生成具身智能的GPT-Token會面對一些獨特的挑戰(zhàn)，比如數(shù)據(jù)問題等。

碰撞局中的韓峰濤博士和侯宏老師

進入碰撞環(huán)節(jié)后，有點像開閘放水，大量問題一下子就涌了出來。我們這里截取其中幾個有代表性的問題。（下面綜合了很多現(xiàn)場參與同學的觀點，不一一列舉各位名字了。）

第一個碰撞點起于侯宏老師、韓博關(guān)于資金使用的討論，隨后現(xiàn)場嘉賓（賈梓筠博士等）加入了進來一下子就擴展到市場定位、數(shù)據(jù)使用、戰(zhàn)略控制點等多個方面。

簡單總結(jié)這個環(huán)節(jié)，要點是：具身機器人大概率要重走類似自動駕駛的道路，在相對垂直場景提升通用度，然后逐步擴展覆蓋場景范圍，比如自動駕駛的從掃地機器人到園區(qū)再到城市的部分地區(qū)等。具體下判斷花錢的時候，則要在市場規(guī)模、海外國內(nèi)等多個要素間取舍均衡選擇一個落點（典型的選擇和集中相關(guān)的戰(zhàn)略問題）。

在這個逐步拓展落地場景的背景下，從產(chǎn)研角度看影響機器人進化速度最大的是數(shù)據(jù)，而數(shù)據(jù)要么是仿真數(shù)據(jù)，仿真數(shù)據(jù)到底可用度什么樣？要么是一般2D數(shù)據(jù)，那2D到3D的轉(zhuǎn)換可用度什么樣？要么就是真實數(shù)據(jù)，那數(shù)據(jù)量級和真實場景這個矛盾怎么解決？

大概率是在啟動期仿真數(shù)據(jù)、一般視頻有點用，最終還得依賴真實場景跑起來螺旋放大，轉(zhuǎn)起來數(shù)據(jù)飛輪。

碰撞中的各位同學們

第二個大的碰撞點則和產(chǎn)品的系統(tǒng)性有關(guān)。

先是侯老師提到了AI碰撞局這三期的一個差異:具身機器人的復合度明顯更高，比前面純粹數(shù)字的智能體至少多出來機器人這部分的專業(yè)性，隨后就衍生到機器人管理、時延等問題。端上要管理，云上也要管理，那到底怎么去構(gòu)建這種架構(gòu)，云邊端的角色如何劃分？

這問題眼下沒那么關(guān)鍵，討論也沒結(jié)論。肯定還是優(yōu)先要解決機器人本身在場景上可用性和價值創(chuàng)造問題，然后大致參照IoT的處理在云邊端分別構(gòu)建管理機制。

但這個問題會越來越關(guān)鍵，一定程度上甚至會變成發(fā)展方向之爭。

未來的機器人到底是像《超能陸戰(zhàn)隊》里的大白，完全的獨立化，還是像《黑客帝國》里面的章魚統(tǒng)一受控于一個中心呢？很遺憾由于時間關(guān)系，除了上面的問題外還有類似特斯拉這種端到端的大模型是不是更好？等問題沒來得及展開。

除了上面的兩個碰撞點外，最后探討的一個問題特別有意思，現(xiàn)場有同學提到到：海外、國內(nèi)聊了很多團隊，有的估值一下子也變的很高，但直觀上很多其實很像“騙子”。韓博怎么看待這事？

韓博很坦誠的表達了自己的一個觀點：泡沫有壞的一面，但從真想做事的人角度，它也有很積極的一面，否則像具身機器人這樣的大賽道不好啟動的，更是很難跨周期。

這個問題正好切中了AI行當?shù)囊粋€大痛點。

AI這行業(yè)總是處在兩個極端狀態(tài)間搖擺：要么處在對AI的普遍預期遠大于技術(shù)現(xiàn)實，要么就是從業(yè)者都是騙子（當年Geoffrey Hinton一度申請不到經(jīng)費，那時候大家覺得干AI的差不多都是騙子）。更為神奇的則是雖然AI一直讓人失望，但每隔幾十年或者十幾年它就再回來一次，回到大家關(guān)注的焦點，人們又總是重新對它報有巨大預期。

AI在這個時間點確實太混沌了，對于從業(yè)者、創(chuàng)業(yè)者、應(yīng)用者而言，在這個時間點，回到現(xiàn)場，解剖麻雀，然后從中可以見小，可以見大差不多是最有效的方法了。這也正是AI碰撞局的宗旨：現(xiàn)場問題，底層邏輯，和而不同，相望而行想表達的。活動越進行越會真切的體會到底層邏輯不能和現(xiàn)場問題分開，兩者更像一個整體的不同側(cè)面。歡迎大家繼續(xù)關(guān)注國發(fā)院數(shù)字中國AI碰撞局。

這個時點的AI太混沌了，宣稱有賺錢方法的大概率是騙子，宣稱全無機會的又過于消極。面對AI就得解剖麻雀，研究案例，回到現(xiàn)場，獲取一線信息。反之越高大上、越論文就越危險。關(guān)鍵是真實案例不好找，所以就有了琢磨事AI碰撞局。研究清楚多個案例，弄明白產(chǎn)業(yè)底層邏輯，再回到自己問題差不多是眼下最靠譜的方式了。對活動感興趣的同學請聯(lián)系cathywangyue。 老李話一三，公眾號：琢磨事