波士頓動力開卷人形機器人，首要目標進廠打工

曾經，波士頓動力（Boston Dynamics）憑借人形機器人的跑酷、后空翻乃至火爆全網的“男團舞”視頻，刷新了大眾對機器人的想象。

圖｜波士頓動力機器人合跳韓國男團舞蹈（來源：Youtube）

然而，隨著行業從狂熱炒作轉向冷靜落地，這家公司也顯露出高開低走的疲態：Atlas 的炫技視頻雖屢屢刷屏，卻始終停留在技術演示階段，遲遲未能轉化為可規模化的商業產品；其四足機器人 Spot 雖已在部分場景實現部署，但營收貢獻有限。

就在去年，波士頓動力迎來一次重大變革。無法量產的液壓版 Altas 宣布退役，電動版 Altas 上線。這體現了團隊的戰略重心轉換，他們不再滿足于成為網紅公司，而是要讓產品真正落地，走向商業化。

圖｜電動版 Atlas（來源：Boston Dynamics）

近日，公司產品負責人 Aya Durbin 接受了媒體的深度專訪。作為連接工程研發與客戶現場落地的關鍵人物，Durbin 以務實的視角，在訪談中拆解了 Atlas 商業化背后的門檻挑戰：在紙箱歪斜、叉車亂停、噪聲震耳的工廠環境中，要讓機器人日復一日地穩穩搬起一個 55 磅的紙板，不出錯、不宕機、不依賴人工干預。

在對話中，Aya Durbin 并沒有過多談論機器人的運動天賦，而是將焦點鎖定在“部署（Deployment）”、“可靠性（Reliability）”和“自主性（Autonomy）”這三個關鍵詞上。對于波士頓動力而言，讓機器人學會跳舞已經是過去式，現在的目標是讓它在工廠里穩健地搬磚。

（來源：interesting engineering）

從“展示品”到“工業品”

很長一段時間里，液壓驅動的 Atlas 是波士頓動力的名片。但在 Durbin 看來，那個版本的 Atlas 有著明確的局限性——它是為了“研究和興奮（research and excitement）”而生的。

它的使命是向研發團隊和全世界展示人形機器人究竟能做到什么動作，是可能性的探索者，而非問題的解決者。

因此，當波士頓動力決定轉向全電動版本時，Durbin 指出，它的目標只有一個：解決現實世界的問題。

這種轉變首先體現在對應用環境的定義上。液壓版是在實驗室里精雕細琢的，而電動版設計之初就是為了投放到“棕地設施（Brownfield facilities）”中。所謂的棕地，指的是那些已經存在、設施陳舊、空間布局主要為人設計的工廠。

圖 | 典型“brown field”（來源：Talonlpe）

這里的通道狹窄，貨架高度不一。新的 Atlas 必須是一個通用的“功能性替代者”，它需要能夠直接走進這些環境，達到甚至超過人類工人的功能預期——能夠得著高處的貨架，提得起重物，也能蹲下處理低處的任務。

更深層的差異在于可制造性和規模化。Durbin 直言，液壓版 Atlas 從未考慮過大規模量產，它更像是一臺精密的 F1 賽車；而電動版則必須成為“豐田卡羅拉”。在硬件層面，它必須可靠、易于維護，并且能夠在生產線上大規模制造。在軟件層面，它必須從實驗室里的定制化演示，進化為能夠應對工業現場各種變量的魯棒系統。

為什么非要人形機器人？

不過，在波士頓動力的產品矩陣中，已經有了四足機器人 Spot 和倉儲機器人 Stretch。為什么還需要一個人形機器人？什么樣的工作非人形不可？

Durbin 并沒有回避專用機器人的價值。她明確表示，專用機器人和傳統自動化設備永遠有一席之地，波士頓動力并不認為人形機器人會淘汰它們。但在某些特定任務上，人形結構具有不可替代的經濟性優勢。

例如汽車行業的排序（Sequencing）環節。

這是一個典型的汽車制造前序工作：供應商將各種零部件運送到物流中心，現場工人需要將這些零件（例如不同顏色、不同配置的門把手）按照汽車總裝線上的生產順序，人工檢出并放入特定的料架。這樣，當料架被運送到總裝線旁時，裝配工人伸手就能拿到正好匹配當前車輛的零件。

Durbin 認為這個環節十分適合 Atlas 完成：

首先，它要求零改造落地的能力。排序作業通常發生在傳統的“棕地”工作單元中。如果使用傳統的自動化設備，工廠可能需要拆除現有的貨架，重新設計傳送帶，甚至改造整個車間，成本極高。而人形機器人可以直接走進現有的工作單元，像人一樣利用現有的空間和工具。

其次，汽車行業變化極快。如果車型改款，或者零件尺寸變了，傳統自動化產線可能需要停工改造。而對于 Atlas，客戶只需要在軟件上進行調整，幾天內就能適應新任務，無需廠商介入。

同時，人形機器人還能做到資產復用。如果未來某天，這個排序的工作單元被取消了，專用機器人可能就變成了廢鐵，但 Atlas 可以直接走到隔壁區域，去執行機器看護（Machine Tending）或其他任務。

應對“臟亂差”：AI 如何解決非結構化難題

但是，工業現場并不是演示視頻里那種光鮮亮麗、一塵不染的實驗室。真實的工廠是臟亂的、不可預測的。

Durbin 說道，“我們很清楚，在不標準的環境中，你不能指望叉車司機把托盤精準地放在毫米級的指定位置。不然你早就用六軸機械臂來干活了。”

為了應對這種非結構化的混亂，波士頓動力在 AI 尤其是強化學習（Reinforcement Learning）上投入了巨大資源。

Durbin 透露，得益于機器人 AI 的最新進展，Atlas 現在具備了極強的環境適應性。

通過仿真訓練（Sim-to-Real），Atlas 在虛擬環境中經歷了數千種不同的場景布局、數千種意外情況和異常流程的訓練。這使得它在現實世界中，當遇到設備位置偏移、光線變化或障礙物干擾時，不需要重新編程，就能依靠本身的模型進行調整和處理。

以前，為了讓機器人穩定工作，工程師可能需要花幾周時間去調試每一個動作坐標；現在，通過行為克隆（Behavior Cloning）和大規模預訓練，機器人擁有了類似于“小學水平”的基礎通識——它認識物體，理解物理屬性，具備基礎的操作邏輯。

Durbin 強調，他們的目標是讓機器人足夠穩定，將人工干預降到最低。如果機器人一遇到意外就報錯停機需要人去扶，那它就不是幫手，而是負擔。

而在談及人機交互界面（UI）時，Durbin 潑了一盆冷水：在工業環境里，語音控制是個偽命題。

盡管當前很多人形機器人演示喜歡展示“聽懂自然語言指令”的能力，但 Durbin 從實戰角度指出了其局限性：

一個是工業設施內部噪音極大，機器轟鳴聲中，語音指令很難被準確拾取和識別。

安全和權限也是一大限制。在工廠管理中，權限就是安全。你絕對不希望看到這樣的場景：隨便一個路過的人，或者并未獲得授權的員工，對著機器人喊一聲“停下”或者“換個活干”，機器人就真的執行了。

（來源： Nano Banana Pro）

因此，波士頓動力開發了一個名為 Orbit 的軟件平臺，作為人機交互的核心載體。目前所有的交互都通過這個軟件界面進行。管理者可以在 Orbit 上查看機器人視角，監控工作進度，下達任務，或者在出現異常時進行干預。

護城河：實戰經驗與可維護性

隨著特斯拉 Optimus、Figure 等競爭對手的涌入，人形機器人賽道變得擁擠不堪。波士頓動力的護城河究竟在哪里？

Durbin 給出的答案非常務實：實戰經驗（Real Miles）。

“即使是現在，我們也有數千臺機器人（Spot 和 Stretch）正在客戶的設施里實際運行。擁有這些真實的運行里程，擁有經過實戰打磨的軟件，以及處理過數千個客戶提出的真實需求，這是我們巨大的差異化優勢。”

通過大規模部署 Spot，波士頓動力學到了兩個關于工業級產品的深刻教訓，并在 Atlas 上進行改進：

一個是可支持性（Supportability）： 在實驗室里，機器人壞了可以由博士們圍著修；但在客戶現場，機器人壞了就是停產事故。Durbin 強調，Atlas 的設計高度重視維修的便捷性。他們采用了“現場可更換單元（Field-Replaceable Units）”的模塊化設計，確保一旦發生故障，客戶的技術人員可以快速更換模塊，而不是必須把整臺機器運回原廠。

另一方面是量產工藝： 制造一臺機器人和制造一萬臺機器人是兩個物種。得益于現代汽車（Hyundai）的控股關系，波士頓動力在建立大規模生產線方面擁有得天獨厚的優勢。Durbin 表示，他們正在利用 Spot 的生產經驗以及現代汽車的制造專長，構建 Atlas 的量產體系。

“一旦人形機器人市場開始爆發，競爭的關鍵就不再是誰的機器人能后空翻，而是誰的產品更可靠、更易于維護、更能量產。”

人機關系：接手那些人類不想干的“苦差事”

最后，針對“機器人搶飯碗”這一敏感話題，Durbin 分享了她在數百個客戶現場調研時的真實觀察。她指出，即使到了 2025 年，許多工業環境中仍存在大量極度繁重、枯燥且不符合人體工學的手工勞動——這些恰恰是 Atlas 應該去填補的空白。

她舉了一個典型例子：紙板裝載。在不少包裝產線上，工人需要反復將一疊壓扁的紙板塞入成型機中。這疊紙板通常高約一英尺（30 厘米），重達 55 磅（約 25 公斤）。操作時，工人必須不斷彎腰、搬起、對準、推入——日復一日，動作高度重復。

“從人體工學角度看，這是極其糟糕的工作，”Durbin 說，“工廠根本招不到愿意長期干的人。更麻煩的是，紙板是軟性、非剛性的材料，容易滑動或翻倒，傳統硬自動化設備很難可靠處理。結果只能靠人來干。”

現實情況往往是：新招的工人干兩三個月就離職；如果有人表現得特別能吃苦，反而會很快被調去更輕松的崗位——于是這個崗位永遠在缺人，永遠在流失。

“這些就是我們所說的最糟糕的區域（Worst Areas），”Durbin 強調。波士頓動力的策略正是聚焦于這類場景——利用 Atlas 超越人類的體力耐力，結合 AI 賦予的環境適應能力，接手那些最容易導致職業傷害、疲勞和人員流失的任務。

在她看來，人形機器人最健康的定位并非取代人類，而是填補真實的勞動力缺口，承擔高負荷、高重復性的“臟活累活”，從而把人類工人解放出來，去做更需要判斷力、靈活性和創造力的工作。

現實的邊界：觸覺與高精度的挑戰

盡管技術進步神速，Durbin 依然保持著工程師的嚴謹。她坦言，有些任務在短期內依然是人形機器人的禁區。

目前最大的技術瓶頸在于極高精度和極高靈巧性的結合，尤其是那些依賴“觸覺反饋”的任務。

“比如在汽車總裝中，把一個小零件裝進車門里。人類工人能感覺到‘咔噠’一聲，那個零件卡到位了；或者在安裝橡膠密封條時，你能感覺到橡膠剛剛好抵住邊框的阻力，”Durbin 描述道，“這些是深度的人類感知體驗。”

雖然現在的機器人可以配備力傳感器，視覺系統也非常發達，但在處理這種需要微妙手感、需要判斷“什么時候才算裝好了”的任務時，機器人依然顯得笨拙。要在汽車總裝線上全面解決這些涉及復雜觸覺反饋的問題，依然需要基礎研究層面的重大突破。

https://interestingengineering.com/ai-robotics/boston-dynamics-aya-durbin-humanoids

運營/排版：何晨龍