机器人，困在赢不了利、落不了地

关于机器人现在和未来的实战和推演，真正的智能何时到来？

机器人无疑是大赛道，不过2022年的机器人赛道，个中滋味可能只有从业者最清楚。

经历了两年多的狂欢，扫地机器人逐渐告别高增长，根据IDC预测，2022年市场出货量同比下降23.8%，市场压力陡增。相形之下，人形机器人在2022年颇受瞩目，戴森、特斯拉、小米……大佬赶集式布局，不过，重磅亮相之后，两极化的市场反响、对商业前景的质疑，不绝于耳。

如果说扫地机器人代表现在，人形机器人代表未来，机器人真正进入、并良好融入我们的生活，会比想象中更快还是更慢？从现在到未来，还有哪些难题待解？

“谁来保护我的隐私？”

“乱撞”、“不智能”、“扫不干净”……这些槽点后，扫地机器人最近又摊上了一个新“罪名”：泄露隐私数据。事情起源于《麻省理工科技评论》的一篇长文调查，曝光了国外某品牌的扫地机器人自带摄像头拍摄用户的事件，包括用户在家上厕所的动态，甚至人脸信息都清晰可见，都被拿去给AI模型做训练数据。这让用户对家中的智能设备再次产生了担忧：谁来保护我的隐私？

越来越多的扫地机器人转向计算机视觉，而为了让视觉导航实现更好的效果，就需要在更多高质量、多样化的数据集上对AI模型进行训练。在上述调查所提到的案例中，一些具体的物体、场景画面都被加上了标注，用以进行训练。这些隐私信息理论上应该处于非常严格的存储和访问控制之下，虽然公司本身没有泄露数据，却在交给第三方进行数据标注的环节出现了纰漏，被负责标注的员工分享到了网上。

摄像头让扫地机器人不那么智障的同时，却带来视觉数据特别是隐私数据被泄露的风险，这让AI应用再次触及到了“数据隐私”这个红线。

汪清在扫地机器人领域从事研发工作，他告诉<与非网>，技术易实现，但法律合规却是一个绕不开的难题。如何防止隐私被偷窥？如何规避法律风险？成为产品落地时必须面对的问题。

当前，中高端扫地机器人基本都配置了AI摄像头，用于辅助识别物体并执行特定的清扫策略。然而，受到成本和算力的限制，AI扫地机器人只能满足辅助清扫的基本需求，因此，提升识别准确度、降低误识别概率，就成了产品的主要卖点之一。

那么，如何提高识别准确度？很重要的一环就是投喂量足够大、足够好的数据，来进行数据训练。对于商业公司来说，获得数据来源最简单直接的方式就是将用户数据上传到云端采集，经过训练优化模型后，再以固件更新的形式发布。

汪清指出，这其中可能就包括了隐私被偷窥的风险，也成为了产品进一步升级时必须面对的问题。一方面，消费者要尽量选择有保障的品牌产品，并且在使用过程中注重数字密码安全等问题；另一方面，也需要厂商提升设备安全性能、加强云端数据安全。但最重要的，是相关法律法规的不断完善，在此基础上的技术创新才能推动更为安全的数据生态。

机器智能：终极AI的最后一公里

人形机器人可以说是最符合人类理想的机器人形态，也始终在吸引着更大的市场兴趣。马斯克甚至认为，“当有一天我们解决了汽车的自动驾驶问题（即现实世界的 AI 问题）后，就可以将 AI 技术推广到人形机器人身上。这将比汽车具有更广阔的应用前景。”对于特斯拉机器人的定位，他表示，最初是替代人们从事重复枯燥、具有危险性的工作，但远景目标是让其服务于千家万户，比如做饭、修剪草坪、照顾老人等。

要真正让机器人走进现实生活中，还有无数个难题要攻克。除了技术、机械挑战，一个最为核心的问题还是人形机器人的“大脑”。市场上有研究者“拆解”了机器人的机械构造，发现虽然零部件是成本占比最高的部分，但“大脑”需要AI技术助推，是“把机器转化为机器人”的关键。

从AI大厂离开的李卓，正全身心沉浸在包括认知科学等在内的心理学研究中，他告诉<与非网>，现阶段的人工智能，仍以模仿人类为主，不论是计算机视觉、自然语言处理还是生成式AI（包括AIGC、数字人等），其内核还是算力、算法和数据的有效结合和应用。

放眼未来的人工智能，应该是有感知、有认知、会学习、自成长的机器智能。那么，如何才能实现这种更高阶的、或者说理想中的智能形态？

李卓指出，首先，人类属于碳基智能体，是一种具身智能；而机器智能属于硅基智能体，是一种人工智能，其生成来自于人类的大规模芯片制造，进化则来自大数据喂养下算法的快速迭代。

对于机器智能体来说，先天的不足——是其芯片组件往往来自人类的预先设计，一旦制成，在整个生命周期中无法动态修改，无法在环境的交互中动态优化。不过，随着芯片设计、封装、制造等技术的演进，包括chiplet、量子芯片等发展，机器智能体的计算方式也在发生变化，迭代进化速度将不断加快。

其次，人类的活动空间是宽泛的，既可以是物理空间，也可以是数字空间；而AI的活动空间是数字空间，要想对周围的物质或能量产生效果，需要通过传感器的采集和执行器的操作才能实现。更为重要的是，人可以通过移动从多个视角去感知所处空间，而机器人暂时还不具备这种能力，往往只能处在某一个场景简单的专业环境中，缺乏人类在通用环境中广泛的活动和社交能力，这是其局限之处。

第三，AI往往参考冯诺依曼架构进行计算，局限在数字空间，在解决特定问题时更高效，有一种“大数据，小任务”的感觉。

而人类的思考方式往往是感知-认知-运动类学习，大脑通过观察感觉输入如何随着运动而变化，去学习世界模型再去反应。其思维的过程就是数百亿神经元的活动，每个神经元都有数以千计的突出，与成千上万个其他神经元相连，人类所知的一切都存储在这些神经元的联接中。人类的思考往往具有一种“小数据，大任务”的感觉，通过分层分级，上一层的价值决定这一层的策略，比如基于一个人的价值观，就能大致判断出他的行动策略。

在可预见的未来，两种智能将走向融合，在物质的联网（交通网）、能量的联网（能源网），信息的联网（物联网&互联网）基础之上，将会形成智能的联网——也就是是人类智能体和机器智能体的融合，并且这种融合将会逐步叠加、互相渗透，例如大脑、器官、义肢、神经元等，将形成更深层的融合。

“所谓的元宇宙，其实就是人类智能体和机器智能体共生的环境”，李卓表示，“在这个混合时空中，机器智能体从数字空间拓展到物理空间，伴生着人类进一步拓展更多个性化的时空，未来，如何构建共同的混合智能伦理和社会将成为我们面临的挑战。”

伴随着AI的发展，其实人类对机器人的感情——可谓是又慕又怕，人类既享受作为“造物者”的智力探索，又惧怕制造出有自主意识、不受人类控制，甚至反攻人类的恐怖对手。

就比如人形机器人，这种具有自主特点的机器智能体，一旦大规模进入社会生活领域后，将会很快进步、积累出世界模型的通用知识和底层逻辑，发展速度会非常快。那最终会不会出现电影《终结者》中的局面？马斯克的答案是不会，因为已经在设计过程中考虑到了这些因素，设计了很多安全保障，本地有停止按钮，可以终止它的行为，也可以通过远程控制进行干预。

未来，最终的智能形态将会主要受环境所驱动，就像大自然的平衡、生物多样性一样，人类智能和机器智能会共存。李卓补充说，比如在人类的活动空间中，还是人类智能主导和控制的智能形态；但是，假设拓展到星际智能、深海智能、地心智能……这些超出人类现存空间的领域，就更需要机器智能。

“更智能的代价”

知乎上有一个有趣的帖子，是关于那场著名的对弈——“AlphaGo 和人类棋手比起来谁消耗的资源更多”。其中的一些讨论，也适用于对机器人落地的思考。

在这场比赛中，一边是1202个CPU、176个GPU和100多名科学家在背后，另一边是一个人脑和一杯咖啡。这难道说明人脑效率远高于电脑、AI是靠着几百上千倍的能源消耗才取胜吗？

不全是。

时隔一年后，AlphaGo从内到外又都焕然一新。内部软件算法升级，不再拘泥于人类棋谱而是自我对弈，比原先的暴力检索大大改观，几秒钟就能下一手棋；外部硬件核心全盘更换为Google新研制的TPU，这种专为AI而生的芯片在特定场合比CPU和GPU的性能有了极大提升，以至于与柯洁对弈的AlphaGo版本只需靠一台物理机上的4个TPU即可运行，而单枚TPU的设计功耗仅为40W。

仅仅一年，AlphaGo的实力又升了几个台阶，而功耗却缩减到千分之一，和人类几乎处于同一数量级。再过一年、五年、十年，将会怎样？

这些都是人类在通往更智能的路上所需要付出的代价，比如：你愿意承担多少能源消耗、投入多少人才、付出多大成本、给予多长的时间周期……但最后都要回到一个终极问题上：场景在哪里？

就像把机器人比作一个要踏入职场的应届生，你能给它找到一份什么样的工作？这是值得去更多思考的。

写在最后

机器人赛道难，难在哪里？难在顶不了天，落不了地。

像扫地机器人这样的新兴赛道，高速发展期过后，成本、受众、创新等问题都逐渐暴露眼前，都是对下一步拓展市场的挑战。而人形机器人这样的未来项目，自身的打磨仍需要足够长的时间周期，更需要找到适合大规模落地的实际场景。

工信部数据显示，过去两年我国机器人行业仍处于亏损经营阶段。尤其是2020年，规模以上机器人企业净利润同比下降26.9%，行业利润率仅3.33%。就连渗透率、普及率较高的清洁机器人、工业机器人赛道，尚且没有完全摆脱亏损。

在交流中，汪清告诉<与非网>，机器人乃至AI落地的最大挑战，主要还是应用的客户和需求尚未明确。AI落地的第一波推动力量是学术界的力量、应用场景的突破以及资本的加持，再加上热点事件的助力，打响了产业落地第一战，也形成了广泛共识——技术成熟、可商业化，只要找到用户就可以形成标志示范效应广泛推广。

但是，这个阶段的AI公司没有盈利业务支撑研发，只能通过不断尝试不同行业场景下的落地实践，提供完整的交付并反馈才能完成落地闭环。人力成本、经营成本高昂，试错成本过高，也不得不依赖多次融资，反复打通场景更换项目来维持活跃性，这是AI初创企业在新场景落地面临的困难之一。

这不仅是人力成本和经营成本无法匹配项目营收的困难，也是项目定制化带来的成本高昂的泡沫。对于初创AI公司来说，获客成本高，对传统企业转型AI来说，更多是对现有客户的增值，特别是在服务碎片化市场客户的时候，比如细分的机器人赛道，这样的基础差别就会更大。