物理AI：机器人如何超越预设动作

物理AI指的是让机器人在物理世界中感知、理解并行动的智能软件，这与仿人外形是两回事。尽管仿人机器人经常能完成令人印象深刻的预设演示，但它们缺乏适应变化条件的能力。该行业正从训练一个单一的、大规模的端到端模型转向基于智能体的方法，即多个专门模型分别处理不同模态（视觉、语言、动作），并且可以独立更新。学习仍是一个瓶颈：目前还没有像用于大语言模型那样的大规模数据集，而从视频中学习等方法仍需补充标注。视觉是最成熟的感知通道，视觉-语言-动作（VLA）模型利用预训练的视觉编码器，并将图像像文本一样进行分词处理。语言充当通用接口，允许高层规划器将高级指令分解为具体步骤。触觉感知被认为对需要精确操作的任务至关重要，因为一旦物体被握住，视觉就不够了；研究探索了人造皮肤，但当前的机器人使用力传感器。本体感觉——即了解机器人自身身体状态——是另一个基本通道，使用编码器、惯性测量单元（IMU）和扭矩传感器。实现类人的灵巧性和适应性仍然是一个遥远的目标，但智能体架构和渐进式改进被视为切实可行的前进之路。