为什么通用机器人依然遥不可及
Reasons robotics is hard
AI在知识领域高歌猛进，但物理世界的机器人却步履维艰。虽然演示视频层出不穷，但机器人仍面临手部灵巧度不足、复杂场景视觉理解困难、缺乏常识推理等15大技术瓶颈。从无法像人类一样灵活操作柔软物体，到难以应对突发状况和边缘案例，再到散热、续航与协作难题，真正的通用人工劳动者距离我们依然遥远。这些挑战揭示了物理智能与数字智能的本质差异，也解释了为何我们至今看不到机器人版的ChatGPT。
在知识领域我们能亲眼看到进步，但AI的物理层面大多仍局限于测试设施和演示视频之中。
HN 评论区
76- _carbyau_
人们一想到机器人，脑海里浮现的总是人形机器人或者像《第五元素》里那样的机器人。
但我认为，首先出现的会是功能更强大的家用电器。
比如一种既能割草又能识别杂草并喷洒除草剂的装置。
下一代版本会装上机械臂，能把花园里的杂草连根拔起。
再下一代会配备各种附件，让你能指挥它进行修剪作业。
接着它就能自己判断如何修剪，并把剪下的枝条直接送入碎木机。
如此循环往复。
不会有一天突然有个全能的人形机器人走进家里包揽一切。
- Animats
一个衡量进步的标志将是亚马逊何时实现自动化拣货。他们为此努力了快十年。他们连续多年举办年度竞赛。他们内部也开发出了一款不错的拣货机器人。[1] 但尚未大规模部署。
而且它远谈不上拥有人形的手，只有一个双面夹爪。
亚马逊的生产机器人大多是自动导引车（AGV），而非机械臂。
我对足式移动技术的发展印象深刻。但到目前为止，似乎还没有人将足式机器人用于任何超出演示级别的商业用途。
特斯拉真的还能在 2026 年底之前量产大量人形机器人吗？
硬件方面确实取得了很大进步。来自无人机行业的电机技术制造出了更好的机器人电机。齿轮减速的最佳比例似乎已经找到。（减速比太大，就无法反向驱动；太小，电机就得做得太大。）现在的产量规模足以证明制造专用机器人零部件的合理性。机器人手臂比十年前好多了，机器人腿也是。控制系统也更好了。看起来人形机器人的成本将和一辆汽车差不多。
但它们仍然不够好，无法真正投入使用。
当一辆亚马逊 Prime 货车驶来，由机器人完成最后 100 米的配送时，我们就知道它们真的来了。
- GlenTheMachine
机器人工程师在此。上面说的这些都对，但他没提到顺应性（compliance）或对无法感知的动态环境的在线适应。也没提到极其复杂的微型机构。
当前一代触觉传感器的成本是每个手指几千美元，而且在实际使用中的平均无故障时间（MTBF）只有几小时。成本问题可以通过规模经济解决，但脆弱性问题更难解决。
- kooi
是的，这个问题非常难。主要是因为高自由度（high DOF）的泛化极其困难。
我们有自动驾驶汽车，是因为控制输入是什么？油门、刹车、方向盘。这已经花了很多很多年。
现在对于人形机器人来说：动作空间在比喻意义上是希尔伯特空间。（物理上，是的，显而易见）
此外，在我看来，大语言模型（LLM）可以辅助机器人开发，但作用仅限于规划和人机控制接口。在此之下就是控制领域，解决方案将是经典控制、神经控制和基于实时优化的控制的正确组合。
那些看起来动作自然的双足机器人？本质上是 PID 控制，外面包裹着控制屏障函数（control barrier functions），用来约束实时求解的二次规划（QP）问题。
但针对每个应用推导这些很麻烦。所以我们需要神经网络方法，这些方法可以在先验动力学知识的约束下进行学习。我的直觉是，Yann LeCun 类型的 JEPa 模型将是任务学习的方式。
- akurilin
最近我找到几篇与此相关的文章/视频，觉得很有用，结论也类似：
https://www.youtube.com/watch?v=FUUzmRH5Yi4
https://www.construction-physics.com/p/robot-dexterity-still...