人形机器人热潮下的冷静思考
近半年来，人形机器人的新闻几乎占据了科技板块的半壁江山。特斯拉的Optimus机器人被预测能创造30万亿美元的收入，而Figure AI的首席执行官更是宣称要打造一百万个人形机器人并最终接入劳动力市场。风险投资（VC）机构也随之疯狂，数百亿美金涌入这一赛道。甚至有投资人在面对仓储机器人团队时，直接质疑：“你们为什么还要做这个？两年内双足双臂的类人机器人就能接管大部分人类工作了。”然而，今天我们想分享一篇可能为这个狂热市场降温的文章。作者是机器人领域的“活化石”罗德尼·布鲁克斯（Rodney Brooks），他不仅是MIT计算机科学与人工智能实验室（CSAIL: 麻省理工学院的计算机科学与人工智能研究机构）的前主任，还是iRobot（iRobot: 扫地机器人Roomba的制造商）和Rethink Robotics（Rethink Robotics: 曾生产协作机器人Baxter和Sawyer的公司）的创始人，一生都在与机器人打交道。他在最新的博客中直言，当前的人形机器人，即便投入再多资金，也无法学会人类的灵活性。那些关于两年内落地、五年内产生经济影响的预测，在他看来全是幻想。为什么这位行业权威会如此笃定？今天，我们将从历史、技术、生理三个维度，解读类人机器人的灵活性难题，以及布鲁克斯对未来15年的预判。
机器人发展史：从机械臂到人形探索
要回答当前人形机器人的问题，我们首先需要回顾历史。许多人可能认为类人机器人是一种新事物，但实际上，人类对机器人操控物体的尝试，仅比人工智能这个词的历史短了一点点。1956年，约翰·麦卡锡（John McCarthy）等四位科学家提出了达特茅斯夏季人工智能研究计划（Dartmouth Summer Research Project on Artificial Intelligence: 人工智能概念首次被正式提出的会议）。仅仅五年后，即1961年，MIT的博士生海因里希·恩斯特（Heinrich Ernst）完成了一项里程碑式的工作：他将一个计算机控制的机械臂和手连接到MIT的TX-0计算机上，使其实现了捡积木、叠积木的动作，甚至留下了当时的视频记录。有趣的是，恩斯特的导师是信息论之父克劳德·香农（Claude Shannon: 现代信息论的奠基人），他还感谢了马文·明斯基（Marvin Minsky: 人工智能领域的先驱之一）的指导，而这两位正是1956年达特茅斯计划四位发起人中的两位。这个早期的机械臂直接奠定了后来工业机器人的基础。从那时起，工业机器人便以计算机控制的机械臂加上末端执行器（End-effector: 机器人手臂末端用于与环境交互的工具或装置）的形态，在工厂里使用了60年。这里的末端执行器，就是我们常说的机器人手。然而直到今天，主流的设计依然是并行夹爪（Parallel Gripper: 一种常见的机器人抓手，通过两个平行手指夹紧物体），即两个可以开合的平行手指，依靠机械力来夹紧物体。例如，布鲁克斯在20世纪70年代于斯坦福大学使用的并行夹爪，与他后来创办的Rethink Robotics在2010年代销售的产品，核心原理几乎相同。唯一的区别是后者增加了摄像头，能够通过视觉定位目标，而70年代的计算机算力还无法支撑这种视觉服务能力。德国有一家名为Schunk的公司，专门生产机器人抓手，现在已经能提供1000多种并行夹爪，有电动的也有气动的，偶尔也销售一些三指径向对称的抓手。但我们几乎看不到多关节仿人手指的工业产品。为什么？因为直到今天，还没有人能做出既具有足够健壮性、又有足够力量，还能保证使用寿命的仿人手指。它们要么过于脆弱，一碰就坏；要么力量不足，无法拿起重物；要么使用不久关节就磨损，根本无法满足工厂24小时运转的需求。
人形机器人热潮的背后：通用性与灵活性之争
那么，类人机器人是如何再次受到关注的呢？实际上，早在20世纪70年代，日本早稻田大学的类人机器人研究所就开始了相关研究，20世纪70年代初便制造出了WABOT-1（WABOT-1: 世界上最早的全尺寸类人机器人之一，由日本早稻田大学开发），这是世界上最早的全尺寸类人机器人之一，此前还花费数年研究双足行走机构。到80年代，又推出了WABOT-2，此后研究从未停止。本田公司在20世纪80年代末开始研发双足机器人，2000年推出的ASIMO（ASIMO: 本田公司开发的类人机器人）可能是许多人第一次在电视上看到类人机器人的样子。索尼公司先是开发了Aibo（Aibo: 索尼公司开发的机器狗）机器狗，2003年又推出了小型类人机器人QRIO（QRIO: 索尼公司开发的小型类人机器人），但并未量产。法国Aldebaran公司2007年推出的NAO机器人（NAO Robot: 法国Aldebaran公司开发的类人机器人，常用于教育和研究）甚至成为了国际机器人足球联赛的标准平台，后来又推出了更大的Pepper（Pepper: 法国Aldebaran公司开发的另一款类人机器人，更注重情感交互），但商业化并不算成功。还有大家熟悉的波士顿动力公司，1986年从MIT分离出来，最初专注于四足机器人，直到2013年才推出类人机器人ATLAS（ATLAS: 波士顿动力公司开发的先进类人机器人）。布鲁克斯本人也在这个领域深耕了几十年。1992年，他在MIT的研究团队开始研发类人机器人Cog（Cog: Rodney Brooks在MIT研究团队开发的类人机器人项目），前后开发了7个不同的版本。2008年，他创办了Rethink Robotics，推出了Baxter（Baxter: Rethink Robotics公司生产的协作机器人）和Sawyer（Sawyer: Rethink Robotics公司生产的协作机器人）两款类人机器人，销售了几千台并部署在全球工厂中。他的学生回到意大利后，还发起了RoboCup开源类人机器人项目，使得全世界许多AI实验室都能制作自己的类人机器人原型。甚至在2004年，《国际类人机器人期刊》（International Journal of Humanoid Robotics: 专注于类人机器人研究的学术期刊）就已创刊，至今已发行22年。这表明类人机器人的研究是一个持续了半个多世纪的“老赛道”。那么，为什么它最近突然火爆起来了呢？原因在于许多人认为类人机器人能够适应人类环境，可以用一种机型解决所有问题。这种想法是关键，正如Figure首席执行官所说：要么制造数百万种特种机器人，要么制造一种类人机器人，然后通过通用接口解决数百万个任务。这种“万能机器人”的想象，加上AI热潮的加持，才使得类人机器人成为了新的风口。然而，布鲁克斯指出，这种想象忽略了一个最核心的问题：类人机器人若要替代人类，首先必须具备人类级别的灵活性，而这恰恰是当前技术难以逾越的障碍。
端到端学习的误区：领域专属预处理的缺失
布鲁克斯指出，当前许多类人机器人公司，包括Figure和特斯拉，都将教会机器人灵活性的希望寄托在端到端学习（End-to-End Learning: 一种机器学习范式，直接从原始输入到最终输出进行学习，中间不进行人工特征工程）上。他们的思路是：既然端到端学习在语音转文字、图像标注、大语言模型上都取得了成功，那么让机器人观看人类动作视频，或者让人类远程操控机器人记录数据，再用这些数据来训练模型，不就能学会灵活操作了吗？然而，布鲁克斯认为这个思路从根本上就是错误的。因为他们没有理解，端到端学习的成功从来不是纯粹依靠数据堆砌出来的，而是依赖于领域专属的预处理。
我们可以拆解三个端到端学习的成功案例，或许就能明白问题所在。
第一个案例是语音转文字。我们现在使用的Alexa、手机语音输入等，都依赖端到端学习。但它并非直接将麦克风的原始信号输入模型。首先需要进行采样，然后使用高通滤波器（High-pass filter: 一种电子滤波器，允许高频信号通过，衰减低频信号）增强高频信号，因为高频是识别辅音的关键。接着，将信号切割成25毫秒的帧，每帧之间重叠10毫秒，并进行加长窗口处理，以避免后续傅里叶变换（Fourier Transform: 一种数学方法，将信号从时域转换到频域）因窗口过短而出现问题。之后可能还需要降噪，再利用快速傅里叶变换（FFT）、Mel滤波器组（Mel Filter Bank: 一种模拟人耳对不同频率声音感知敏感度的滤波器组）等手段将信号分成不同的频段，最后进行对数变换（Logarithmic Transform: 将数据进行对数运算，常用于压缩数据范围或使其更符合正态分布）和余弦变换（Cosine Transform: 一种与傅里叶变换相关的数学变换，常用于信号处理和图像压缩）。这些预处理步骤并非随意添加，它们源自20世纪电话网络的技术。当时为了让一根线路传输更多通话，工程师们研究出了既能压缩语音信号又不影响人类理解的方法。这些预处理本质上是模拟人类听觉系统对语音的处理方式。没有这些预处理，直接输入原始信号，端到端学习根本不可能成功。
第二个案例是图像标注。2012年后，深度学习，尤其是卷积神经网络（Convolutional Neural Network, CNN: 一种深度学习模型，特别适用于处理图像、视频等具有网格状结构的数据）成为了图像识别的主流。但CNN也不是直接使用相机输出的原始像素流。相机输出的是线性的像素序列，但CNN会先将这些像素重构成保留空间邻接关系的数据结构，就像人类视网膜的信号会传递到大脑皮层的拓扑对应区域，相邻的像素在大脑中依然相邻一样。然后，CNN的前几层会利用共享权重来实现平移不变性（Translation Invariance: 图像识别中，物体在图像中位置变化不影响识别结果的特性），例如无论猫在图像的左下角还是右上角，都能被识别出来。这实际上模仿了大卫·休布尔（David Hubel: 诺贝尔生理学或医学奖得主，因发现视觉皮层神经元分工而知名）和托斯坦·威塞尔（Torsten Wiesel: 诺贝尔生理学或医学奖得主，与David Hubel共同发现视觉皮层神经元分工）发现的猫和猴子视觉皮层的柱状结构。这两位科学家因发现视觉皮层的神经元分工而获得了1981年的诺贝尔奖。日本科学家福岛邦彦（Kunihiko Fukushima: 日本科学家，提出了卷积神经网络的雏形——神经感知机）受此启发，于1979年提出了神经感知机（Neocognitron: 由福岛邦彦提出的神经网络模型，是卷积神经网络的早期形式），这才是CNN的雏形。后来，杨立昆（Yann LeCun: 深度学习领域的先驱之一，卷积神经网络的主要贡献者）、杰弗里·辛顿（Geoffrey Hinton: 深度学习领域的“教父”之一）等人在这个基础上进行了改进，才有了今天的CNN。因此，图像标注的端到端学习，本质上是用工程手段复现了生物视觉的核心结构。没有这个前提，纯粹依靠像素堆叠数据，根本无法实现高精度的识别。
第三个案例是大语言模型，例如ChatGPT、Gemini。许多人认为大语言模型纯粹是通过阅读文本学习出来的，但它同样有关键的预处理步骤。首先是token化（Tokenization: 将文本分解成有意义的最小单元（token）的过程），将文本拆分成一个个基本的单元。英文大概使用5万个token，可能是完整的单词，也可能是词根或前缀后缀。token并非随意拆分，而是通过无监督学习，根据文本中出现的频率和组合规律选择出来的。然后是向量嵌入（Vector Embedding: 将词语、句子等离散符号映射到连续向量空间的过程，以捕捉它们的语义关系），将每个token转换成高维向量。这个嵌入过程需要学习token之间的语义相似性，例如“orange”和“red”在颜色子空间中更接近，“orange”和“fruit”在物体类别子空间中更接近。这些预处理本质上是将人类语言的结构转化为机器能够理解的数学形式。没有token化和嵌入，直接将字母串输入模型，大语言模型也根本不可能学会语言。
灵活性难题：触觉反馈的缺失
这三个案例的共性非常明显，即端到端学习的成功必须首先提取领域的核心信息：语音需要提取人类能听懂的频段，图像需要提取生物视觉能处理的空间结构，语言需要提取人类语言的语义单元。然而，类人机器人的灵活性学习恰恰缺乏这个关键前提，因为人类的灵活性核心依赖于触觉。但我们现在既没有捕捉触觉数据的技术，也没有预处理触觉信号的方法。
那么，现在的公司是如何做的呢？Figure公司声称要通过人类视频直接迁移知识，而特斯拉则完全转向纯视觉训练，让工人利用头盔和背包上的五个摄像头录下叠衬衫、捡东西的动作，再输入给Optimus。但这些方法甚至无法通过本吉·霍尔森（Benjie Holson: Rodney Brooks在Robust AI公司的同事）提出的类人机器人奥运会任务。霍尔森提出了15个8岁小孩都能做到但机器人却无法完成的任务，例如：叠好一件袖子反穿的男士衬衫并至少扣上一颗扣子；擦干净自己指尖的花生酱；用勺子将酸奶舀进杯子里而不洒出来等等。这些任务的难点在于需要触觉反馈。例如，叠衬衫时，你需要知道哪块布料是袖子，以及用多大的力才不会扯破；擦花生酱时，你需要知道指尖哪个位置还有酱，摩擦力是否足够擦掉酱。纯视觉数据根本无法提供这些信息，你只能看到手在动，却看不到手用了多大力、有没有碰到东西、摸到的东西是软的还是硬的。
布鲁克斯还引用了霍尔森对当前演示学习的批评：
- 没有腕部力反馈： 人类远程操控机器人时，根本不知道机器人腕部承受了多大的力，动作精度自然无法提高。
- 手指控制粗糙： 无论是人类操控还是AI模型，都只能做到手指的开合，无法实现精细的关节控制。
- 没有触觉感知： 人类手上有数十万个传感器，但机器人手的触觉传感器要么没有，要么精度极差。
- 精度不足： 精度仅为1-3厘米。像叠衬衫这种任务，差1厘米就可能叠歪，这种精度根本不够。
更关键的是，人类的灵活性不仅仅依靠手部。例如，我们叠衬衫时会用肘部顶一下桌子，系鞋带时会用腿支撑身体，开车时会用脚踩踏板。这些全身协同的动作，加上触觉、力反馈的配合，才是灵活性的完整定义。而现在的人形机器人，连手部触觉都尚未解决，更不用说全身协同了。
人类触觉系统的复杂性与机器人触觉的局限
为了更深入地理解触觉对灵活性的重要性，我们可以参考瑞典乌普萨拉大学（Umeå University: 瑞典的一所大学）罗兰·约翰松（Roland Johansson: 瑞典乌普萨拉大学教授，专注于人类触觉研究）教授的研究，他一生都在研究人类触觉。约翰松的团队拍摄了两段视频：第一段中，一个人用正常的手从火柴盒中取出一根火柴并点燃，整个过程耗时7秒；第二段中，还是同一个人，但指尖被麻醉了——他并非完全失去感觉，只是指尖的触觉消失，其他部位的感觉仍在。结果显示，这个人尝试了好几次才从火柴盒中取出一根火柴，掉在桌子上的火柴也无法捡起。好不容易拿起一根，又花费了半天时间调整姿势，最终用了28秒才点燃，时间是原来的4倍，而且过程中充满了失误。
为什么会这样呢？因为人类的手，尤其是指尖，蕴藏着极其复杂的触觉系统。约翰松早在1979年的研究中就发现，人类手部的无毛皮肤中约有1.7万个低阈值的机械感受器，相当于每根指尖约有1000个，其他部位的密度较低。后来，哈佛大学大卫·金蒂（David Ginty）教授的团队进一步发现，人类手部至少有15类触觉神经元，每类负责不同的触觉信号。例如，靠近皮肤表面的默克尔细胞复合体（Merkel cell complex: 皮肤中的一种机械感受器，对轻微按压和纹理敏感）对轻微按压敏感，使你能够分辨物体的纹理，例如摸出纸是光滑的还是粗糙的；指尖中的迈斯纳小体（Meissner corpuscles: 皮肤中的一种机械感受器，对微小振动和轻触敏感）能够感知微小振动，例如当你拿杯子时，杯子稍微滑动一下，它就能立刻察觉到，让你及时调整握力；皮肤深处的帕西尼小体（Pacinian corpuscles: 皮肤深处的一种机械感受器，对压力和低频振动敏感）能够感知低频振动，例如地面的震动；还有鲁菲尼末梢（Ruffini endings: 皮肤中的一种机械感受器，对皮肤拉伸敏感），能感知皮肤的拉伸，例如你握拳时，能知道手被撑到什么程度。
除了皮肤中的感受器，我们的肌肉和肌腱中还有肌肉纺锤体（Muscle spindles: 肌肉中的感受器，感知肌肉长度和长度变化率）和高尔基腱器官（Golgi tendon organs: 肌腱中的感受器，感知肌肉张力）。前者能感知肌肉的长度变化，后者能感知肌肉的张力。例如，当你拿起一个苹果时，肌肉纺锤体会告诉你手指弯曲了多少，高尔基腱器官会告诉你用了多大的劲。两者配合，你才能既抓牢苹果，又不把它捏烂。
更复杂的是，人类的灵活性还依赖于预判。约翰松后来的研究发现，我们看到一个物体时，会根据其外观预判它的重量和硬度，然后提前调整握力和姿势。如果预判错误，我们会立刻通过触觉反馈进行修正，这个过程快到你根本意识不到。
然而，当前的人形机器人有什么呢？最多在手上安装几个压力传感器，能感知到是否碰到东西以及压力大小，但距离人类1.7万个感受器、15类神经元的触觉系统，差距不止一个数量级。正如布鲁克斯所说，我们甚至连触觉到底包含哪些信息都尚未完全弄清楚，更不用说如何用工程手段来捕捉、存储和复现这些信息了。若要纯粹依靠视觉数据教会机器人灵活，就像闭着眼睛学钢琴一样，连琴键在哪都摸不到，又怎能弹奏好呢？
当然，学术界也在尝试突破。例如，MIT****普利特·阿格拉瓦尔（Pulkit Agrawal: MIT教授，研究机器人学习和控制）教授的团队在2025年类人机器人灵活性研讨会上发表的最佳论文中，提出了一种手套和机器人的联动系统。这相当于人类戴上一副手套，手套上固定一个机器人手，距离人类的手约10厘米，动作同步。人类控制自己的手，带动机器人手去操作物体；机器人手上安装了触觉传感器，既能记录触觉数据，又能给人类手提供关节级力反馈。这个系统的进步在于，它首次将人类的动作和机器人的触觉关联起来。但它离人类的触觉系统仍相去甚远，只能提供关节的力反馈，无法提供指尖的纹理感知、振动感知，更没有全身肌肉的张力感知。即便如此，这已经是当前最前沿的探索了。相比之下，企业们依靠视频训练的方法，甚至连这个级别的数据都没有。
行走安全性的巨大挑战
除了灵活性，布鲁克斯还在博客中提出了一个鲜为人知的问题：即便类人机器人学会了灵活操作，其行走安全性也尚未解决，尤其是全尺寸的双足类人机器人，根本不适合与人类在同一空间内活动。
首先，我们需要理解人类行走的原理。人类走路实际上是一个被动动力学（Passive Dynamics: 系统在没有主动控制或能量输入的情况下，仅依靠自身结构和惯性进行运动的特性）与能量回收相结合的过程。你可能见过一些机械模型，它们没有电源，只有几个连杆和关节，放在缓坡上就能自己走下来，这就是被动动力学，依靠重力和惯性就能维持行走节奏。人类也是如此，我们走路时，大部分动作是被动的，不需要大脑刻意控制；同时，我们的肌腱会像弹簧一样，走路时储存能量，下一步蹬地时释放能量，这就是我们走很久也不会觉得累的原因。
然而，当前类人机器人的行走原理完全不同。它们依靠的是零力矩点算法（Zero-Moment Point, ZMP: 一种用于双足机器人平衡控制的算法，通过控制地面反作用力矩为零来维持稳定）。这个算法是米奥米尔·武科布拉托维奇（Miomir Vukobratović: 塞尔维亚科学家，零力矩点算法的提出者）在20世纪50年代提出的，距今已有近70年。ZMP的核心思路是，通过计算地面反作用力的力矩为零的点，来调整机器人的关节角度，维持平衡。为了快速响应失衡，机器人必须使用强力电机。一旦检测到身体要倾斜，电机就会立刻输出大扭矩将其拉回。这种设计的问题在于，机器人的结构必须非常僵硬。如果像人类一样柔软，电机的扭矩就无法及时传递，平衡就会被打破。而僵硬的结构加上强力电机，意味着机器人一旦摔倒，会产生巨大的动能。这里涉及一个物理缩放规律（Physical Scaling Laws: 描述物体尺寸变化时，其物理属性（如质量、强度）如何按比例变化的规律）：如果机器人的尺寸按比例放大，它的质量会按立方增长，而结构强度只能按平方增长。也就是说，全尺寸机器人的质量是半尺寸的8倍，但强度只有4倍。一旦摔倒，它的腿会像重锤一样砸向周围的物体。因此，布鲁克斯建议，不要靠近全尺寸行走的类人机器人3米以内。你可以观察现在所有类人机器人的宣传视频，里面要么没有人，要么人类与机器人距离很远，根本没有人类和机器人并肩行走或人类依靠在机器人身上的场景。如果类人机器人要进入家庭、工厂，与人类近距离互动，这种安全性是必须解决的。我们总不能让老人或小孩时刻担心被机器人砸到吧？
更关键的是，尽管学术界研究被动动力学行走机器人多年，但至今没有一个能达到工业级可靠性的产品。波士顿动力的ATLAS机器人能做后空翻，但其行走依然依赖强力电机和ZMP算法，摔倒时同样危险。其他公司的产品也大同小异。这意味着，类人机器人的行走仍停留在“能走”的阶段，距离“安全行走”还有很长的路要走。
未来展望：功能优先与基础研究的重要性
最后，布鲁克斯给出了一个相对客观的预判：15年后，我们将看到许多类人机器人，但它们的形态既不会像现在的类人机器人，也不会完全模仿人类。为什么？因为当前类人机器人的本质是为了模仿人类，却忽略了功能优先的原则。例如，人类有两条腿是因为我们的祖先需要在草原上奔跑、跨越障碍；但在工厂环境中，轮子比腿更高效、更安全。布鲁克斯自己公司制造的仓储机器人，采用的就是新型的轮式移动系统，这种系统两年前尚不存在，现在已大规模部署。
未来的类人机器人可能会保留适应人类环境的核心能力，例如能够通过人类的门或操作人类的工具，但在形态上会进行优化。例如，可能采用轮腿结合的移动方式，并使用多自由度抓手来代替仿人手指，这样既灵活又安全。
布鲁克斯还呼吁，行业应该将更多资源投入到基础研究上，例如深入理解触觉的生理机制、开发更好的触觉传感器、研究被动动力学行走的工程实现，而不是将资金投入到依靠视频训练机器人上。他甚至表示，如果那些公司和VC将现在五分之一的资金提供给学术界，可能离目标会更近。
回顾机器人发展的历史，我们会发现一个规律：真正成功落地的机器人都是特种化的。工业机械臂专门用于装配，Roomba（Roomba: iRobot公司生产的扫地机器人系列）专门用于扫地，波士顿动力的Spot（Spot: 波士顿动力公司生产的四足机器人）专门用于巡检。类人机器人若要成功，可能也必须首先解决某一个具体场景的核心需求，而不是追求“万能”。例如，可以先开发能在养老院帮助老人递送物品、开门的机器人，解决行走安全性和基础抓取问题，再逐步迭代灵活性，而不是一上来就想替代所有人类工作。
当然，这并非意味着类人机器人没有未来，而是说我们需要理性看待其发展节奏。正如布鲁克斯所说，机器人领域的进步从来不是依靠炒作，而是依靠一个个技术瓶颈的突破。灵活性和安全性，就是当前类人机器人最需要突破的两个瓶颈，而这需要时间、耐心和扎实的研究。