春日的北京，一場充滿未來感的馬拉鬆賽事吸引了眾人的目光——全球首個人形機器人半程馬拉鬆賽在21.0975公裡的賽道上展開角逐，20支機器人隊伍參賽。無論這些鋼鐵之軀是蹣跚學步還是穩步疾行，必須承認的事實是：它們的每一步都閃爍著人類智慧的火花。

不妨先來回溯一下人類近半個世紀的人形機器人探索之路：1973年，在日本早稻田大學實驗室，WABOT-1以45秒一步的龜速挪動，揭開了人形機器人的序幕。

此后，科研人員以人類自身為藍本不斷精進——本世紀初，日本本田公司發布的阿西莫機器人實現了上下樓梯﹔2013年，美國波士頓動力公司發布的人形機器人Atlas運動能力驚人，在跑步機上健步如飛，還能跳躍、旋轉、翻滾﹔2022年，美國發布人形機器人擎天柱，可以在汽車工廠搬運箱子、抓取金屬棒等。

人形機器人主要由“大腦”“小腦”和“本體”三部分協同支配。以讓人形機器人拿起某個東西為例——要拆解指令、識別環境、規劃路徑，就要求“大腦”具備多層級決策能力﹔要完成走、拿、遞等具體動作，則需“小腦”精准控制。

AI大模型的問世，讓人形機器人擁有了性能更好的“大腦”。“更好”體現在哪呢？此前的人形機器人像一個“提線木偶”，依賴“預先編好的程序”或單一功能的AI，應用場景受限﹔而大模型的出現讓人形機器人加速增長智慧，開始“讀懂”環境，能有一定程度的自主決策交互，拓寬了應用場景。

不過，當前限制人形機器人發展最大的瓶頸仍是“大腦”——軟件方面，面向跨場景的高質量、大規模數據比較缺失﹔硬件方面，面向機器腦的專用算力芯片還需進一步研發和普及。

人形機器人會在哪些領域率先應用呢？工信部印發的《人形機器人創新發展指導意見》給出了三方面場景：服務特種領域需求，打造制造業典型場景，加快民生及重點行業推廣。

服務特種領域需求主要是在條件惡劣、場景危險的環境下作業，像民爆、救援等，需要人形機器人來降低工作危險性。比如，電力特種人形機器人，可承受零下40℃極寒和80℃高溫，在深山老林精准查找故障點。

在制造業，目前人形機器人承擔的是繁重、泛化性強、高度重復的工作，例如搬運顏色、重量、尺寸各不相同的箱子，分揀不同形狀的零配件。

人形機器人要進入更廣泛的真實應用，還要先進行“職業技能培訓”。這是因為機器人在三維世界跟有形物體進行交互的數據不可能從互聯網獲取，只能通過大量投入人力、物力，才能採集到海量真實的交互數據。

以教機器人做家務為例，就需要上百名數據採集員頭戴VR眼鏡、手持操作手柄，“手把手”教機器人疊衣服、收拾碗筷、倒茶、超市收銀……每個動作需要機器人重復數百次。這種訓練借助人工操作機器人完成任務，採集多維數據，然后將數據輸入具身智能模型，成熟后再將模型賦予機器人，使它獲得新技能。

這樣看，買一台機器人“保姆”還需多久？

不會太快！理想中的機器人“保姆”應該能達到這樣的水平——讓它做一道鬆鼠鱖魚，它不僅能處理活魚，還會改刀、油炸、炒糖色、澆汁等。但目前的機器人根本達不到，有專家預計，至少要再過十幾年才有可能吃到機器人做的這道菜。

實際上，相比進太空，人形機器人進家庭的難度更高、周期更長。這是因為家是一個復雜的環境——可能有老人、小孩和貓狗﹔不同地面的平整度、摩擦力也不一樣，人形機器人行走時可能有傾倒的風險等。

未來進入家庭的人形機器人也不能是現有機械、電子結構堆疊的樣子，還需要借助新材料形成模擬人體的肌肉、骨骼，這也是人形機器人要攻克的技術難點之一。

分享讓更多人看到