机器人学停滞 70 年：Skild AI 的 Deepak Pathak 谈通用大脑与数据飞轮

📌 One-Sentence Summary

CMU 教授、Skild AI 联合创始人 Deepak Pathak 指出，机器人学之所以停滞 70 年，是因为它一直被当作硬件问题而非通用大脑问题；要像语言模型一样实现规模化，就必须沿可扩展性、多样性、与机器人的贴近度三条轴评估每种数据源，并把部署数据回流成数据飞轮，而这只有「任意机器人、任意任务、单一大脑」的全机体智能才能实现。

📝 Summary

Deepak Pathak 开场便给当前的机器人热潮泼了冷水：上世纪五六十年代的演示影像，包括 MIT Copy Demo 和 1957 年的主从式遥操作展示，与今天的视频几乎无法区分，因为机器人学始终被当作硬件问题来攻关，缺的从来是通用大脑——这正是莫拉维克悖论的体现。语言模型的配方无法直接照搬，因为机器人领域没有互联网级数据：遥操作约一分钟才能采集一条样本，就算雇下全部美国人口，也要花一个多世纪才能达到 GPT-3 的训练规模。他随后回顾了自己职业生涯里的四种数据来源——好奇心驱动的自主探索、遥操作、仿真和人类视频——并沿可扩展性、多样性、与机器人的贴近度三条轴逐一权衡，指出它们短板互不重叠、彼此互补，由此得出 Skild 的配方：在可扩展、多样、低质量的数据上预训练，在高质量的遥操作数据上后训练，再把部署数据回流成数据飞轮，而这只有「任意机器人、任意任务、单一大脑」的全机体智能才能实现。他还借此重估任务难度——叠衣服因误差容忍度高而其实容易，夹爪插 AirPods 才是真难，爬楼梯比后空翻更难，因为它需要视觉与对未观测世界的理解——并用约 4000 美元、仅靠一个相机的煎蛋工作站（不到 10 小时数据端到端训练而成）、无建图无规划的爬楼梯、已在 Nvidia 休斯敦工厂上线的 GPU 组装、门前配送，以及断腿后毫秒级在线适应的机器人，论证了通用性让安全成为副产品。

💡 Main Points

机器人学已经「即将实现」了 70 年

上世纪 60 年代的 MIT Copy Demo、1957 年的主从式遥操作展示、深度学习出现前会和人玩桌上足球的人形机器人，看上去都与今天的演示无异，因为这个领域始终从硬件入手攻关，而真正缺的是通用大脑。

机器人领域没有互联网级数据

GPT-3 训练用了超过 30 万亿 token 才开始奏效，而遥操作约一分钟才能采到一条样本；就算雇下全部美国人口，也要一个多世纪才能达到同等规模，纯人工采集既慢又贵。

用可扩展性、多样性、贴近度三条轴评估数据源

自主探索数据、遥操作、仿真和人类视频各自在不同轴线上失分，且短板互不重叠，因此可行配方是：在可扩展、多样、低质量的数据上预训练，再在稀缺而高质量的遥操作数据上后训练。

全机体智能是部署数据飞轮的前提

硬件永远不会收敛到单一机型，只有让任意机器人、任意任务共用一个大脑，部署数据才能回流进预训练；通用性还让安全成为副产品——机器人断腿后能在毫秒级在线适应并重新行动。

爬楼梯比后空翻更难

后空翻只需要了解机器人自身完全可观测的身体，这正是计算机擅长的；而爬上陌生的楼梯需要视觉与实时理解——莫拉维克悖论由此解释了为什么观赏性动作被过度展示。

💬 Key Quotes

但我想强调的是：机器人学在过去 70 年里一直处于「即将实现」的状态。

你可以算一笔账：就算雇下全部美国人口，也要花一个多世纪才能达到 GPT-3 的规模——而今天已经没人用 GPT-3 了。

人们常拿灵巧手当机器人学尚未实现的借口，但事实并非如此——缺的从来是背后的智能。

如果人形机器人爬不了楼梯，那还要腿干什么？腿存在的唯一理由就是这个。

设想是：全世界任何机器人在任何地方采取任何行动，都会让幕后的大脑变得更强，因为它是一个全机体大脑。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： AI Engineer

Author： AI Engineer

Category： 人工智能

Language： 英文

Read Time： 19 min

Word Count： 4551

Tags：

AI 与智能应用 , 具身智能 , 人形机器人 , 视频 , 机器人学

Play Full Video