文章来源：
图片来源：由无界AI生成
2021年的特斯拉AI Day，特斯拉PPT首发了人形机器人Tesla Bot的概念机设计方案。按照马斯克画的大饼，Tesla Bot可以完全代替人类“从事重复性/无聊的工作”。
也许是担心在场观众干看PPT无聊，马斯克请来了一位身着紧身衣的皮套人，模仿Tesla Bot尬舞了一段。
AI Day结束，科技媒体The Verge表示，马斯克的Tesla Bot就是个笑话[1]。文章还援引中央兰开夏大学机器人工程教授Carl Berry的评价：说它是马粪都算抬举它了（horse shit sounds generous, frankly）。
Carl Berry还专门搬出机器人领域的网红公司波士顿动力，认为后者正在踏踏实实的做事，而特斯拉在加深公众对机器人不切实际的幻想。
今年4月，特斯拉的皮套人尬舞再度被拉出来鞭尸。在波士顿动力展示新款机器人的视频中，机器人以一种灵活到有些诡异的方式从地上站起来。
波士顿动力也在推特上阴阳怪气了一句：“我们保证这不是一个穿着紧身衣的人。”
事情的起因是，波士顿动力宣布11岁“高龄”的人形机器人Atlas正式退休——Atlas算得上是初代机器人网红，它被波士顿动力员工一棍子撂倒，接着踉踉跄跄爬起来的视频，一度引发了“停止霸凌机器人”的后现代哲学思考。
结果Atlas领退休金的第一天，“焕新版”Atlas正式出道。最大的变化是，波士顿动力抛弃了原有的液压结构，改为电机驱动。
目前，“焕新版”Atlas的宣传片已经在YouTube上收获了500多万播放量。
相比Atlas熟悉的后空翻大劈叉，相较之下，去年年底的第二代Tesla Bot才刚学会缓慢行走和90度深蹲。
加上马斯克近几年大饼画的太多，也不难理解The Verge会提出“机器人为什么要像人”的质疑。
然而，可能恰恰是2021年PPT上的Tesla Bot和滑稽的皮套人尬舞，决定了波士顿动力的命运。
谷歌发现了什么？
相比荒诞开场的Tesla Bot，波士顿动力这家公司是机器人领域根正苗红的祖师爷。
波士顿动力成立于1992年，前身是麻省理工学院的腿部实验室，长期致力于有腿机器人的研究。
2012年，DARPA（美国国防高级研究计划局）为了推动机器人研究，资助了一场机器人挑战赛，波士顿动力由此进入美国军方的视野。
DARPA是五角大楼旗下的研究机构，和NASA一起诞生于美苏争霸的白热化时期，目的是借助国家意志确保美国在高科技领域的领先。只不过NASA负责地球以外，DARPA负责地球以内。过去几十年间，DARPA直接或间接的推动了GPS、互联网等技术的诞生。
2012年，正值DARPA在机器人、自动驾驶等领域大力投资，为了降低参赛门槛，DARPA希望能有一款标准化的人形机器人，供参赛团队编程。
在这之前，波士顿动力已经为DARPA开发了多款产品，比如外型神似野猪的LS3，能够穿梭于各种极端战场环境，快速运送物资。
波士顿动力LS3
2013年7月，在DARPA的资助下，波士顿动力打造出了身高1.88米，重达150千克的初代Atlas。这个新闻很快传到了谷歌的耳朵里，波士顿动力的命运随之改变。
当时，谷歌正在秘密筹备一个代号为“Replicant（复制人）”的机器人项目，由“安卓之父”安迪·鲁宾亲自带队。按照鲁宾的设想，谷歌将打造一个编程平台，从而推动机器人普及，最终在机器人身上复刻安卓系统的成功[3]。
为了这个庞大计划，谷歌疯狂扫货，一口气收购了九家机器人初创公司，Atlas问世不到半年，波士顿动力就被谷歌收入囊中。此后，Atlas的迭代速度也坐上了火箭。
2016年，波士顿动力毫无征兆的发布了一则新款Atlas的演示视频，视频中Atlas熟练的行走跳跃，尤其是被推倒在地后，仍能自主起身继续完成工作，整个过程栩栩如生，带给公众的震撼不亚于2022年底ChatGPT的问世。
目前，这条视频的Youtube播放量已经积累到了4059万。2017年，Atlas再接再厉，用一个精彩的后空翻再度把波士顿动力送上全球热搜。
Atlas表演后空翻，2017年
然而，就在波士顿动力风头正盛的2017年，投资了五年之久的谷歌却将其甩卖。按照彭博的说法，谷歌管理层的核心分歧在于商业化。
波士顿动力希望埋头研究，但谷歌希望尽快打造能商业化的产品：“我们不可能用30%的资源去投入一个需要10年以上的项目[4]。”
在彭博的报道中，丰田和亚马逊都是潜在的买家，但波士顿动力最终被卖给了软银，2020年又被卖给了韩国现代。
谷歌内部，安迪·鲁宾因性丑闻被扫地出门，Replicant项目也草草收场，划上一个满是遗憾的句号。
一家明星公司在当打之年被潦草脱手，谷歌内部真实的决策过程难以知晓。但在这个过程中起到决定性作用的，很可能是2017年发生在谷歌内部的另一件事。
我来组成头部
2017年6月，谷歌的8位AI科学家联名发表了一篇名为《Attention Is All You Need》的论文。这是继2012年AlexNet勇夺ImageNet挑战赛冠军之后，人工智能发展史上的又一个里程碑事件。
谷歌的科学家在论文里提出了一种“注意力机制”，并基于此开发一个名叫Transformer（变形金刚）的深度学习模型，解决了传统RNN模型的一系列问题。
2020年，谷歌又提出了Vision Transformer ( ViT )概念，赋予了Transformer处理图像的能力。
随着Transformer一口气解决了众多缺陷，它渐渐发展成了AGI领域的唯一解。
2012年的AlexNet让AI有了“感知”的能力，而Transformer和之后的大模型让AI有了“生成”的能力。换句话说，2012年的AI可以识别出各种各样的猫，2017年之后的AI已经可以自己生成猫的图片了。
因此，Transformer的推出直接开启了今天的大模型时代，2018年6月，OpenAI推出了基于Transformer模型的GPT-1，GPT里的“T”，就是Transformer的首字母。此后，OpenAI沿着这条路线持续迭代，并基于GPT模型开发了ChatGPT。
在大模型百花齐放的同时，Transformer也为人形机器人的进步打开了一扇窗户。
传统机器人大多基于特定的规划执行特定的操作，比如运输、分拣，不具备感知和决策能力。人形机器人不仅能与物理世界交互，还有感知和理解能力。
举一个不太恰当但好理解的例子：送餐机器人执行“把外卖送到1203号房”这个任务时，并不理解什么是“外卖”和“1203号房”，只是根据软件系统既定的指令和路线规划完成任务。
但人形机器人可以借由智能化，理解物理世界各种物体、语言和文字的含义，并自主规划和决策。也就是说，机器人可以不依赖预先的编程，就能完成诸如“关掉最上层抽屉”等较为模糊的指令。
波士顿动力的问题在于，无论Atlas的机械与动力结构多么优秀，都无法解决“穷举法”的问题。
Atlas的软件原理是通过摄像头与传感器输入外界环境数据，再根据提前创建的行为库，执行对应的动作。在其官方的文档里，波士顿动力坦诚了这么做的弊端：
“如果盒子向一侧移动了0.5 米，那么Atlas会找到并完成跳跃；如果盒子移动得太远，那么系统将停止[5]。”
由于Atlas的所有动作都依赖提前设计的模版，那么真实环境的一点点变化，都可能让机器人无所适从。这也是为什么传统机器人只被用于环境、路线和职能极度固定的工厂、酒店送餐等场景。
而Transformer带来的思路是，只要让机器学习足够多的数据，就能拥有类人的智能，可以脱离预设的规划进行自主决策。
去年7月《纽约时报》探班谷歌实验室， 完整记录了基于RT-2模型的机器人智能闪现的瞬间：
桌子上放着一堆塑料玩具，工程师让单臂机器人“捡起灭绝的动物”，机器人拿起了恐龙。
这意味着机器人不仅能识别三种动物，也能理解“灭绝的动物”的含义，还可以完成具体的操作。
Google RT-2
Transformer的出现彻底改变了机器人的技术路径，在感知-决策-执行的完整链条中，核心能力不再是驱动机器人后空翻大劈叉的机械结构，而是组成机器人大脑的软件算法。
人工智能的进步在各行各业上演着软件对硬件的夺权，机器人只是其中之一。
另一个正在由软件定义的行业是自动驾驶，这也是为什么马斯克会说：当你能解决自动驾驶，你就能解决现实世界中的人工智能。
特斯拉的三张牌
特斯拉在AI世界的出场，常常呈现某种荒诞不经的色彩。
2022年特斯拉备受期待的Tesla Bot第一次“真人”亮相，居然要依靠三名壮汉搀扶。两个月后ChatGPT横空出世，Tesla Bot成了一块无人问津的背景板。
然而，特斯拉在机器人领域的积累，可能比任何一家公司都要深厚。
自动驾驶本质上是机器人的一个“前置产业”，两者的核心都是基于人工智能，实现感知-决策-执行的完整链条。
这就意味着无论是软件层面的算法，还是硬件层面的视觉传感器、FSD芯片等零部件，理论上都可以用于人形机器人。
特斯拉也的确是这么做的：Tesla Bot共配置有3颗摄像头，左右眼各一个，外加一颗鱼眼广角。芯片是和特斯拉电动车一模一样的FSD自动驾驶芯片。软件上，Tesla Bot也承袭了自动驾驶的技术方案。
2023年特斯拉股东大会，马斯克也确认了这一点：特斯拉已经打通了自动驾驶芯片FSD和机器人的底层模块，实现了一定程度的算法复用。
任何人工智能的发展都需要算法、算力、数据三驾马车来拉动，算法决定了计算机用什么方式识别事物；但算法又需要足够大的算力来驱动；同时，算法的提升又需要大规模高质量的数据；三者相辅相成，缺一不可。
算法和算力层面，特斯拉已经借助电动车业务，完成了从云端（D1）到终端（FSD），核心软硬件的自研。
数据层面，2022年的AI Day上，特斯拉宣称已经存储的有价值训练数据集有23.2万帧，验证数据集0.38万帧。上百万车主正在源源不断的为算法训练贡献着数据。
马斯克本人在AI领域的涉足也常被忽略，他是OpenAI的创始人之一，也是DeepMind的早期投资人。他参与的人工智能公司还有脑机芯片Neuralink、聊天机器人Grok。特斯拉每天接受并处理的视频画面超过1600亿帧，这很可能是商业公司能拥有的最大的真实世界数据集。
波士顿动力很可能意识到了这个问题，但“焕新版”Atlas最大的改变，是从液压改为全电动，最大的好处可能是降低成本。
在一次采访中，创始人Marc Raibert曾表示Atlas在一定程度上激励了马斯克制造Tesla Bot的想法。但在人工智能残酷的竞争中，波士顿动力已经落后太多。
波士顿动力的问题在于，他们用了20年的时间试图教会机器人如何“运动”，但实际上，机器人应该先学会“思考”。
或许在不久的将来，判断机器人的智能化程度，可能不是看它会不会后空翻大劈叉，而是能不能从九张图片中选出包含红绿灯或摩托车的图片，或者滑动滑块使图片位于正确的角度。
