配资推荐网波士顿动力大突破! Atlas机器人靠单一AI模型解锁类人动作

配资推荐网

当波士顿动力的Atlas机器人在视频里完成跑酷、跳舞时，不少人惊叹“机器人要成精了”。但最近，这款明星机器人又交出了更重磅的答卷——它首次能用一个人工智能模型同时掌控行走与抓取动作，甚至还“无师自通”地学会了捡东西。这不仅是Atlas的一次升级，更被业内看作是通用机器人算法突破的关键一步。

从“分工明确”到“一脑多用”，Atlas打破机器人训练惯例

在此之前，会“十八般武艺”的机器人，大多是“分工明确”的“拼装高手”。比如要让机器人既会走又会抓，工程师通常得给它装两个AI模型：一个专门负责腿部运动，控制行走、跳跃；另一个专攻手臂动作，处理抓取、摆放物品。就像一个人左手画圆、右手画方，得靠两套独立的“大脑”分别指挥，彼此很难协同。

但Atlas这次完全打破了这个惯例。波士顿动力联合丰田研究院（TRI），为它开发了一个大型行为模型（LBM）。这个模型不用“拆分学习”，而是通过视频演示、远程操控和模拟训练，一次性掌握了手臂与腿部的协调控制。用项目负责人、丰田研究院与麻省理工学院机器人学家拉斯·特德雷克（Russ Tedrake）的话说：“对这个模型而言，脚就像是额外的双手，而且它真的奏效了。”

实际测试里，Atlas的动作已经有了“类人感”。比如从箱子里取东西时，它不会像以前那样“机械地伸手”，而是会像人一样调整双腿位置——弯腰够物时重心后移，站稳后再精准抓取，整个过程流畅得像经过无数次演练。这种协调能力，放在以前得靠多个模型反复调试才能实现，现在一个LBM就能搞定。

不止会“执行”，还能“应急”：AI模型催生出“涌现技能”

更让人惊喜的是，这个单一模型还带来了“意外收获”——涌现技能。简单说，就是机器人在没有专门训练的情况下，自发学会了新动作。

最典型的例子就是“捡东西”。研究团队并没有教过Atlas“物品掉落后该怎么办”，但在测试中，当它抓取的物品意外掉落时，它会本能地弯腰、调整脚步，伸手把东西捡起来。这个看似简单的动作，背后是模型对“失衡-恢复-补救”逻辑的自主判断：视觉传感器发现物品掉落，本体感觉数据（感知自身位置和运动的传感器）捕捉到身体重心变化，模型瞬间计算出“弯腰捡物+调整站姿”的组合动作，整个过程不到1秒。

这种“涌现”，和ChatGPT等大型语言模型（LLMs）的“意外能力”很像——LLMs在训练海量文本后，会突然具备编程、写诗等没专门学过的技能；而Atlas的LBM在吸收大量动作数据后，也开始突破“指令边界”，展现出初步的“应变能力”。特德雷克的团队还在其他机器人上验证过这种逻辑：比如训练机械臂切蔬菜、扫咖啡豆，结果机械臂不仅能完成指定动作，还会根据食材硬度调整力度，根据咖啡豆散落范围改变清扫路径。

别被“完美视频”骗了！Atlas的突破到底难在哪？

现在打开短视频平台，经常能看到类人机器人“轻松做家务”的画面：有的能装冰箱，有的能倒垃圾，看起来和Atlas一样厉害。但内行都知道，很多视频是“精心设计的结果”——要么是工程师远程操控，要么是针对单一任务反复编程，甚至连环境都是固定的：桌子高度、物品位置分毫不差，只要环境稍有变化，机器人就会“失灵”。

而Atlas的突破，恰恰解决了这个“痛点”。它的LBM模型靠两个核心能力应对复杂场景：

- 多数据融合：同时接收视觉图像（看清楚物品在哪）、本体感觉数据（知道自己站在哪、手在动）和语言提示（比如“拿起红色盒子”），就像人靠“眼睛看+身体感+脑子想”做事，而不是只靠“预设程序”；

- 泛化能力：在模拟环境里学过“捡积木”后，遇到“捡杯子”“捡工具”也能快速适配，不用针对每个物品重新训练。加州大学伯克利分校机器人学家肯·戈德堡（Ken Goldberg）评价：“腿和手臂的协调是机器人领域的大难题，Atlas用一个模型搞定，绝对是向前迈了一大步。”

不过戈德堡也提醒，对“涌现技能”要理性看待。他指出，就像LLM的“编程能力”其实能在训练文本里找到相关案例，机器人的“应急动作”可能也源于训练数据中的相似场景。比如Atlas会捡东西，或许是因为训练时接触过“物品移动”的相关数据，只是没有明确标注“捡掉落物”这个任务。因此，要判断技能是否真的“无师自通”，还需要看更多细节：比如成功概率多少、失败时如何调整、面对完全陌生的物品能否应对。好在丰田研究院此前对LBM的研究很透明，未来可能会公布更多测试数据。

通用机器人要来了？拐点可能就在这几年

特德雷克坚信，机器人领域正接近一个“拐点”——就像生成式AI从“能写句子”到“能写文章”的跨越，机器人也在从“单一任务”向“通用能力”突破。他的理由很简单：训练LLM的方法，正在机器人身上起效。

以前训练机器人，得“一个动作一个动作教”，成本高、周期长；现在靠大规模数据训练单一模型，不仅能减少研发时间，还能催生出更多“涌现技能”。按照这个趋势，未来的机器人可能真的能“举一反三”：学会焊接管道后，稍作调整就能焊接电路；学会做浓缩咖啡后，能快速掌握做奶茶的技巧，不用工程师重新写代码。

当然，难题还有很多。比如“数据量”和“涌现能力”的关系还不明确：是不是数据越多，技能就越多？目前还没有答案。在今年5月的国际机器人与自动化大会上，戈德堡等专家就提出，光靠“堆数据”不够，还需要工程技术配合——比如让机器人的关节更灵活，传感器更精准，否则就算模型再强，硬件跟不上也没用。

但特德雷克已经在推动机器人“落地”：“我们不能总让机器人在实验室里‘表演’配资推荐网，得让它们走向真实世界，去工厂焊接、去餐厅做咖啡、去家里帮老人拿东西。”或许用不了几年，当我们在生活中遇到能“灵活应对突发状况”的机器人时，回头看就会发现，Atlas今天的这个“单一模型突破”，正是通用机器人时代的“第一块拼图”。

东方优配提示：文章来自网络，不代表本站观点。