虽然流行的说法认为，由于拥有大型超级计算机，人形机器人很快就会出现在我们的家门口，但现实情况要接地气得多。在加利福尼亚州圣莱安德罗（San Leandro）的一个安静仓库里，物理人工智能（Physical AI）的未来看起来不像是一个光鲜亮丽的实验室，而更像是一场叠叠乐（Jenga）游戏。科技公司 Encord 的专家训练师 Andrew Ceja 每天戴着装有摄像头和大脑感应电极的头显，小心翼翼地从塔中抽出木块。这种不寻常的装置揭示了现代技术的一个基本事实：我们已经耗尽了让机器人变得智能所需的数字燃料。
硅谷在过去十年里搜刮了互联网的每一个角落来训练聊天机器人。如果你向人工智能输入一个问题，系统会根据人类编写的数十亿页文本进行回答。然而，对于物理任务，并没有等效的“动作互联网”。机器人无法通过阅读维基百科条目来学习如何折叠衬衫或堆叠托盘。它需要的数据必须展示力量、角度和意图在三维世界中是如何相互作用的。这种物理信息的匮乏，是你的家里仍然缺乏可靠自动化管家的主要原因。
巨大的物理数据荒
生成式人工智能背后的逻辑很简单：更多的数据带来更好的结果。这对大语言模型（LLM）有效，因为网络是一个无穷无尽的人类思想库。机器人则没有这种奢侈。像 Encord 这样的公司现在正从管理现有数据转向从零开始制造新数据。他们本质上是在为人类经验建造一座数字工厂。
在 Encord 领导机器人学习的 Vineeth Velmurugan 是 OpenAI 等主要实验室的资深人士。他解释说，即使是像 YouTube 这样庞大的视频库，也不足以让机器人学习复杂的操纵动作。观看一个人倒咖啡的视频，与感受咖啡壶的重量或液体的晃动是不一样的。Velmurugan 估计，该行业需要一个大约五倍于 YouTube 规模的数据集，才能在物理智能方面取得突破。这造成了一个巨大的瓶颈，因为收集这些信息需要真人实时执行真实任务。在一个通常以光速发展的行业中，这是一个缓慢的手动过程。
通过读心术教机器
这种数据制造中最具实验性的部分涉及神经技术。Encord 目前正在测试来自德国初创公司 Zander Labs 的头显，以记录人类在体力劳动期间大脑内部发生的情况。当像 Ceja 这样的训练师玩叠叠乐时，头显会追踪他的脑电波以检测心理状态。传感器会寻找惊讶、错误或高度专注的信号。
Zander Labs 的神经科学家 Lucas Gehrke 指出，这些信号提供了摄像机容易忽略的线索。如果人类训练师因为塔快要倒塌而感到瞬间的恐慌，那么这种内部反应就是一个宝贵的数据点。它告诉人工智能模型，这个特定的时刻至关重要。通过用大脑活动标记视频数据，开发人员可以教机器人不仅要做什么，还要知道哪些时刻需要最谨慎。这就像给实习生找了一位导师，这位导师可以分享他们的直觉，而不仅仅是说明手册。
这种方法将人类的每一次运动都变成了一个丰富的、多层的文件。数据包括任务视频、训练师手臂的位置以及他们大脑的电活动。这种组合创建了一张人类技能的高保真地图，机器最终可以模仿这张地图。
为什么你的屏幕时间无法训练机器人
对于普通消费者来说，很容易产生疑问：为什么我们不能直接利用来自门铃和监控摄像头的数十亿小时素材来训练这些机器？问题在于视角。大多数现有视频都是“第三人称”的，缺乏机器人移动自己肢体所需的精确空间数据。为了解决这个问题，Encord 使用了“第一人称视角”（egocentric）视频，即从执行工作的人的角度拍摄。
在圣莱安德罗，操作员使用“领导者-跟随者”装置。这是一对机器人手臂，人类移动其中一组，机器人则完全模仿该动作。当人类将以太网电缆插入服务器或堆叠筹码时，每一个微小的调整都会被记录下来。这比简单的视频要精确得多，它捕捉到了任务中的挣扎感。该设施的另一位操作员 Sofia Infante 展示了插电缆的难度。即使拥有先进的传感器，机器人的钳子也缺乏人类手指的灵活性。这里收集的数据记录了这些失败和成功，以帮助未来的模型弥补这一差距。
制造直觉的高昂成本
这种新的人工智能方法存在巨大的经济障碍。从网上抓取文本几乎是免费的，但制造物理数据却很昂贵。Encord 在其数据中添加了密集的注释，例如将特定动作标记为“右手拧紧螺栓”。Velmurugan 指出，这种高质量、带注释的数据在训练特定技能方面的价值是原始视频的 100 倍。然而，它的生产成本要高出 20 倍。
这种经济模式的转变改变了行业的轨迹。人工智能不再仅仅是一个可以通过更多电力和更快芯片解决的软件问题。它现在是一个物流和劳动力问题。未来人形机器人的基石正由仓库中的专业工人手工打造。这意味着向物理人工智能的转型可能会比向数字人工智能的转型更昂贵、更缓慢。该行业无形的支柱不再仅仅是硅片，而是人类训练师的体力劳动。
这对你未来的家庭意味着什么
从实际角度来看，对脑电波数据和手动训练装置的推动表明，专用机器人将远早于通用机器人出现。我们可能会先看到擅长特定高价值任务的机器——比如管理数据中心或分拣仓库库存——然后才能看到能清理凌乱厨房的机器人。数据中心的数据更容易制造，收集起来也更有利可图。
从大局来看，这项研究突显了人类触感的价值回归。即使是最先进的人工智能公司也意识到，他们不能忽视人类身体和思想的复杂性。下一代设备的“秘诀”不是一种新算法，而是对人类如何与世界互动的更深层次理解。
最终，物理人工智能的进步取决于我们能否将自己的潜意识习惯转化为代码。当你将来看到机器人成功执行任务时，那是成千上万小时戴着头显、玩着游戏的人类操作员努力的结果。讽刺的是，通往自动化的道路是由高强度的人类劳动铺就的。对于消费者而言，这意味着虽然技术正在兴起，但它仍然是由高昂的教育成本所定义的昂贵产品。
来源：TechCrunch 行业报道, Encord 企业简报, Zander Labs 技术文档, OpenAI 机器人研究档案。
