当机器人学会扭秧歌，我们离“人形”伙伴还有多远？

抖音热搜 2025年10月23日 14:56 11 admin

本文仅在今日头条发布，谢绝转载

今年的科技圈和投资圈如果要选一位当红明星，人形机器人无疑是最有力的竞争者。机器人不仅登上了春晚的舞台，大秀舞技，甚至还像模像样地开起了运动会。如今，但凡举办个科技展，要是没有几位人形机器人在现场“镇场子”，似乎就少了几分科技感。

但热闹归热闹，我们也没少看到它们的“冥场面”：走路不稳，拿东西失手，行动像放慢动作，甚至在众目睽睽之下“躺尸”。

2025年8月，世界人形机器人运动会中的足球比赛

近年来，人工智能（AI）的发展可谓一日千里。以 ChatGPT 和 DeepSeek 为代表的大语言模型（Large Language Model），在逻辑推理、文本创作、翻译编程等领域展现出惊人的能力。AI 甚至已经可以绘画、谱曲、生成视频。与此同时，工业机器人也早已在生产制造、物流仓储等领域广泛应用。但人形机器人现在的表现，离它的这些堂表兄妹们还差得很远。

这不禁让人心生疑问：我们距离真正实用的人形机器人，到底还有多远？它们究竟有什么不可替代的价值？今天，我们就来深入探讨这个话题。

一. 硬件的“三座大山”：零部件、磨损与续航

首先，从硬件层面来看，人形机器人就面临着不少技术难关。

第一个挑战来自那些看似不起眼却至关重要的零部件。先举一个例子：“电子皮肤”，它的专业名称是柔性触觉传感器。只有装备了它，机器人才拥有触觉，才能感知和操作这个复杂的世界。然而，目前电子皮肤在精度、成本和稳定性上都还不尽如人意，更无法完全模拟人类皮肤的复杂功能。

还有一个核心零部件，灵巧手，也面临重大卡点。人类的手是一个经过了两百万年进化的“精密机器”，包含27块骨头、29个关节、34块肌肉，以及无数的神经末梢。机器人的灵巧手要做到和人手一样功能，就必须把电动机、减速器、触觉传感器、力/力矩传感器等诸多零部件都集成在一个狭小的空间内，所以不仅成本居高不下，距离人手的灵巧程度也差得远。

紧随其后的第二个难题是磨损。机器人需要与外部世界频繁进行物理接触，磨损和破损在所难免，但是又不具备有机体的自我修复能力。我们人类的手划破了，消消毒，贴个创可贴，身体的自我修复机制就会启动，过个几天就完好如初了。但机器人的电子皮肤一旦损坏，就只能面临繁琐且昂贵的维修，甚至整体更换。不仅如此，即便没有外伤，机器人内部的关节也在持续承受着巨大的压力和摩擦，磨损同样不可避免，必须定时的修理和更换。

2025年4月在北京举办的人形机器人半程马拉松赛中，机器人选手必须有多名工作人员陪跑

第三个，也是最直观的挑战，就是续航与散热。今年4月，北京举办的机器人半程马拉松比赛中，虽然冠军最终以2小时40分的成绩跑完了全程，但中途却更换了三次电池，身边还得有专人全程跟随，手持设备为其喷洒冷却液降温。这戏剧性的一幕，无疑是当前机器人硬件困境的缩影。

二. 软件的瓶颈：AI 大脑的“成长的烦恼”

如果说硬件问题是“身体”上的束缚，那么软件的瓶颈则更像是“大脑”发育的难题。这里，我们不得不提到一个关键概念——泛化能力。

通俗地讲，泛化能力就是“举一反三”的能力。目前人形机器人的泛化能力还相当有限，它们大多只能在特定场景中，按照预设程序完成指定任务。一旦更换环境或任务，它们可能就瞬间“懵圈”、“歇菜”。这也是为什么我们现在还看不到人形机器人能真正落地到家庭这类复杂多变的环境中。

这背后的底层原因是什么呢？我们可以对比一下近年来飞速发展的大语言模型。大语言模型的成功，得益于算法、算力和数据这“三驾马车”的齐头并进。

算法层面：2017年，来自谷歌的8位科学家发表了一篇名为“Attention Is All You Need”的论文。这篇石破天惊的论文，奠定了今天大语言模型的算法基础，也就是我们熟知的 Transformer 架构。
算力层面：根据英伟达创始人黄仁勋提出的“黄氏定律”，GPU的算力每两年就至少翻一番。最近10年飞速提升的GPU 性能，为复杂的AI 计算提供了可能。
数据层面：互联网时代海量、开放的文本和代码数据，为大模型的训练提供了取之不尽的“养料”。现在全球每年产生的数据总量是147泽字节（Zettabytes），大约就是147后面整整21个0。每一分钟在互联网上传输的文字信息总量，就相当于几百万本图书的内容。

机器人在上海的具身智能训练场进行训练

反观人形机器人领域，这三大要素目前都存在明显的短板。

首先是算法。 行业专家认为，机器人 AI 要感知和处理真实物理世界，其复杂度和研发难度远超大语言模型，至今尚未出现一个如 Transformer 般具有统治力的成熟算法架构，技术路线也远未收敛，研究者对发展路径还没有达成一致看法。
其次是算力。 训练 ChatGPT 级别的模型，OpenAI 要动用70万块以上的英伟达H100 GPU。一个数据中心的功率就高达300兆瓦，每小时要用掉30万度电，相当于88万个中国家庭的用电量。但机器人本体空间和能耗都极为有限，不可能背着一个数据中心到处跑。有人提出通过 5G 连接云端进行计算，但对于需要实时与物理世界互动的机器人来说，哪怕是毫秒级的网络延迟也可能是致命的。
最后是数据。 深度学习的本质是“喂”给 AI 海量数据进行训练。与大语言模型拥有的整个互联网语料库相比，用于训练人形机器人的有效数据量简直是九牛一毛。有业内人士指出，自动驾驶领域每天产生的数据可以达到亿级，而机器人的开源数据集还停留在百万级。数据的匮乏，极大地限制了机器人“大脑”的进化速度。

三. 莫拉维克悖论：为什么叠衣服比下围棋更难？

说到人形机器人和大语言模型的差距，就不得不提一个人工智能领域非常有趣的现象，叫做“莫拉维克悖论”（Moravec's Paradox）。计算机科学家、人工智能学者汉斯·莫拉维克（Hans P. Moravec）发现，对人类来说轻而易举的技能，比如拿杯子取水、叠衣服叠被子，对 AI 来说却异常困难；而对人类来说极具挑战的智力活动，如逻辑推理、数学计算和下棋，AI 反而能轻松胜任。

一个经典的例子是，早在2016年，AlphaGo 就击败了围棋世界冠军李世石。但直到2023年，我们才看到能够自己拿起棋子、稳稳放在棋盘上的机器人问世。

2016年，AlphaGo击败围棋世界冠军李世石

这背后的原因，可能要追溯到生命的进化史。运动、视觉、四肢协调等能力，是人类的祖先花费了数亿年时间进化而来的，早已深深烙印在我们的基因里，成为一种本能。而语言、数学、艺术这些抽象思维能力，则是人类在最近几万年甚至几千年才发展出来的技能。用 AI 的术语来说，这两类能力的“预训练”时间，存在着亿年级与万年级的巨大差距。因此，AI 模仿人类的“新技能”相对容易，而复制那些古老的“本能”则困难重重。