波士顿动力公司的 Atlas 机器人现在能通过一个单一的人工智能模型同时控制手臂和腿部，学会了行走和抓取物品。更重要的是，它展现出了意料之外的“涌现”技能，比如在没有经过专门训练的情况下，掉落物品后能自主捡起。这一进展可能预示着机器人领域即将迎来类似 ChatGPT 在语言模型领域那样的通用学习突破。
一个模型，多种用途
过去，机器人通常依赖不同的模型来执行不同任务——一个用于行走和跳跃，另一个用于抓取物品。而现在，Atlas 的新方法打破了这一常规。
- 统一控制： 一个通用的AI模型现在能同时控制机器人的手臂和腿部。
- 协同动作： 当机器人弯腰捡东西时，它的腿会像人一样自然地重新调整位置以保持平衡。
- 效率提升： 这种方法简化了控制系统，让机器人的动作看起来更自然、更协调。
丰田研究院的机器人专家 Russ Tedrake 形象地解释道：“从某种意义上说，对于这个模型而言，脚就像是额外的手。而它居然成功了，这简直太棒了。”
“涌现”技能的惊喜
这个新模型最令人兴奋的一点是它表现出的“涌现”行为。就像大型语言模型（LLMs）在处理海量文本数据后，会意外地学会编码等新技能一样，机器人也开始展现出类似的潜力。
最典型的例子是：当 Atlas 掉落一个物品时，它会自发地弯腰将其捡起。这个“恢复”技能并未被明确地编程或训练，而是模型在学习通用任务过程中自主产生的。这表明，通过大规模的通用训练，机器人或许能自行学会解决各种未曾预见的问题。
现实意义与未来展望
尽管我们经常在视频中看到人形机器人完成各种复杂任务，但那些通常是远程遥控或在严格控制的条件下预先编程的结果。Atlas 的新进展则是一个重要的信号，表明机器人正朝着更通用的方向发展。
- 通用性： 未来的机器人可能无需大量重新训练，就能在各种混乱的现实环境中工作，并快速学习从焊接到煮咖啡等新技能。
- 协调性： 加州大学伯克利分校的机器人专家 Ken Goldberg 指出，“腿和手臂的协调是一个重大的进步。”
谨慎与质疑
当然，也有专家对此持谨慎态度。他们认为，一些看似新颖的“涌现”行为可能源于训练数据中隐藏的某些案例。因此，了解机器人在实验中的成功率和失败方式至关重要。
目前，仅靠扩大训练数据能否解锁更多涌现行为仍是一个未知数。但许多研究者相信，机器人技术正接近一个拐点，未来将有更多机器人走出实验室，开始从事真正的工作。