作者：一號(hào)

編輯：美美

ChatGPT擁有了身體，機(jī)器人也有了靈魂。

從OpenAI在去年3月14日拿出GPT-4后，已經(jīng)過(guò)了整整一年。顯然，在GPT-4誕生之后的這一年，一切都迭代得太快了，從GPT-4展現(xiàn)多模態(tài)能力，到千行百業(yè)都在談?wù)揂I，再到Sora引爆AI生成視頻的市場(chǎng)。

資深機(jī)器人專家Eric Jang在不久之前還預(yù)言，“ChatGPT曾在一夜之間出現(xiàn)。我認(rèn)為，有智慧的機(jī)器人技術(shù)也將如此。”

他或許沒(méi)錯(cuò)，在一年后的今天，一家名為Figure的公司在X上上傳了一段人形機(jī)器人的視頻。

在視頻中，F(xiàn)igure的人形機(jī)器人Figure 01，能夠完全與人類流暢對(duì)話，理解人類的想法，同時(shí)根據(jù)理解進(jìn)行抓取和放置的操作，并解釋自己這么做的原因。而這只是OpenAI宣布和Figure共同合作推進(jìn)人形機(jī)器人領(lǐng)域前沿的第十三天。

這段Demo迅速吸引了廣大網(wǎng)友的眼球，有人感嘆，AGI的曙光似乎就在眼前了。

沒(méi)弄虛未作假，這些都是機(jī)器人自學(xué)的

視頻發(fā)布之后，F(xiàn)igure AI的掌門人Brett Adock，在X上來(lái)了一番精彩解讀。

視頻中Figure展示了端到端神經(jīng)網(wǎng)絡(luò)（end-to-end neural networks）框架下與人類對(duì)話的應(yīng)用。在此過(guò)程中沒(méi)有任何遠(yuǎn)程操作。并且機(jī)器人的速度也有了顯著的提升，開始接近人類的速度。

那具體是怎么做到的呢？

首先，F(xiàn)igure AI會(huì)將機(jī)器人攝像頭拍攝到的圖像和通過(guò)板載麥克風(fēng)記錄到的語(yǔ)言轉(zhuǎn)錄成文本輸入到一個(gè)由OpenAI訓(xùn)練的大模型中，這是一個(gè)能夠同時(shí)處理圖像和文本信息的模型。

然后，這個(gè)模型會(huì)處理整個(gè)對(duì)話的歷史記錄，包括以往的圖像，然后通過(guò)文本到語(yǔ)音的方式，生成語(yǔ)音進(jìn)行響應(yīng)，向人類回話。

這個(gè)模型還同時(shí)負(fù)責(zé)決定執(zhí)行哪種已學(xué)習(xí)的閉環(huán)行為來(lái)響應(yīng)給定的命令，它將特定的神經(jīng)網(wǎng)絡(luò)權(quán)重加載到GPU上，并執(zhí)行相應(yīng)的策略。

這樣做之后，F(xiàn)igure 01就有了很多有趣的新功能。例如描述它周圍的環(huán)境、在做決定的時(shí)候運(yùn)用常識(shí)進(jìn)行推理，并且會(huì)理解一些含糊的高級(jí)指令，例如當(dāng)人類說(shuō)“我餓了”的時(shí)候，它會(huì)將桌面上唯一的食物——蘋果，遞給人類，并用簡(jiǎn)單的英語(yǔ)說(shuō)明它為什么這么做。

而關(guān)于Figure 01通過(guò)學(xué)習(xí)掌握的精細(xì)雙手操作技能，這些所有的行為都是由神經(jīng)網(wǎng)絡(luò)的視覺(jué)-運(yùn)動(dòng)轉(zhuǎn)換器策略驅(qū)動(dòng)，能將像素直接映射到動(dòng)作。這些網(wǎng)絡(luò)以每秒10幀的速率接收機(jī)載圖像，并以200hz的頻率生成24-DOF動(dòng)作，包括手腕姿勢(shì)和手指關(guān)節(jié)角度。

簡(jiǎn)單來(lái)說(shuō)，預(yù)訓(xùn)練模型會(huì)首先對(duì)圖像和文本進(jìn)行常識(shí)推理，然后給出動(dòng)作計(jì)劃；接著，機(jī)器人再基于已學(xué)習(xí)的視覺(jué)-動(dòng)作執(zhí)行策略，做出快速的反應(yīng)行動(dòng)。同時(shí)通過(guò)全身控制器確保動(dòng)作的安全性和穩(wěn)定性，保持機(jī)器人的平衡。

Figure，眾人看好的具身智能公司

人工智能的后半場(chǎng)，以機(jī)器人為代表的具身智能將成為新的智能增長(zhǎng)點(diǎn)。

英偉達(dá)CEO黃仁勛曾說(shuō)，“具身智能將引領(lǐng)下一波人工智能浪潮”。這樣的觀點(diǎn)正在被越來(lái)越多的公司所贊同。當(dāng)前，生成式AI的競(jìng)爭(zhēng)已經(jīng)從連續(xù)對(duì)話走向長(zhǎng)文本以及多模態(tài)，各家科技公司和機(jī)構(gòu)也開始投資具身智能。

而這家名為Figure的具身智能公司，除了被OpenAI看好，還拿到了多方的投資，成為了硅谷備受關(guān)注的新星。

公開資料顯示，F(xiàn)igure成立于2022年，成立之初就瞄準(zhǔn)了通用人形機(jī)器人領(lǐng)域。在3月1日，它宣布完成了驚人的6.75億美元B輪融資，公司估值達(dá)到了26億美元。而它的投資方，幾乎占據(jù)了硅谷的半壁江山。除了OpenAI，微軟、英特爾、英偉達(dá)、亞馬遜創(chuàng)始人貝索斯以及“木頭姐”等，都是它的投資方。

而在獲得融資之后，F(xiàn)igure也沒(méi)有讓人失望。在今年1月，它們的產(chǎn)品Figure就通過(guò)端到端神經(jīng)網(wǎng)絡(luò)，僅用10小時(shí)就掌握了制作咖啡的技能。1個(gè)月后，它又展示了把箱子搬運(yùn)到傳送帶的新技能，而現(xiàn)在，它又學(xué)會(huì)了理解人類的意圖。

當(dāng)然，在商業(yè)化的道路上，F(xiàn)igure也在積極探索。目前，F(xiàn)igure已經(jīng)和寶馬制造公司簽訂了商業(yè)協(xié)議，F(xiàn)igure 01已經(jīng)開始在寶馬位于南卡羅來(lái)納州斯帕坦堡的汽車工廠接受測(cè)試。

從ChatGPT到Figure 01，OpenAI想的依舊是AGI

盡管OpenAI在2021年夏天悄悄關(guān)閉了其機(jī)器人團(tuán)隊(duì)，但顯然，OpenAI對(duì)于機(jī)器人領(lǐng)域的關(guān)注并未減少。

除了Figure，OpenAI在一年之前就投資了挪威一家名為1X Technologies的機(jī)器人制造商。與此同時(shí)，OpenAI還被彭博社爆料，說(shuō)它投資了一家新成立的機(jī)器人AI公司Physical Intelligence，他們的創(chuàng)始團(tuán)隊(duì)分別來(lái)自谷歌研究團(tuán)隊(duì)、加州大學(xué)伯克利分校以及斯坦福大學(xué)教授等。而這家公司也是研究未來(lái)能夠成為通用機(jī)器人系統(tǒng)的人工智能。

顯然，將OpenAI大模型融入Figure 01是OpenAI有意的戰(zhàn)略布局。

對(duì)于計(jì)算機(jī)視覺(jué)、機(jī)器人等領(lǐng)域來(lái)說(shuō)，具身智能是一個(gè)很有挑戰(zhàn)的目標(biāo)：如果AI智能體（機(jī)器人）不僅能夠接收來(lái)自數(shù)據(jù)集的靜態(tài)圖像，還能夠在三維的世界中，無(wú)論是虛擬還是真實(shí)的，四處移動(dòng)并與環(huán)境進(jìn)行交互，那么我們將能迎來(lái)一次重大的突破，即從識(shí)別圖像等機(jī)器學(xué)習(xí)的簡(jiǎn)單能力，轉(zhuǎn)變到學(xué)習(xí)如何通過(guò)多個(gè)步驟執(zhí)行復(fù)雜的類人任務(wù)。

而當(dāng)機(jī)器人能夠執(zhí)行類人任務(wù)后，通過(guò)數(shù)據(jù)的迭代升級(jí)，將會(huì)越來(lái)越像人。而到了那個(gè)時(shí)候，也許AGI能夠取得突破，這也是OpenAI一直以來(lái)的目標(biāo)。

一年之前，OpenAI發(fā)布了GPT-4，向世界證明了大模型的威力，而在一年后的今天，F(xiàn)igure 01的表現(xiàn)，也許會(huì)是機(jī)器人領(lǐng)域的GPT-4時(shí)刻。不過(guò)，正與OpenAI爭(zhēng)得不可開交的馬斯克，他的Optimus也是機(jī)器人領(lǐng)域的佼佼者，這兩者之間還會(huì)有什么樣的故事，我們拭目以待。

       原文標(biāo)題 : 新火種AI|GPT-4誕生1年，OpenAI把它放到了機(jī)器人上