机器人公司波士顿动力发布了迄今最清晰的介绍，揭示了其软件将如何驱动下一代人形机器人Atlas。在一段发布于公司YouTube频道的40分钟技术简报中，公司高层详细阐述了他们如何为现实世界工厂工作构建机器人智能。

讨论聚焦于波士顿动力所称的"人形机器人在制造业的使命"，概述了为Atlas装备一个适用于复杂工业环境的、灵活通用的控制系统的计划。

公司正在拥抱基于学习的方法，而非依赖手工编码的动作，使机器人能够通过演示、反馈和优化来习得技能。这种方法旨在应对现代生产车间的不确定性。

上周，波士顿动力解释了Atlas如何进行地面恢复，揭示了这个人形机器人为何以扭曲的动作起身，而非像人类一样站立。

训练Atlas的“大脑”
长期以来，人形机器人在工业环境中的价值一直受到质疑，尤其是在许多工厂任务可由更简单的机器（如机械臂或轮式系统）完成的情况下。波士顿动力认为，挑战不在于能力，而在于经济性。在高度灵活的制造环境（例如生产多种车型、拥有成千上万种零件变体的汽车工厂）中，传统自动化变得极其缓慢且成本高昂。

据Humanoids Daily报道，为单个任务设计和集成一台定制机器可能需要一年时间，成本超过一百万美元，这使得大规模自动化每一个任务变得不切实际。

为了摆脱其所谓的"硬性自动化"的限制，该公司正在押注一种可重新编程的通用人形机器人，它可以在几天内部署到位，而不是需要花费数年时间进行工程设计。这一战略符合其以生产规模部署机器人而非进行孤立演示的目标。实现这种适应性水平需要从手工编码的运动规划转向基于学习的方法，即机器人通过训练、反馈和修正来改进。

波士顿动力概述了构建Atlas智能的三种并行方法：

1. 遥操作：人类操作员使用虚拟现实技术引导机器人完成任务，能产生高度精确但难以大规模扩展的训练数据。

2. 模拟环境中的强化学习：允许Atlas在虚拟环境中练习数百万次动作，尤其适用于动态或高精度操作。

3. 观察学习：通过观察人类执行活动（可能利用大型视频数据集），训练机器人学习物理直觉和任务理解能力，这是一条更长期的路径。

超越端到端AI
波士顿动力在机器人智能方面采取了混合方法，而非依赖单一的端到端AI模型。公司已经排除了纯粹的"像素到扭矩"系统（即单个神经网络直接将摄像头数据转化为电机指令）。相反，其Atlas人形机器人的核心是一个受人类认知和运动控制启发的分层控制结构。

在此框架下：

• 高层决策系统处理视觉信息并生成抽象的动作目标（例如，脚踩在哪里或手如何定位）。

• 这些指令随后由一个独立的、快速响应的控制层处理，负责平衡、协调和物理约束。通过将决策与运动执行分离，机器人无需在AI层面重新学习基础物理（如重力和动量），从而提高了稳定性和效率。类似架构正在整个人形机器人领域得到探索。

波士顿动力还强调了现代汽车集团的战略角色。 这种合作超越了仅仅将机器人部署到工厂车间，双方正致力于围绕人形机器人系统重新设计汽车工厂。据Humanoids Daily报道，现代提供了大规模制造环境和长期基础设施投资，而波士顿动力则专注于解决车辆装配所需的复杂操作任务。

此次演示以清晰的公司优先事项信号结束：随着全电动Atlas硬件的成熟，重点正转向构建其背后的智能。波士顿动力正在积极寻求机器学习人才，强调软件开发将定义人形机器人部署的下一个阶段。