人工智能开启了新一代机器人技术——机器人2.0，这一变革的核心是从编程控制转向真正的自主学习。本文旨在揭示人工智能在机器人领域的应用，帮助读者理解未来AI机器人将如何影响我们的生活，并澄清一些虽常被提及但并未充分探讨的主题。

本文是“机器人2.0”系列文章的第一篇，聚焦于机器人技术和AI对各行业和未来就业的影响。我们将探讨AI如何释放机器人技术的潜力，以及这项新技术面临的挑战和机遇。此外，我们还将讨论它将如何影响生产力、就业形势以及日常生活。

重新定义机器人：探索下一代AI机器人的奥秘

提到机器人，人们常有各种想象：从软银集团的社交机器人Pepper，到Boston Dynamics公司的机器人Atlas，再到《终结者》系列电影中的杀手机器人，以及电视剧《西部世界》中的逼真机器人角色。这些不同的形象展示了人们对机器人技术的多样化期待。

我们经常听到关于机器人技术的两极化观点：有人认为机器人将取代人类，而另一些人则对此持悲观态度。在过去的一年中，许多科技、创业和投资界的朋友问我，在AI特别是深度学习和机器人技术领域，究竟取得了哪些实质进展。

最引人关注的问题包括：

• AI机器人与传统机器人有何不同？
• AI机器人是否具备颠覆行业的潜力？
• AI机器人的能力和局限性是什么？

尽管AI技术备受瞩目，但我们仍难以全面理解其当前的技术水平和未来的潜在影响。本文试图揭开AI机器人技术的神秘面纱，使读者更好地理解这一话题。

首先，我们需要解答一个基本问题：什么是AI机器人？它们有何独特之处？

机器人技术的发展历程：从自动化到自主化

“机器学习解决了许多‘对计算机而言难，但对人类来说简单’的问题。”——Benedict Evans，安霍创投（a16z）

AI推动的机器人技术的一个主要突破是从简单的自动化转向真正的自主学习。如果机器人只需要执行单一任务，那么其是否拥有AI并不会产生显著差异。然而，当机器人需要处理多样化的任务或应对不断变化的环境时，自主性就显得尤为重要。

为了更好地理解机器人的演变过程，我们可以借鉴自动驾驶汽车的不同级别定义：

• 无自动化：由人类操作，没有机器人的参与。
• 单一自动化：某个功能已经实现自动化，但不依赖环境信息。这是传统制造业中常见的场景。
• 部分自动化：通过环境感知功能，机器人能够进行决策。例如，一些机器人可以通过视觉传感器识别并应对不同物体。
• 条件自主：机器人负责监控所有环境情况，但仍需要人类的监督和干预。
• 高度自主：在特定条件下或区域中完全自主。
• 完全自主：无论何时何地都能完全自主，无需人类干预。

当前的机器人大多仍处于较低的自动化水平。例如，在工厂中，大多数机器人通过非反馈机制进行控制，这意味着它们的行动与环境感知是分离的。尽管一些机器人可以根据传感器反馈调整操作，但它们仍然缺乏适应新情况的能力。

深度学习和强化学习技术正帮助机器人自主处理各种任务，减少了人类的干预。例如，“仓储拣货”就是一个典型的应用场景，机器人可以在仓库中自动挑选商品，无需人类的频繁指导。

不同公司采取了不同的策略：一些公司专注于实现条件自主（第3级），而另一些则致力于实现完全自主（第4或5级）。这使得我们很难评估当前的自主技术水平。

AI机器人的崛起：应用领域不再局限于仓储管理

有趣的是，机器人技术在某些方面甚至超越了自动驾驶汽车。机器人在多个行业中展现出巨大的潜力，因此在某些情况下，它们可能比汽车更容易实现高级别的自主驾驶。

AI机器手臂在仓库中的应用就是一个例子。由于仓库环境相对可控，拣货任务允许一定的错误率，使得AI机器手臂的应用成为可能。

不过，像家庭或手术机器人这样的完全自主设备还需要很长时间的发展。这些领域的环境更加复杂，且一些任务具有不可逆性，增加了技术难度。

目前，机器手臂的广泛应用受限于传统机器人和计算机视觉技术的局限性。全球仅有约300万台机器手臂，主要应用于搬运、焊接和拆卸等领域。除了汽车和电子行业之外，其他行业很少使用机器手臂。

随着深度学习、强化学习和云计算技术的发展，预计未来几十年内，新一代机器人将带来爆发式增长，改变行业格局。AI机器人的成长机会在哪里？新创公司和现有企业又采取了哪些不同的策略来应对新技术带来的变化？

新世代AI机器人创业公司的行业概况

接下来，我将介绍几个代表性的公司。当然，这些例子并不能涵盖所有企业的具体情况，欢迎提供更多信息，使内容更加完整。

AI/机器人创业公司市场概况

研究下一代机器人创业公司的结构，可以看到两种不同的商业模式：垂直应用和水平应用。

1. 垂直应用

第一种是垂直应用：许多硅谷的创业公司专注于为特定垂直市场开发解决方案，如电子商务物流、制造业和农业等。

这种提供全面解决方案的方法非常合理，因为技术还处于起步阶段。公司不依赖第三方提供关键模块或组件，而是开发端到端的解决方案。这种垂直整合的方法可以帮助公司更快地进入市场，并更好地掌握最终用户的使用情况和性能表现。

然而，找到像“仓库分拣”这样相对容易实施的应用场景并不容易。仓库拣货是一个相对简单的任务，客户的投资意愿和技术可行性都较高，而且每个仓库的需求大致相同。

但在其他行业，比如制造业，拆卸任务可能因工厂而异。此外，在制造业中执行的任务需要更高的精度和速度，这使得技术难度更大。

目前，具有学习能力的机器人仍无法达到与传统封闭回路机器人相同的精度。虽然机器学习可以使机器人不断进步，但现阶段通过机器学习运作的机器人还无法达到与传统机器人相同的精度，因为它们需要通过不断的试错积累经验。

这解释了为什么像Mujin和CapSen这样的创业公司没有采用深度强化学习，而是选择了传统的计算机视觉技术。然而，传统计算机视觉要求每个物体都事先注册，缺乏适应变化的能力。一旦深度强化学习达到性能门槛，传统方法可能会被淘汰。

此外，这些创业公司的另一个问题是估值往往被高估。我们经常看到，一些公司在硅谷筹集了数千万美元的资金，却未能产生实际的收入。

对于创业者来说，描绘深度强化学习的美好未来很容易，但现实是，我们需要数年时间才能达到预期的效果。尽管这些公司距离盈利还有一定距离，硅谷的风险投资者仍然愿意支持这些才华横溢、技术先进的团队。

2. 水平应用

另一方面，水平应用是一种更通用但也较为少见的形式。我们可以将机器人技术简化为三个部分：感知（输入）、处理（包括控制器、机器学习、操作系统和机器人模块等）、驱动（输出）。

我认为，这个领域未来最具发展潜力。对于机器人用户来说，碎片化的市场是一个棘手的问题，因为所有的机器人制造商都推出了自己的编程语言和接口，使得系统集成商和终端用户难以将机器人与其他系统集成。

随着行业的成熟，越来越多的机器人被应用于汽车和电子制造之外的领域，因此我们需要标准化的操作系统、通信协议和接口，以提高效率并缩短上市时间。

例如，波士顿的一些创业公司正在研究相关的模块。比如Veo Robotics公司开发的安全模块可以让工业机器人更安全地与人类协同工作，而Realtime Robotics公司则提供了加快机械臂路径规划的解决方案。