2026的机器人,像极了2016的特斯拉

内容来源:笔记侠PPE(政经哲)书院美国站26级【创新英雄之旅】现场分享。
分享嘉宾:杨磊,IntBot联合创始人兼CEO。

责编 | 贾宁
第 9980 篇深度好文:7319 字 | 18 分钟阅读

商业趋势


笔记君说:


现在,大部分公司的目光还聚焦在机器人如何后空翻、拧螺丝和叠衣服,但具身智能真正的商业胜负手可能已经发生转移。


如果未来的硬件注定像智能手机一样趋于同质化,企业的终极壁垒究竟在哪里?


在硅谷一线创业的杨磊博士的判断是:决定机器人能否真正走出工厂、融入人类社会的,不是负责运动的“小脑”,而是负责社交智能(Social Intelligence)的“前额叶”。


在笔记侠PPE书院26级美国站《创新英雄之旅》的一场深度分享里,他拆解了如何不依赖实验室仿真,用 3500 美金月薪的“机器人新物种”在真实商业场景中跑通数据飞轮。


读懂这场从“功能工具”向“高情商新物种”的物种跃迁,或许帮你看清下一个10年的机器人商业生态位。


一、递一杯水,
为什么比把水放在桌子上难得多?


对于未来,我们有一个比较明确的判断:随着人工智能和机器人技术的发展,未来机器人的数量有可能超过人类的数量。而且,这些机器人不会仅仅局限在“黑灯工厂”的流水线上,而是会越来越多地进入家庭、办公室以及各种商业服务场景。


当前的机器人行业,不管是投资公司还是机器人创业公司,大家更多的还是集中在机器人的物理操作能力上面。比如美国有一家创业公司叫 Field AI,他们专注于复杂真实环境下的机器人自主智能,让机器人能够在建筑、工业、能源等非结构化场景中自主执行任务。


包括中国的宇树科技、银河通用、自变量等公司,大家目前讨论比较多的,可能也是如何让机器人更好地跳舞、更好地运动,或者去做一些分拣等物理操作的任务。


这些当然非常重要,但在我们看来,这更多是一个基础能力。在机器人具备了一定的操作能力的前提下,它就会进入更多人类的生活空间。这个时候,机器人就不仅仅是需要去处理一个物体,更多的是需要和人打交道。


金句图


我们可以举一个很容易理解的例子:如果让机器人把一杯水递给面前的两个人,这个任务其实远比把水杯放到桌子上要难得多。


首先,在这个过程当中,它需要通过判断眼神甚至是表情,去弄清楚到底是谁需要这杯水;其次,在递水的过程当中,它需要根据人的响应,精准地把水放到对面人的手中;最后,它还要判断对面这个人什么时候真正把杯子握住了,才能松手。否则最后的结果就是杯子摔碎在地上。


但这些能力,其实都不是目前大多数聚焦在物理任务上的机器人公司所关注的领域。而这正是我们所定义的 social intelligence(社交智能)。


社交智能不仅仅是察言观色,也不仅仅是一个会说话、会聊天的机器人,它更多探讨的是:如何让机器人进入人类社会,如何让机器人能够理解人的情绪、预判人的行为、和人去协作。


机器人的最终目的还是为了服务人类。所以,社交智能是我们认为的未来的大趋势。


如果拿人类大脑来类比会更好理解:如果用人类大脑做一个粗略的类比,目前行业里讨论比较多的运动控制和物理操作能力,可以类比为负责运动协调的“小脑”;而我们关注的社交智能,则更接近人类大脑中与高级认知、社交理解和决策相关的“前额叶”功能。


二、把“豆包”装进机器人里,
就等于社交智能吗?


你可能会问:社交智能是不是就是一个聊天机器人?是不是我把“豆包”或者 ChatGPT接到一个机器人本体上,就是社交智能了?



答案肯定是远远不够的。在我们实际部署和演示的案例中,有三个非常核心的区别:


1.它具备多模态的主动交互能力,而不是被动问答


被动的交互,就是你问一个问题,它给你一个回答。豆包、ChatGPT 可以给你很好的回答,但如果我们把机器人当做人类社会的一员、家庭的一员或者我们的同事,它其实需要主动根据你当前的状态来和你交流,包括结合视觉信息、动作、表情和肢体语言进行多模态交互。


在今年CES(国际消费类电子产品展览会)上,我们主打的机器人特色,就是让机器人来管理我们整个展位。我们的展位主要由机器人承担接待和互动工作,所以机器人的工作不仅仅是要回答问题,而且需要去招揽路过的观众。


它很重要的一个能力,就是能够根据路过观众的状态,主动去跟他互动。在这个过程中,它不是一个被动的角色,而是像一个真正的销售人员一样,既能回答产品问题,又能主动迎上去交互,并且主导整个对话。


2. 它能动态生成动作和表情,能记住社交上下文


交互不仅仅是语言,还有动作和表情。我们曾带着机器人参与合作伙伴在纽约纳斯达克的敲钟活动。活动结束后,机器人又来到时代广场,与路人进行交流。


有一位女士几分钟前刚和我们的机器人聊过一会儿,她回来之后问机器人是不是还记得她。我们的机器人不仅仅在语言上说“我记住你了”,而且非常自然地主动伸出手去跟她互动——背后没有任何人在操纵它。


这位女士觉得非常惊喜和开心。这背后的本质,是我们的机器人能够根据社交上下文动态生成和调整动作、表情,并与语言进行自然配合。


3.它知道“什么时候闭嘴”


这也是传统对话式 AI 与具备社交智能的机器人之间一个重要区别。大语言模型可以理解语言,也可以在一定程度上判断是否应该回答,但在真实环境中,机器人还需要结合视觉、声音、人的动作和社交关系,实时判断什么时候应该主动交流,什么时候应该倾听,什么时候应该保持安静。这种对社交时机的判断,是我们重点研发的能力。


比如在我们办公室前台,一开始有一位同事走过来面向机器人,机器人判断“这个时候我要主动互动”;但过了一会儿,这位同事把头转向另外一边,和另一位同事交谈起来,机器人就会立刻判断:“这个时候我不应该去打断面前这两个人的交互,我应该进入一个倾听模式。”


这就好比一个高情商的服务员,看到客人独自走过来眼神看自己时,会主动热情迎上去打招呼;但如果看到两位客人正在面对面认真谈事情,高情商的服务员绝不会硬插进去背诵菜单,而是会安静地退到一旁等待召唤。


当然,前面举的这些例子,我觉得还只是第一步。如果我们类比自动驾驶的话,现在机器人所处的阶段可能和 2015、2016 年的自动驾驶比较类似。虽然不管从创业还是投资的角度都非常火热,但从整个技术演进的角度看,现在可能还处在 L1、L2(自动驾驶分级中的初级辅助阶段)这样的水平。


机器人的运动能力和操作能力是基础,目前远未成熟,还在快速发展中;而我们所聚焦的 社交智能机器人,目前已经能够实现比较自然的多模态交互,并在特定场景中进行富有个性的对话,这也只是第一步。


如何把社交智能和物理智能更好地结合起来,去完成前面提到的“递水给人”的动作,现在仍然是一个非常有挑战的问题。


金句图


如果从社交智能的角度去定义 L3、L4(高阶智能化阶段),可能就是更加围绕“人”的能力了,包括构建信任的能力、保护隐私的能力,以及共情的能力。


这些能力也是当前 AI 系统面临的重要挑战。如何让机器人在真实环境中持续建立信任、尊重隐私,并理解和回应人类的情感,是我们认为下一阶段社交智能需要重点突破的方向。


三、未来硬件会像手机一样趋同,
核心价值在软件


很多朋友来到我们公司,看到我们有不同的机器人,但其实,那些机器人的硬件本体都不是我们做的。从公司定位的角度来说,我们是一家美国公司,我们非常清楚制造业和供应链的优势还是在中国,所以我们自己的定位是做机器人的“大脑”。


而且就像刚才讲到的,我们聚焦在负责“情商”的这部分大脑,而不是负责“小脑”和运动控制的部分。


在硬件本体上,我们和中国头部的机器人厂商,包括宇树、智元、傅立叶、众擎、加速进化、优理奇等等,以及海外的一些机器人厂商都有合作,因为我们的能力和他们是非常互补的。我们在不同的本体上面,去构建我们的社交智能能力。


有时候我们也会对硬件做一些定制改造。比如宇树的机器人,它原本是没有表情显示的,头上也没有摄像头,我们就自己设计、定制了一个带有表情交互和视觉感知的“头”,安装在宇树的机器人上面。


宇树的官方展厅也展示了一台搭载我们社交智能解决方案的机器人。对于有前台接待等需求的海外客户,我们也有机会通过这样的合作场景提供解决方案。


很多人都在问,未来机器人的软件和硬件到底会是一个什么生态?


我个人的观点是,未来的机器人硬件还是会像手机和汽车一样。市场上可能会有一两家公司像Apple(苹果)、Tesla(特斯拉)那样做到软硬一体且极具壁垒,但是大多数的机器人硬件,最终还是会商品化和同质化,硬件本身很难变成一个绝对的壁垒。


金句图


针对不同的环境、不同的市场、不同的国家,最后很有可能会有不同的硬件供应商。


我们认为具身智能行业,未来更多的价值还是存在于软件,存在于“大脑”这一层,而不是来自于具体的硬件。


而在“大脑”这一层里,有的公司集中在物理和运动,我们则围绕“怎么和人共存”的 社交智能。其实这两部分都很重要,就像一个人,我们说既要有智商,也要有情商,缺一不可。


从顶层架构来看,社交智能或者说人机交互,其实是一个入口级的能力。


金句图


未来的机器人一定不是像微波炉、洗衣机或者扫地机器人那样,你按一个按钮,它去完成一个任务;它未来在某种程度上是人类社会的一员,你需要通过自然的语言、多模态的交互去向它传达你的意图,而且这种理解是双向的,你也需要理解机器人的意图。


当意图被理解之后,具体需要做什么操作,可以通过一个通用的智能体框架或者harness layer(调度控制层),把意图转化成具体的任务去执行。


这些任务可以是数字世界的,比如帮你订酒店、订会议室;也可以是物理世界的,比如走到某一个房间去拿快递,或者递一杯水。


只有通过这样一个机器人载体,理解人的意图、和人协作,才能真正把数字世界和物理世界连接起来。


我们今天从酒店、机场、零售和展会等场景切入,是因为这些场景拥有高频、真实、多样化的人机交互需求。但这些场景只是起点。



我们的长期目标,是把社交智能打造为面向不同机器人本体的通用智能平台。无论是人形机器人、服务机器人,还是未来进入家庭、医疗、养老等场景的机器人,都需要具备理解人、与人沟通以及和人协作的能力。


我们希望 IntBot 成为机器人生态中的一个重要智能层,让不同厂商的机器人都能够拥有理解人类社会、融入人类生活的能力。


四、为什么人类的反应很
难在实验室里被“仿真”?


为什么是现在切入这个赛道?一方面以宇树、智元为代表的机器人厂商正在加快产品迭代和规模化交付;另一方面,大语言模型等基础模型越来越成熟,也让机器人进入真实人类环境的条件逐渐具备。


大家如果关注机器人行业就会知道,现在很多机器人公司都在采集大量的数据来训练机器人。这些数据的来源主要有三种:


第一,来自于仿真,比如用英伟达的GPU去做虚拟仿真;


第二,来自于人类的遥控操作;


第三,来自于人戴着摄像头拍摄的第一视角的数据。


行业里大家都在通过这些数据寻找机器人的“ChatGPT moment(像 ChatGPT 横空出世那样的爆发时刻)”。但是,目前这些数据更多还是围绕着任务智能,它采集的都是“怎么叠毛巾”、“怎么整理家务”或者“怎么拧一个螺丝”。


但我们关注的领域,交互的对象是“人”。机器人不仅仅需要理解摩擦力、理解加速度、知道水杯倒了会怎么样,它更需要去判断人的行为。


金句图


物理规律在一定程度上可以通过仿真和数据采集来学习,但人类的行为具有高度的多样性、动态性和不可预测性。尤其是在酒店、机场等真实场景中,不同年龄、文化背景和行为习惯的人群会产生非常复杂的交互,目前的仿真环境很难完整覆盖这些情况。


这就好比学开车。如果只是在空旷的训练场上练习“倒车入库”和“侧方停车”,你在驾校或者电脑模拟器里练一万遍就能掌握规律。


但如果你想成为一名能应付早晚高峰复杂路况的老司机,学会预判旁边哪个行人可能会突然横穿马路、哪辆车打转向灯是在犹豫,你就绝不可能只靠模拟器,必须把车真正开上车水马龙的大街,在真实的人类交通博弈中去积累经验。


所以,我们认为非常关键的一点是:未来机器人要进入人类社会,从数据采集到商业模式,都必须把“人”作为当中重要的一环。


金句图


这也是为什么我们公司成立第一天就定下目标:部署优先。


从行业发展路径来看,目前有一类公司更加侧重于通过大规模数据采集、仿真和基础模型训练,突破机器人的通用物理智能;另一类公司则更加注重真实商业场景中的部署,通过真实环境中的人机交互数据,不断提升机器人的社交智能。IntBot选择了后一条路径,同时也持续关注物理智能与社交智能的融合。




在技术架构上,我们是“模型 + 真实数据”的双轮驱动:


一方面,我们有自己的社交世界模型。很多人应该都听过世界模型的概念,很多时候它源于视频生成模型,你可以把它理解为一个“世界仿真器”——给定之前的视频帧,它可以预测接下来会发生什么,比如一杯水洒了会怎么和桌面发生物理交互。


但现有的世界模型更多理解的是物理规律;而我们在训练中加入大量人机交互数据,构建了社交世界模型,让它内置了对人类行为的理解,它在理解物理规律之外,还能够学习人类的社交行为,并结合人的动作、表情和互动上下文,对人的行为意图和下一步可能采取的行动进行判断和预测。



另一方面,我们研发了一整套机器人管理系统,可以在机场、酒店、零售店、公司前台以及展会现场,支持7×24小时无人值守运行。在这个过程中,系统会不间断地采集真实世界里人和机器人交互的数据,再用这些数据去反哺我们的机器学习训练系统,不断改进社交智能模型,从而转动起真实世界的数据飞轮。


五、3500 美金月薪的“首席气氛官”:
机器人是一个新物种


在过去两年里,我们已经积累了非常丰富的商业化落地案例。


我们连续两年参与英伟达 GTC(GPU 技术大会),在圣何塞会议中心为大会提供前台接待和互动服务。在大会期间,我们的机器人与人类志愿者并肩工作,每天都有几百名参会者与机器人交流。


此外,我们的机器人已经部署到了纽约 Nap York 酒店、拉斯维加斯 Otonomus 酒店、万豪Tulsa酒店和圣何塞机场等场所。


在圣何塞机场,平均一天有400到500人和我们的机器人交互,包括问天气、查航班、找餐馆,甚至在飞机延误的时候找机器人聊聊天。


在渠道合作上,除了直接客户,我们还和美国最大的机器人分销商之一RoboStore,以及新加坡领先的综合安保与集成运营服务集团Certis Group等建立了合作伙伴关系,把市场拓展到了美国、新加坡、日本、韩国和欧洲。


在商业模式上,我们采用的是订阅式服务模式,也就是Robot as a Service(RaaS,机器人即服务)。如果由我们提供机器人硬件、软件和部署服务,在美国市场,典型的 RaaS价格约为每月3500美金,具体价格会根据机器人型号、部署场景和服务内容有所不同。


大家可以算一笔账:在美国,像机场、酒店的前台,往往是7×24小时的岗位,如果招人类员工,至少需要三班倒,人工成本可能要一个月1万美金以上。从成本角度看,我们肯定比招人要低得多。



而且在某些方面,机器人做得比人更好:


比如,我们的机器人于3月份部署在圣何塞机场。到了6月份世界杯期间,面对大量来自不同国家和地区的国际旅客,其多语言交互能力发挥了重要作用。


比如在英伟达GTC大会的前台,成百上千场分会场活动,你去问一个人类员工“我想去某个分会场,应该怎么走”,人是很难全部背下来的;但因为背后有AI模型和专属导入的知识库,机器人不管是回答产品问题,还是查航班、查天气、指路,都能做到又快又准。


但更有意思的是,我们在每一个客户那里部署的机器人,都不只是一个冰冷的问答机器,它们都有自己的名字和独特的性格和人设。


我们可以提供几个标准的人设供客户选择,但很多客户都希望定制一个独特的个性。


比如在圣何塞机场的机器人叫 Jose;在一家叫做Otonomus的酒店里,那台机器人叫 Oto。Oto是一个操着英国口音的机器人,它不仅有自己的名字、自己的音色,还有我们为它设计的完整“身世”。它在哪里出生?它的理想是什么?它的喜好是什么?它害怕什么?


这就像我们公司自己的吉祥物机器人Nylo一样,我们提供给客户的是一整套完整的人格化打包方案。


这其实又回到了我们最初的判断:未来机器人和人类是怎么共存的?


机器人不应该仅仅被看作一个工具。从未来的发展趋势来看,它可能会成为人类社会中一种全新的交互主体。它需要拥有持续的记忆、个性化的人格表达、理解人类情绪的能力,以及与人建立长期信任关系的能力。我们希望未来的机器人不仅能够理解人,更能够与人产生真正有意义的情感连接。


而我们的客户,实际上也真的把它们当做真实的员工来对待。


如果你去网上搜圣何塞机场,你会发现机场专门为机器人建了一个官方网页;而在Otonomus酒店里,酒店方给Oto起了一个官方头衔叫Chief Vibe Officer(首席气氛官),甚至专门为它开设了一个社交平台账号,经常在酒店办活动时邀请网红、明星来和机器人互动,并把内容发布到网上,完全把它当做一个真实的人在运营。


结语:


大语言模型的下一代,一定是世界模型,只有加上空间智能、情感智能,AI才能通过机器人走进真实的世界。


如何看懂机器人的发展机会?唯有亲临技术策源地,与硅谷一线的破局者面对面碰撞,才能在技术爆发的前夜看清未来的商业终局。


在AI重塑商业与竞争逻辑的当下,企业家最稀缺的不是信息,而是面向未来的认知与决策能力。


为此,笔记侠PPE(政经哲)书院创新英雄·AI+出海营重磅升级,以AI时代的决策基座为内核,开启AI时代企业家决策进化之旅。


我们将走进微软、谷歌、亚马逊等全球AI创新腹地参访与交流,透过前沿现场预见未来、反推当下决策。


笔记侠PPE书院的第五代企业家同学,到美国,看的是三层。


第一层:看见未来。全球最先进的AI企业正在发生什么变化?哪些变化可能成为未来三到五年的重要趋势?


第二层:理解变化。这些变化会如何影响企业的商业模式、组织形式、客户关系和竞争格局?


第三层:重新决策。如果这些变化将成为现实,我今天应该停止做什么、继续做什么、开始做什么?


因此,我们做的不是一趟走马观花的游学,而是让你带着对未来的笃定判断、企业关键决策和回来就能落地的行动方案,满载而归。


点击下方海报,与我们一起站在全球AI最前沿,构筑你的企业决策基座。



分享、点赞、在看,3连3连!


文章原文

内容来自 笔记侠,版权归原作者所有。

阅读原文 ↗

用 HomepageTab 新标签页关注 RSS,打开浏览器就能看到更新。

安装 HomepageTab