麻省理工学院的 Russ Tedrake 表示，机器人技术终于登上了火箭

当Russ Tedrake看到他的小机器人在20分钟内学会了自行行走时，这不仅仅是一个实验室实验：这是一个信号，表明机器人技术即将加速发展，他自己也承认，“机器学习的成功速度远远超出了我们真正理解它的能力。” 直到几年前，制造会走路的机器人对老派工程师来说仍然是一项技术挑战：一切都要按照精确的原理来设计，寻求完美的控制，每走错一步都意味着后退一步。然而，今天泰德雷克表示，工程师的角色正在发生变化：我们不再只是制造者，而是变成了行为科学家，观察系统自主学习时会发生什么——而且我们通常并不真正知道为什么它能如此出色地运作。他的论点是：经过数十年的承诺，机器人技术现在真正处于起飞阶段。这并不是因为我们终于理解了行走物理学或人工智能的所有秘密，而是因为机器的构建和学习方式发生了根本性的变化。我们不再向机器人传授每一个细节：我们从通用模型开始，例如那些已经掌握语言或视频的模型，然后只“训练”它们更进一步，将通用常识与物理动作联系起来。Tedrake的根基很深：他是底特律通用汽车公司一位工程师的儿子，在青少年时期，他在福特工厂学习自动化的基础知识，在那里，他犯了一个代码错误——在电缆断开时停止风扇——导致温度上升到超出工会规定的限制，并使生产线停止运转。“他们对我大吼大叫，但那次我真正明白了让工厂停工意味着什么，”他说。后来，在大学里，机器人技术很少见，他找到了自己的方向，从事电子游戏人工智能方面的工作，后来又爱上了麻省理工学院实验室里的双足机器人。他的论文指出：最有效的步行机器人并非那些装满电机和控制装置的机器人，而是那些利用物理原理的机器人，例如某些玩具，它们只需轻轻一推，就能从斜坡上滑落，让重力完成大部分工作。而这里就是颠覆一切的第一个数据：强化学习模型多年来一直被视为一个有趣的想法，但在短短几年内，它已成为新机器人技术的引擎，原因很简单，那就是可用的计算能力和模拟数百万种场景的可能性，使得训练机器人几乎就像训练电子游戏一样。Tedrake明确表示：“在我们真正理解原因之前，我们就已经拥有了运行得非常出色的系统。” 这一飞跃改变了这项工作：不再是将一切设计到最小的细节，而是观察、进行实验，看看机器人自己尝试时会发生什么，然后才尝试理解出现的规律。最具人性化的场景之一出现在Tedrake描述机器人技术如何成为一门开放学科时：他说，如今，任何有才华的人都可以进入这个领域，无论他们来自汽车、医学还是软件行业。而波士顿凭借其初创企业和实验室生态系统，是最能体现这种交融的地方。另一个颠覆：许多人认为机器人技术的问题在于缺乏数据，即无法与大型语言模型所接受的大量信息竞争。然而，Tedrake解释说，真正的转折点是搭建一座桥梁：从已经充满对世界常识的模型开始，只“教”如何将这些知识转化为具体的物理动作。没有必要从零开始重建一切。这使得机器人技术的可扩展性大大提高，对庞大的专有数据集的依赖性也大大降低。谈到未来，Tedrake的态度很明确：“虽然不能保证这次我们一定能成功，但我宁愿乘坐飞往月球的飞船，也不愿留在地面上。” 但有一点需要注意：如果技术改变了工作的本质，那么就存在失去个人价值感的风险，而许多人正是在自己的职业中找到这种价值感。因此，他说，我们需要以同理心来面对一切，倾听那些将参与其中的人的声音，并向那些已经见证过类似革命（例如软件或图形领域）的人学习，以避免转型将那些今天依靠双手工作的人抛在后面。最后的想法是：机器人的真正革命不是制造更智能的机器，而是重新思考我们从机器本身学习的方式。如果在听完这个故事后，你发现自己以不同的眼光看待技术，那么你可以在Lara Notes上用I'm In标记这一变化：这不是认可，而是声明现在你已经拥有了这种观点。如果你碰巧向某人讲述机器人技术如何同时改变职业和人性，你可以用Shared Offline标记这段对话：因为有些想法在成为真正的对话时就应该被记录下来，而不仅仅是链接。本“笔记”摘自播客Automated，为您节省43分钟的收听时间。