想想你可能见过的机器人。像小圆盘一样的机器人吸尘器在家里四处移动工作时,可能会被餐厅的桌椅和其他障碍物卡住还有装配线上的机械臂,被设计用来在一个位置反复做同样的重复性任务。这些机器人远不能在为人类构建的世界中独立运行,它们需要工作环境根据它们的能力进行定制。
这就是为什么全球各地的公司正在投入数十亿美元来开发人形机器人,这种机器人有两条腿和两只手臂,外观和行动都像人类。人形机器人更加灵活,能适应各种不同的状况。理论上,一家公司可以制造一种型号的机器人,用户可以训练它去做特定的任务:不需要特殊的环境。根据2024年的一份报告,到2035年,全球人形机器人市场规模可能会从2023年的约1亿美元增长到350亿美元(https://www.goldmansachs.com/insights/articles/the-global-market-for-robots-could-reach-38-billion-by-2035)。
在The Impact of Technology in 2025 and Beyond: an IEEE Global Study这份近期针对技术领导者的调查中,37%的受访者表示他们正在考虑在2025年将人形机器人应用于运营中,35%的受访者期待能够开始应用人形机器人,18%的受访者预计将人形机器人全面投入运营。
更快、更轻、更便宜
推动人形机器人发展的是其所有组成部件(从软件到零部件)的重大改进。这些部件更具成本效益、更轻便且足够小,可以集成到商业产品中。这包括手臂和腿部、感知和运动传感器以及机载计算设备。
越来越多的机器人采用全电动模式,而不是电动与液压混合的模式,这也使它们变得更轻。
部件的总重量至关重要。移动重型部件需要更多能量,这就需要更重的电池或者更频繁地给电池充电。
IEEE高级会员Santhosh Sivasubramini说:“早期的机器人需要频繁充电或者连接电源才能使用。而现代电池组在不影响移动性的情况下续航时间更长。这一发展使得机器人能够运行更长时间。如今的人形机器人还配备了更轻便、更紧凑的电池。这有助于更好地分配重量并改善能量管理。”
眼见为实
较旧的机器人往往依靠基本的视觉和力传感器来在环境中导航以及确定拿起某物时要用多大的压力。
“现代机器人使用激光雷达(LIDAR)、立体摄像机和力 - 扭矩传感器。这些能实现更好的环境测绘、障碍物探测和物体处理,”Sivasubramini补充道,“先进的传感器融合算法实时处理多个输入信息。这有助于在不断变化的场景中做出更快的响应和适应。”
视频中看到的内容
如果你看过人形机器人像运动员一样进行跑酷动作以及穿越复杂地形的视频,你可能会想要质疑这些视频是否反映了机器人的实际运行环境。通常,这些视频是在高度受控的环境下制作的,并不反映现实世界的状况。是的,机器人确实完成了你在视频中看到的动作,但可能经过了多次尝试,而且地形上的微小差异都会使那些壮举难以重现。
如今的人形机器人仍处于开发阶段。即使让它们执行简单的任务也需要大量的训练。虽然人工智能正在使这种训练速度加快,但机器人在其被分配的任务极具重复性的受控环境中表现最佳。
IEEE研究生会员Shally Gupta表示:“虽然这些视频可能反映了真正的技术进步,但它们并不总是能代表这些机器人在日常情况下的表现。”
机器人将做什么?
至少就目前而言,机器人的能力仍然有限。由于这些限制,大多数机器人的任务将局限于人类不想做的事情:重复性的、枯燥的或者危险的工作。
使用机器人技术的最大障碍之一是成本。人形机器人经常被部署在仓库应用场景中,因为环境相当可预测,而且工作是重复性的。但购买机器人只是使用它们成本结构的开端。部署机器人技术的仓库运营商可能需要雇佣专业人员来培训和维护机器人。培训可能也需要大量的时间和投资。
更有可能出现的情况是人类和机器人将并肩工作。
Gupta说:“人形机器人需要在人类身边安全、顺畅地工作。它们必须应对意外情况并且自然地与人互动。要做好这一点需要大量的研究和测试,所以要使人形机器人实用且价格实惠到让所有人都能使用可能很困难。”
好文章,需要你的鼓励
Akamai坚持“简而未减、网络先行、拥抱开源”的独特定位。凭借“鱼与熊掌兼得”的特色,过去几年,Akamai在电商、流媒体、广告科技、SaaS、金融科技等行业客户中获得了广泛认可。
复旦大学研究团队开发的AnyI2V系统实现了从任意条件图像到视频的生成突破。该系统无需训练即可处理多种输入模态(包括3D网格、点云等),支持用户自定义运动轨迹控制,并通过创新的特征注入和语义掩模技术实现了高质量视频生成,为视频创作领域带来了革命性的便利工具。
谷歌宣布为Chrome iOS版推出新功能,用户可在工作和个人谷歌账户间轻松切换,无需反复登录登出。该功能支持托管账户浏览,实现严格的数据分离,工作账户的标签页、历史记录和密码等本地数据与个人浏览完全隔离。随着企业不再提供公司手机,员工常需在个人设备上访问公司资源,此更新有助企业允许员工使用自选设备。
斯坦福大学研究团队开发了KL-tracing方法,能让视频生成AI模型在无需专门训练的情况下进行精确物体追踪。该方法通过在视频帧中添加微小追踪标记,利用模型的物理理解能力预测物体运动轨迹。在真实场景测试中,相比传统方法性能提升16.6%,展现了大型生成模型在计算机视觉任务中的潜力。