為什麼機器人看起來笨笨的？結合最近看的奇幻電視劇，“妖變人沒有那麼簡單”，“鋼鐵變人“也是如此。 機器人最重要的兩部分，頭腦和身體。簡單說他的笨笨，是在替代做人這件事情上，他的頭腦差一點，身體也差一點。本文先說上半部分，頭腦🧠。 頭腦如何變聰明，需要天量的數據訓練。機器人的語言模型既有VLM（視覺-語言模型）又有LLM（大語言模型）。 為什麼機器人需要 VLM？因為語言模型沒有眼睛，只能“聽懂”但看不到世界。比如你說“幫我拿起桌上左邊的水杯”，機器人必須“看見”才能行動。單靠視覺模型也不夠，視覺模型能識別物體，但不會理解人類語言和意圖。 VLM = 融合大腦和眼睛 人類指令（語言）+ 環境感知（視覺） → 統一轉化成動作計劃。 我們現在所習慣的自動駕駛事實上也是VLM。只是自動駕駛需要學習的數據少的多。畢竟人形機器人模仿人，他的應用場景多樣性和複雜度都是下一個維度。 而在VLM訓練上，機器人所需的數據量和實際的數據量仍有巨大的差距。現在產生這些數據的方式主要是“動作捕捉”和“VR遠程操作”。這種數據採集方式成本極高+效率低，貢獻的數據量也不夠。 同時這些來自特殊採集方式的數據往往缺少“泛化性”。機器人訓練常常在乾淨、可控的環境：桌子上放幾個常見物體（瓶子、杯子、積木）。但現實裡：杯子可能是半透明的、反光的、被紙巾擋住一半。家裡/工廠環境有各種干擾（雜物、噪音、人走來走去）。訓練數據缺少這種“長尾情況”，所以一旦環境變化，機器人就“笨”了。