機器人無疑是大賽道，不過2022年的機器人賽道，個中滋味可能只有從業者最清楚。
經歷了兩年多的狂歡，掃地機器人逐漸告別高增長，根據IDC預測，2022年市場出貨量同比下降23.8%，市場壓力陡增。相形之下，人形機器人在2022年頗受矚目，戴森、特斯拉、小米……大佬趕集式布局，不過，重磅亮相之后，兩極化的市場反響、對商業前景的質疑，不絕于耳。
如果說掃地機器人代表現在，人形機器人代表未來，機器人真正進入、并良好融入我們的生活，會比想象中更快還是更慢？從現在到未來，還有哪些難題待解？
“亂撞”、“不智能”、“掃不干凈”……這些槽點后，掃地機器人最近又攤上了一個新“罪名”：泄露隱私數據。事情起源于《麻省理工科技評論》的一篇長文調查，曝光了國外某品牌的掃地機器人自帶攝像頭拍攝用戶的事件，包括用戶在家上廁所的動態，甚至人臉信息都清晰可見，都被拿去給AI模型做訓練數據。這讓用戶對家中的智能設備再次產生了擔憂：誰來保護我的隱私？
越來越多的掃地機器人轉向計算機視覺，而為了讓視覺導航實現更好的效果，就需要在更多高質量、多樣化的數據集上對AI模型進行訓練。在上述調查所提到的案例中，一些具體的物體、場景畫面都被加上了標注，用以進行訓練。這些隱私信息理論上應該處于非常嚴格的存儲和訪問控制之下，雖然公司本身沒有泄露數據，卻在交給第三方進行數據標注的環節出現了紕漏，被負責標注的員工分享到了網上。
攝像頭讓掃地機器人不那么智障的同時，卻帶來視覺數據特別是隱私數據被泄露的風險，這讓AI應用再次觸及到了“數據隱私”這個紅線。
汪清在掃地機器人領域從事研發工作，他告訴<與非網>，技術易實現，但法律合規卻是一個繞不開的難題。如何防止隱私被偷窺？如何規避法律風險？成為產品落地時必須面對的問題。
當前，中高端掃地機器人基本都配置了AI攝像頭，用于輔助識別物體并執行特定的清掃策略。然而，受到成本和算力的限制，AI掃地機器人只能滿足輔助清掃的基本需求，因此，提升識別準確度、降低誤識別概率，就成了產品的主要賣點之一。
那么，如何提高識別準確度？很重要的一環就是投喂量足夠大、足夠好的數據，來進行數據訓練。對于商業公司來說，獲得數據來源最簡單直接的方式就是將用戶數據上傳到云端采集，經過訓練優化模型后，再以固件更新的形式發布。
汪清指出，這其中可能就包括了隱私被偷窺的風險，也成為了產品進一步升級時必須面對的問題。一方面，消費者要盡量選擇有保障的品牌產品，并且在使用過程中注重數字密碼安全等問題；另一方面，也需要廠商提升設備安全性能、加強云端數據安全。但最重要的，是相關法律法規的不斷完善，在此基礎上的技術創新才能推動更為安全的數據生態。
人形機器人可以說是最符合人類理想的機器人形態，也始終在吸引著更大的市場興趣。馬斯克甚至認為，“當有一天我們解決了汽車的自動駕駛問題（即現實世界的 AI 問題）后，就可以將 AI 技術推廣到人形機器人身上。這將比汽車具有更廣闊的應用前景?！睂τ谔厮估瓩C器人的定位，他表示，最初是替代人們從事重復枯燥、具有危險性的工作，但遠景目標是讓其服務于千家萬戶，比如做飯、修剪草坪、照顧老人等。
要真正讓機器人走進現實生活中，還有無數個難題要攻克。除了技術、機械挑戰，一個最為核心的問題還是人形機器人的“大腦”。市場上有研究者“拆解”了機器人的機械構造，發現雖然零部件是成本占比最高的部分，但“大腦”需要AI技術助推，是“把機器轉化為機器人”的關鍵。
從AI大廠離開的李卓，正全身心沉浸在包括認知科學等在內的心理學研究中，他告訴<與非網>，現階段的人工智能，仍以模仿人類為主，不論是計算機視覺、自然語言處理還是生成式AI（包括AIGC、數字人等），其內核還是算力、算法和數據的有效結合和應用。
放眼未來的人工智能，應該是有感知、有認知、會學習、自成長的機器智能。那么，如何才能實現這種更高階的、或者說理想中的智能形態？
李卓指出，首先，人類屬于碳基智能體，是一種具身智能；而機器智能屬于硅基智能體，是一種人工智能，其生成來自于人類的大規模芯片制造，進化則來自大數據喂養下算法的快速迭代。
對于機器智能體來說，先天的不足——是其芯片組件往往來自人類的預先設計，一旦制成，在整個生命周期中無法動態修改，無法在環境的交互中動態優化。不過，隨著芯片設計、封裝、制造等技術的演進，包括chiplet、量子芯片等發展，機器智能體的計算方式也在發生變化，迭代進化速度將不斷加快。
其次，人類的活動空間是寬泛的，既可以是物理空間，也可以是數字空間；而AI的活動空間是數字空間，要想對周圍的物質或能量產生效果，需要通過傳感器的采集和執行器的操作才能實現。更為重要的是，人可以通過移動從多個視角去感知所處空間，而機器人暫時還不具備這種能力，往往只能處在某一個場景簡單的專業環境中，缺乏人類在通用環境中廣泛的活動和社交能力，這是其局限之處。
第三，AI往往參考馮諾依曼架構進行計算，局限在數字空間，在解決特定問題時更高效，有一種“大數據，小任務”的感覺。
而人類的思考方式往往是感知-認知-運動類學習，大腦通過觀察感覺輸入如何隨著運動而變化，去學習世界模型再去反應。其思維的過程就是數百億神經元的活動，每個神經元都有數以千計的突出，與成千上萬個其他神經元相連，人類所知的一切都存儲在這些神經元的聯接中。人類的思考往往具有一種“小數據，大任務”的感覺，通過分層分級，上一層的價值決定這一層的策略，比如基于一個人的價值觀，就能大致判斷出他的行動策略。
在可預見的未來，兩種智能將走向融合，在物質的聯網（交通網）、能量的聯網（能源網），信息的聯網（物聯網&互聯網）基礎之上，將會形成智能的聯網——也就是是人類智能體和機器智能體的融合，并且這種融合將會逐步疊加、互相滲透，例如大腦、器官、義肢、神經元等，將形成更深層的融合。
“所謂的元宇宙，其實就是人類智能體和機器智能體共生的環境”，李卓表示，“在這個混合時空中，機器智能體從數字空間拓展到物理空間，伴生著人類進一步拓展更多個性化的時空，未來，如何構建共同的混合智能倫理和社會將成為我們面臨的挑戰。”
伴隨著AI的發展，其實人類對機器人的感情——可謂是又慕又怕，人類既享受作為“造物者”的智力探索，又懼怕制造出有自主意識、不受人類控制，甚至反攻人類的恐怖對手。
就比如人形機器人，這種具有自主特點的機器智能體，一旦大規模進入社會生活領域后，將會很快進步、積累出世界模型的通用知識和底層邏輯，發展速度會非?？?。那最終會不會出現電影《終結者》中的局面？馬斯克的答案是不會，因為已經在設計過程中考慮到了這些因素，設計了很多安全保障，本地有停止按鈕，可以終止它的行為，也可以通過遠程控制進行干預。
未來，最終的智能形態將會主要受環境所驅動，就像大自然的平衡、生物多樣性一樣，人類智能和機器智能會共存。李卓補充說，比如在人類的活動空間中，還是人類智能主導和控制的智能形態；但是，假設拓展到星際智能、深海智能、地心智能……這些超出人類現存空間的領域，就更需要機器智能。
知乎上有一個有趣的帖子，是關于那場著名的對弈——“AlphaGo 和人類棋手比起來誰消耗的資源更多”。其中的一些討論，也適用于對機器人落地的思考。
在這場比賽中，一邊是1202個CPU、176個GPU和100多名科學家在背后，另一邊是一個人腦和一杯咖啡。這難道說明人腦效率遠高于電腦、AI是靠著幾百上千倍的能源消耗才取勝嗎？
不全是。
時隔一年后，AlphaGo從內到外又都煥然一新。內部軟件算法升級，不再拘泥于人類棋譜而是自我對弈，比原先的暴力檢索大大改觀，幾秒鐘就能下一手棋；外部硬件核心全盤更換為Google新研制的TPU，這種專為AI而生的芯片在特定場合比CPU和GPU的性能有了極大提升，以至于與柯潔對弈的AlphaGo版本只需靠一臺物理機上的4個TPU即可運行，而單枚TPU的設計功耗僅為40W。
僅僅一年，AlphaGo的實力又升了幾個臺階，而功耗卻縮減到千分之一，和人類幾乎處于同一數量級。再過一年、五年、十年，將會怎樣？
這些都是人類在通往更智能的路上所需要付出的代價，比如：你愿意承擔多少能源消耗、投入多少人才、付出多大成本、給予多長的時間周期……但最后都要回到一個終極問題上：場景在哪里？
就像把機器人比作一個要踏入職場的應屆生，你能給它找到一份什么樣的工作？這是值得去更多思考的。
機器人賽道難，難在哪里？難在頂不了天，落不了地。
像掃地機器人這樣的新興賽道，高速發展期過后，成本、受眾、創新等問題都逐漸暴露眼前，都是對下一步拓展市場的挑戰。而人形機器人這樣的未來項目，自身的打磨仍需要足夠長的時間周期，更需要找到適合大規模落地的實際場景。
工信部數據顯示，過去兩年我國機器人行業仍處于虧損經營階段。尤其是2020年，規模以上機器人企業凈利潤同比下降26.9%，行業利潤率僅3.33%。就連滲透率、普及率較高的清潔機器人、工業機器人賽道，尚且沒有完全擺脫虧損。
在交流中，汪清告訴<與非網>，機器人乃至AI落地的最大挑戰，主要還是應用的客戶和需求尚未明確。AI落地的第一波推動力量是學術界的力量、應用場景的突破以及資本的加持，再加上熱點事件的助力，打響了產業落地第一戰，也形成了廣泛共識——技術成熟、可商業化，只要找到用戶就可以形成標志示范效應廣泛推廣。
但是，這個階段的AI公司沒有盈利業務支撐研發，只能通過不斷嘗試不同行業場景下的落地實踐，提供完整的交付并反饋才能完成落地閉環。人力成本、經營成本高昂，試錯成本過高，也不得不依賴多次融資，反復打通場景更換項目來維持活躍性，這是AI初創企業在新場景落地面臨的困難之一。
這不僅是人力成本和經營成本無法匹配項目營收的困難，也是項目定制化帶來的成本高昂的泡沫。對于初創AI公司來說，獲客成本高，對傳統企業轉型AI來說，更多是對現有客戶的增值，特別是在服務碎片化市場客戶的時候，比如細分的機器人賽道，這樣的基礎差別就會更大。
