特斯拉，你说句话呀。

前天，特斯拉开了一场相当科幻的发布会，其中一大看点就是新一代人形机器人 Optimus。

「你能以 2 万到 3 万美元的价格购买一台 Optimus 机器人，它可以当老师、帮你照顾孩子，可以遛狗、修剪草坪、买菜、做你的朋友、端上饮料，你能想到的任何事情，它都能做。」「我认为这将是有史以来最伟大的产品！」身穿皮衣亮相发布会的马斯克，一脸自豪地夸赞着自家的机器人。与此同时，社交媒体上也冒出一堆视频，均是展示 Optimus 的强大实力。比如，戴着牛仔帽的 Optimus 化身调酒小哥，平稳地倒着饮料：

 

视频来源：https://x.com/ChrisJBakke/status/1844610918552121596唱着生日快乐歌： 

视频来自：https://x.com/ray4tesla/status/1844606188790370611它还到处闲逛，各种跟人搭话聊天： 

视频来源：https://x.com/teslaownersSV/status/1844610376165425658现场如此嘈杂，声音也是纷乱，Optimus 不仅能精确地锁定对答，还如此流畅，丝毫察觉不到响应的间隔。语言风格、语气语调听起来都与真人无异。如果这些都是 Optimus 的自主回应，那说明特斯拉的技术已经达到了新的 level。除了交流，Optimus 的动作似乎更加「出卖」了它。它的头部可以在对话过程中四处观察环境，扫视众人。手指也比往常更加灵敏，看起来每个动作都精准且生动，不得不让人怀疑，这真的是 Optimus 自己的水平吗？果不其然，有科技博主开始在线「打假」。科技博主在线「打假」几天前，特斯拉在华纳兄弟工作室的摄影棚中，举行了一场备受期待的媒体活动，并推出一款马斯克称之为 Cybercab 的无人驾驶出租车。华尔街并不买账，特斯拉股票应声跌了约 9%。当然，这并没有影响 Party 上的气氛，参加特斯拉活动的人们在社交媒体上发布了几十个视频，展示了 Optimus 机器人的绝活 —— 跳舞、说话，甚至调酒。不过，科技博主 Robert Scoble 在 X 上质疑：「这并非完全是人工智能，而是有人在远程协助」，并附上了一段视频。

 

图源：https://x.com/Scobleizer/status/1844593576040333767Scoble 的质疑并非空穴来风。他在现场专门问了一个机器人：「嘿，Optimus，你的人工智能成分有多少？」Optimus 有些慌乱地回答：「我不能透露具体有多少。这是你以后需要弄清楚的事情。」Scoble 又问：「是有一部分还是完全没有？」Optimus 开始打太极：「我想说，可能有一部分。我不会确认，但可能有一些。」 

视频来源：https://x.com/Scobleizer/status/1844594008225611858答案似乎呼之欲出。以马斯克的性格，如果他真的制造了一群能与大量人群实时互动的机器人，早就大肆宣扬这一点了，但现实情况恰恰相反，他们的回应相当含糊其辞。Scoble 还发了一条后续推文，说他与一位特斯拉工程师进行了交谈以获得清晰的答案。「当它走路时，是 AI 在控制 Optimus。Optimus 可以在人群中走来走去，这真的太棒了。」但 Scoble 没有进行进一步详细说明。

科技媒体 Gizmodo 也表示，以他们对 Optimus 的了解，马斯克实际上远远落后于竞争对手。今年 1 月份，马斯克篡改了一个 Optimus 的演示视频，被网友抓包。视频中，Optimus 正在叠衬衫，但眼尖的观众注意到，有一只手不断进入摄像机的视野。这意味着，有人在镜头外执行折叠任务，而机器人只是在模仿人类。

图注：特斯拉的擎天柱机器人在 2024 年 1 月折叠衣物，红色箭头标注显示的是人类的手。如果 Optimus 真的能够完全自主地玩石头剪刀布，无需人类干预，并且可以毫不延迟地进行快速对话，那确实很牛，但目前并没有相关的证据能够表明这一点。被遥控操作的机器人们特斯拉在今年 8 月底，发布了「动捕师」训练人形机器人 Optimus 的招聘，时薪最高达到了 48 美元。特斯拉 Optimus 人形机器人让我们看到了动作捕捉这一数据采集思路的应用潜力。这是一种常见且往往经济高效的训练机器人执行类人动作的方法，特斯拉是首批大规模使用动作捕捉技术的公司之一。

Optimus 训练过程其实操控机器人并不是一件新鲜事。在年初爆火的斯坦福机器人 Aloha，既是炒菜的一把好手，又能打理家务。备菜、翻炒、出锅，洗衣、逗猫、浇花它是样样精通。这其中就有不少远程操控的展示，Aloha 也凭借这种视觉效果拿下了不少人对机器人养老的期待。

来自英伟达的研究科学家 Jim Fan 当时发布了推文，提醒大家别因为视频的惊艳程度就忽略了其中技术真相。他提到，应该将 Mobile ALOHA 看作是一辆制造精良的跑车，而它仍需要人类驾驶才能表现出自己的能力。现在的水平与能够完全自主的厨师还有较大的差距。

在机器人技术领域，从人类示范中进行的模仿学习已经取得了令人瞩目的成绩。其实训练 Mobile ALOHA 的过程就是像是在玩游戏 —— 操作机器人直到动作通关。Mobile ALOHA 之所以能够让人发出惊叹，是因为它所展示的任务不局限于桌面操作。这些复杂且灵活的动作源于研究者开发的一套系统，用于模仿需要全身控制的双臂移动操作任务。利用 Mobile ALOHA 收集的数据，进行有监督的行为克隆。研究团队在介绍时表示，对于一些简单的任务，Mobile ALOHA 可以在 50 次学习之后达到 90% 的行动成功率。对于一些简单的任务，如炒一只虾仁（有且只有一只）、拿块抹布、摆放好椅子，Mobile ALOHA 无需人类指点，还是可以自己 hold 住的。

今年 7 月，MIT 的研究人员竟通过头戴 Apple Vision 实现了远程操控 UCSD 实验室中的机器人。这种基于 VR 头显的 Open-Television 遥操作系统，可支持不同 VR 硬件平台来映射接入任意一种机器人，通过隔空操作来采集数据。操控者能以立体式主动感知机器人周围的环境。该系统还能将操控者的头部和手部动作映射到机器人上。

体验过 Mobile ALOHA 的梁力天表示：Mobile ALOHA 的直接关节映射使用起来非常直观，这使它成为比 VR 控制器更好的解决方案。这样的能力，只要 3.2 万美元的预算真的太值了。Mobile ALOHA 依赖于低成本的全身远程操作系统来收集数据，然后通过监督行为克隆的方式进行训练。它更侧重于移动和双臂协调控制，结合全身远程操作界面，使机器人能完成更复杂的操作任务。而 Open-TeleVision 强调基于视觉反馈的远程操作，使用强大的视觉模型来实时分析环境信息，并将手部关键点动作映射到机器人的关节角度。这种方式依赖高质量的视觉输入来精确地进行操作，适合用于复杂的、细粒度的任务。这表明 Open-TeleVision 适合那些需要高精度和视觉反馈的任务，其训练方式更复杂，适合处理细节精度要求较高的场景。而 Mobile ALOHA 则更加适合日常家务等移动和协调操作任务，它通过较少的训练数据就能取得很高的成功率，是一种更为实用的解决方案。在这次特斯拉的活动中，马斯克谈到了 Optimus 机器人，但并没有提及这些机器人是否完全自主。他表示这些机器人可以帮你剪草坪、买杂货，甚至照看孩子。不过，完成这些任务还是要依靠 AI 的自主执行能力。毕竟没人愿意买个需要远程操作机器人回家吧。

参考链接：