12月7日T-EDGE 全球AI论坛：All-in On AI会议上，人工智能研讨所履行董事、波士顿动力机器人创始人马克·雷伯特（Marc Raibert），我国工程院院士、之江试验室主任、阿里云创始人王坚，环绕机器人范畴的开展与 AI 赋能机器人运用等论题打开深度对话。
这是在国内中美AI与机器人范畴顶尖立异者的初次评论沟通，在当时变局环境下极为可贵。
本年75岁的雷伯特，是Boston Dynamics（波士顿动力机器人）创始人。在此之前，他曾任麻省理工学院计算机科学和电子工程系教授，以及卡内基·梅隆大学计算机科学和机器人学副教授。在卡内基·梅隆大学，雷伯特创立了一间研讨动力机器人科学根据的试验室，并研宣布第一款能自己平衡的跳动机器人。
雷伯特在圆桌对话中表明，AI 与机器人现已是一个穿插性学科体系，AI 技能关于机器人范畴的开展起到重要推进作用。现在，人形机器人概念风行全球，全球有逾越50家人形机器人企业，我国不仅占比很高，并且还有许多的机器人范畴优秀人才。可是，假如考虑机器人的商业化，未来2-5年，人形机器人会依然在做货品的转移，进入家庭完结商业化仍是十分困难。
在美国有一种说法：“假如它看起来像鸭子，走路像鸭子，叫声像鸭子，那它便是鸭子。”可在机器人范畴不适用。咱们可以让人形机器人走路像人类，跳舞像人类，看起来像人类，但它的履行安排、操控办法、感知体系、乃至品德和野心都与人类不相同。人形外形不等于人形内涵，人们需求更明晰地考虑自己的方针。所以，咱们有必要考虑机器人未来能开展成什么，机器人的开展就像是登珠峰相同（难）。”雷伯特猜测，未来十年，全球可以会产生一个有用但非全功能的机器人，协助人类做更多使命。
而有着心理学研讨布景的王坚则对机器人有着不同视点的考虑，他表明：“我见过一些用户，他们买一个类人的机器人放在客厅，便是为了和它对话，而不需求它真的像人类相同干活，这让我实在遭到了牵动。当咱们期望一个机器人看着像人的时分，咱们的潜意识实践上是期望和它沟通的。这样AI就成了要害，这现已超出传统机器人技能的范畴，更像是产品规划问题：怎么规划一个人们喜爱与之互动的机器人产品。因而，我对当下的技能倍感振奋，由于机器人和AI的技能现已满足好，可以做出实在好的产品，但应战是怎么规划这样的产品。”
王坚也以为，未来5-10年，咱们家庭中会呈现相似机器人的产品，就像电视、洗衣机相同，会有新的陪同式 AI 机器人硬件产品进入家庭。
以下是波士顿动力创始人Marc Raibert、王坚院士在钛媒体2024T-EDGE上的特别对话编译和收拾：
特别对话嘉宾：
- 马克·雷伯特（Marc Raibert）：人工智能研讨所履行董事、波士顿动力机器人创始人；
- 王坚：我国工程院院士、之江试验室主任、阿里云创始人；
- 主持人Craig Smith：美国闻名媒体人、钛媒体驻美国特约作者、Eye-on.AI创始人
Craig Smith：可以见到在AI范畴享誉全球的王坚真是太令人激动了，今日还能见到我一向以来就想见的Marc，也很快乐见到你。
咱们今日要评论的论题是我长期以来都很重视并常感困扰的一个问题，即大众对机器人与AI（人工智能）的混杂。它们是天壤之别的学科范畴，尽管两者的确存在堆叠，并且这种堆叠还在不断添加。但每逢我看到一篇关于AI的报导却配上机器人的图片时，我都会有些不舒服。这正是我想先谈谈的一个点：差异机器人与AI。Marc，你在波士顿动力（Boston Dynamics）一向在做机器人相关的作业，或许你可以解释一下现有机器人中到底有多少是AI驱动的，又有多少是传统操控理论（人工规划的操控办法）的产品？
然后还有一个延伸问题是：传统操控理论式的工程规划，现在能在多大程度上被大型言语模型（LLM）所完结？换句话说，那些实践编程的作业能否由这些新式的生成模型来承当？
Marc Raibert：我十分附和您所说的，机器人并不等同于AI。最近我一向想用更广泛的思路去界说什么是机器人、什么是AI，但许多人会相提并论。不过回到你的问题：你在波士顿动力看到的许多机器人行为，很大程度上是所谓的传统操控办法的成果。这些传统操控办法是来自研讨机器作业原理、安排作业、视觉体系作业办法的专家们规划和开发的。现在的操控变得越来越杂乱，假如你是做机器人技能的人，你或许知道MPC（模型猜测操控）在这些演示中起了很大作用。但强化学习（Reinforcement Learning）也已近在眼前，我以为强化学习与传统技能专家相结合，将在机器人才能上取得重大打破。
不过我也以为人们对“学习驱动”的办法存在过度达观的倾向，这种达观现在还没有彻底被证明是合理的。许多人信任，或许是由于言语模型的成功，以为不久之后机器人操控就能悉数依托自我学习，乃至是端到端的全自学。但我觉得定论还不决。在我的研讨所，咱们的确有一些人致力于这种极点的端到端数据驱动办法，一起也有一些人持续研讨理论和传统办法。我深信未来最好的处理计划会来自不同技能办法的穿插交融。
另一点是，这一切还要看时刻尺度。在未来的某个时刻点，或许学习型办法会全面占优。但假如你想在当下，或许未来几年，乃至5到7年内，在产品中做出有用的东西，传统办法依然会发挥巨大作用。我乃至不太喜爱用“传统”这个词来称号这些办法，由于与曩昔两年的新趋势比较，它们才算“传统”。
Craig Smith：像Atlas这样的机器人在做跳动或翻筋斗等动作时，这些程序规划现在有多少是能用LLM类型的代码生成器完结的呢？纷歧定非要是LLM，也可以是其它生成式或根底模型。