在接下来的几周里，TechCrunch 的机器人通讯 Actuator 将采访一些机器人领域的顶尖人物。在此订阅以获取后续更新。
第一部分：卡内基梅隆大学的 Matthew Johnson-Roberson
第二部分：丰田研究院的 Max Bajracharya 和 Russ Tedrake
第三部分：Meta 的 Dhruv Batra
第四部分：Boston Dynamics 的 Aaron Saunders
Ken Goldberg 是加州大学伯克利分校教授兼 William S. Floyd Jr. 工程学杰出主席，同时也是机器人包裹分拣初创公司 Ambidextrous 联合创始人兼首席科学家，以及 IEEE 会士。
生成式人工智能将在机器人技术的未来中扮演什么角色？
尽管相关讨论稍早便已出现，但 2023 年将被铭记为生成式 AI 彻底改变机器人技术的一年。像 ChatGPT 这样的大型语言模型使机器人和人类能够用自然语言进行交流。词汇随时间演变，用以代表从“椅子”到“巧克力”再到“魅力”等有用概念。机器人学家还发现，可以训练大型视觉-语言-动作模型以促进机器人感知并控制机械臂和腿的运动。由于训练需要海量数据，世界各地的实验室现在正合作共享数据。成果不断涌现，尽管关于泛化能力仍存在未解之谜，但其影响将是深远的。
另一个令人兴奋的话题是“多模态模型”，这里的“多模态”包含两层含义：
- 第一层含义是结合不同的输入模式，例如视觉和语言。目前这一概念正在扩展到包括触觉和深度感知，以及机器人的动作。
- 第二层含义是指针对相同的输入状态，允许采取不同的动作。这在机器人领域相当常见；例如，抓取物体有许多种方式。标准的深度学习模型会对这些抓取动作进行“平均化处理”，这可能导致非常糟糕的抓取效果。保留多模态动作的一种非常令人兴奋的方法是扩散策略（Diffusion Policies），由斯坦福大学的 Shuran Song 开发。
你对人形形态有什么看法？
我一直对人形机器人和足式机器人持怀疑态度，因为它们可能过于 sensational（引人注目/炒作）且效率低下，但在看到 Boston Dynamics、Agility 和 Unitree 最新推出的人形机器人和四足机器人后，我开始重新考虑这一问题。Tesla 拥有大规模开发低成本电机和齿轮系统的工程能力。在家庭和工厂环境中，足式机器人在跨越台阶、杂物和地毯方面比轮式机器人具有许多优势。双臂（双机械臂）机器人对于许多任务至关重要，但我仍然认为，简单的夹爪将继续比五指机器人手更可靠且更具成本效益。
继制造业和仓库之后，机器人技术的下一个主要应用领域是什么？
鉴于最近的工会工资协议，我认为制造业和仓库中的机器人数量将比今天多出许多。近期自动驾驶出租车取得了令人印象深刻的进展，尤其是在旧金山，那里的驾驶条件比凤凰城更为复杂。但我并不确信它们在成本效益上可行。对于机器人辅助手术，研究人员正在探索“增强灵巧性”——即机器人可以通过执行缝合等低级子任务来增强外科医生的技能。
真正的通用机器人还需要多久才能实现？
我不期望在近期内看到真正的 AGI（通用人工智能）和通用机器人。我所认识的任何机器人学家都不担心机器人会抢走我们的工作或成为我们的主宰。
家庭机器人（除了扫地机器人之外）会在未来十年内爆发吗？
我预测，在未来十年内，我们将拥有负担得起的家庭机器人，它们能够整理杂物——从地板上捡起衣服、玩具和垃圾等物品，并将它们放入合适的容器中。就像今天的扫地机器人一样，这些机器人偶尔也会犯错，但对于父母和老年人来说，其带来的益处将超过风险。
有哪些重要的机器人故事/趋势没有得到足够的关注？
机器人运动规划。这是机器人领域最古老的研究课题之一——如何控制电机关节以移动机器人工具并避免障碍物。许多人认为这个问题已经解决，但事实并非如此。
机器人“奇点”是所有机械臂的根本性问题，它与库兹韦尔（Kurzweil）所假设的 AI 超越人类的时间点截然不同。机器人的奇点是空间中的一些位置，在这些位置上机器人会突然停止，必须由人工操作员手动重置。奇点的产生源于将夹爪期望的直线运动转换为六个机器人关节电机相应运动的数学计算。在空间中的某些位置，这种转换会变得不稳定（类似于除以零的错误），此时需要对机器人进行重置。
对于重复性的机器人运动，可以通过繁琐的手动微调来避免奇点，从而调整运动轨迹使其永不遇到奇点。一旦确定了这些运动，它们就会被反复执行。但在日益增多的非重复性机器人应用场景中，如码垛、料箱拣选、订单履行和包裹分拣，奇点问题十分常见。这是一个众所周知且根本性的问题，因为它会在不可预测的时间（通常每小时多次）干扰机器人的操作。我联合创立了一家名为 Jacobi Robotics 的新创公司，该公司实施能*保证*避免奇点的高效算法。这可以显著提高所有机器人的可靠性和生产力。