上周Meta在博客中发问：“机器人去哪儿了？”答案很简单：它们就在这里，只是需要知道去哪里找。抛开自动驾驶不谈，仅看传统意义上的机器人，亚马逊快递若没有机器人协助根本无法送达。
更切题的问题或许是：为什么家里还没有更多机器人？这主要受限于“通用”机器人的硬件瓶颈。Roomba之所以普及，是因为它十年研发只专注做好一件事。
作为长期硬件从业者，我认为问题核心在于重新表述。“为什么没有更多机器人？”对非专家而言完全合理。过去十年我见证了机器人在学习、部署及低代码解决方案领域的爆发。特别致敬近二十年为ROS（机器人操作系统）付出努力的Open Robotics团队，尽管其被Alphabet收购后受到资源削减影响，但Intrinsic和Everyday Robots等内部团队仍在推进相关工作。
Meta也分享了其在具身AI方面的两项重大进展：
人工视觉皮层（VC-1）：单一感知模型，支持多样化感觉运动技能、环境和载体。基于Ego4D数据集训练，在虚拟环境17种任务中匹配或超越已知最佳结果。
自适应技能协调（ASC）：新方法，在物理环境中极具挑战性的移动操作任务（导航、拾取、放置循环）中实现98%成功率。
这项研究令人期待。随着特斯拉Optimus亮相，人形机器人引发热议。它重新激发了形态设计讨论，并为技术难度提供了直观参照。但正如Rodney Brooks所言，需警惕混淆“表现”与“能力”。系统表现出色不代表具备泛化能力，不能简单套用人类建模逻辑。
关于生成式AI在机器人领域的角色，业界观点不一。Covariant CEO Peter Chen指出，基础模型方法颠覆了传统思路：不再针对单一场景用小数据训练特定模型，而是用海量数据训练通用基础模型，从而增强AI泛化能力。
GPT之前，自然语言处理AI多针对特定用例训练。GPT利用大量数据训练大型通用基础模型，使AI具备更强泛化能力，甚至颠覆了翻译领域。
Covariant专注于拣选放置任务，这类系统在真实世界训练中构建了强大的交互数据库。未来，分散的构建模块终将汇聚成通用系统，届时将有海量现场数据供训练。目前平台模式较为合理，如Boston Dynamics Spot采用类似iPhone策略：先推出优秀硬件，再开放SDK，让产品执行意想不到的任务。
1X Technologies的NEO机器人扎根于机器人与生成式AI交叉领域，获OpenAI Startup Fund领投2350万美元融资。创始人Bernt Øivind Børnich表示，双方使命一致，致力于审慎将新兴技术融入日常生活。
这是Optimus和Neo目前的样貌对比。
1X此前名为Halodi，一个月前完成品牌重塑。回顾一两年前其为餐饮开发的人形雏形，虽技术已进步，但轮式底座显示距离渲染图中的理想版本仍有差距。此外，Tesla Optimus、Figure 01和1X Neo的渲染图呈现出趋同进化特征，外观颇为相似。
MIT的Dribblebot项目展示了足式机器人在不平坦地形（草地、泥土、沙子）上的移动能力。教授Pulkit Agrawal指出，轮式机器人无法适应灾难场景下的复杂地貌，足式机器人的意义正在于抵达传统系统无法到达的区域。
绝大多数机器人是轮式的，但在洪水或地震等灾难场景中，我们需要能穿越非平坦地形的机器人协助搜救。研究足式机器人就是为了前往当前系统无法到达的地形。
UCLA塞缪尔i工程学院发布了折纸机器人Origami MechanoBots研究成果。该机器人依赖嵌入薄聚酯结构块中的传感器，首席研究员Ankur Mehta计划将其用于自然灾害等危险场景。这些机器人可按需快速制造，未来甚至可能成为外星探索者。
职位推荐
以下为近期机器人行业职位列表，优先考虑此前未出现过的人选：
适合人类的机器人工作
Aescape （14个职位）
Apptronik （20个职位）
Dexterity （18个职位）
Foxglove （3个职位）
Phantom Auto （21个职位）
Sanctuary AI （15个职位）
Slamcore （5个职位）
Woven by Toyota （4个职位）