协变成立于2017年，目标明确：帮助机器人学习如何更好地抓取物体。对于希望实现仓库自动化的企业而言，这是一项巨大且远比表面看起来更为复杂的需求。我们遇到的大多数商品在某个阶段都曾经过仓库流转，它们呈现出极其广泛的大小、形状、纹理和颜色差异。
这家位于湾区的公司开发了一套基于人工智能的系统，能够训练网络机器人，使其在操作过程中不断优化抓取动作。在今年的 ProMat 展会上，现场演示展示了连接式机械臂如何快速识别、抓取并放置各种不同类型的物体。
联合创始人兼首席执行官 Peter Chen 上周在该展会期间接受了 TechCrunch 的采访，讨论了机器人学习、基础模型的构建以及 ChatGPT 等话题。
TechCrunch：作为一家初创公司，尽可能多地使用现成硬件是合理的。
PC：没错。Covariant 起步于一个非常不同的起点。我们最初专注于纯软件和纯人工智能。公司的首批员工都是 AI 研究人员。我们没有机械工程师，也没有机器人领域的人才。这使得我们能够比其他人更深入地探索人工智能。如果你看看其他参加 ProMat 的机器人公司，他们可能在使用一些现成的模型或开源模型——这些都是在学术界已经使用过的技术。
比如 ROS。
是的。ROS 或开源计算机视觉库都很棒。但我们的做法从根本上有所不同。我们审视学术 AI 模型所提供的能力，发现它们并不完全足够。学术界的 AI 是在实验室环境中构建的，它们并非为了经受现实世界的考验而设计——尤其是面对众多客户、数百万种技能以及同一 AI 需要处理的数百万种不同物品的考验时。
许多研究人员正在采用多种不同的学习方法。你们的方法有何不同？
创始团队中有很多来自 OpenAI 的人——四位联合创始人中有三位都来自那里。如果你回顾过去三到四年 OpenAI 在语言领域所做的工作，它基本上采用了面向语言的基础模型方法。在最近的 ChatGPT 出现之前，市面上存在大量自然语言处理 AI，包括搜索、翻译、情感检测、垃圾邮件检测等。在 GPT 之前的方法是，针对每个用例，使用较小的数据子集训练特定的 AI。看看现在的情况，GPT 基本上颠覆了翻译领域，而且它甚至不是专门为翻译训练的。基础模型方法的基本理念是：与其使用针对特定场景的小量数据来训练专门针对某一情况的模型，不如用更多的数据训练一个大型、通用的基础模型，从而使 AI 具备更强的泛化能力。
你们专注于抓取和放置，但是否也在为未来的应用奠定基础？
当然。抓取能力或抓取与放置能力确实是我们赋予机器人的第一种通用能力。但如果深入幕后，你会发现其中涉及大量的三维理解或物体理解。还有许多可泛化至未来机器人应用的认知原语。话虽如此，抓取或抓取任务是一个极其广阔的领域，我们可以在此深耕一段时间。
你们首先专注于拣选和放置，因为这方面的需求非常明确。
需求很明确，而且目前也缺乏相应的技术。有趣的是，如果你十年前来看这场展会，你确实能找到拣选机器人，但它们根本无法正常工作。这个行业在这方面的挣扎已经持续了很长时间。人们曾说没有人工智能就无法实现，于是有人尝试专用人工智能和现成的人工智能方案，但都未能成功。
你们的系统会将数据汇入中央数据库，每一次拣选操作都在为机器提供未来如何拣选的参考信息。
没错。有趣的是，我们几乎接触到的每一件物品在某个时刻都会经过仓库。仓库可以说是物理世界中所有物品的一个中央集散地。当你从为仓库构建人工智能开始，这将为走出仓库的人工智能应用打下很好的基础。比如，你把苹果从田间采摘后运送到农业加工厂——在这个过程中，系统之前已经见过苹果，也见过草莓。
这是一种一对一的映射关系。我在履约中心能拣选苹果，那么在田间也能拣选苹果。更抽象地说，这些学习成果如何应用到生活的其他方面呢？
如果我们暂时抛开 Covariant 本身，思考一下技术趋势的发展方向，我们会看到人工智能、软件和机电一体化这三个领域正在出现有趣的融合。传统上，这三个领域是相对独立的。机电一体化是你在这场展会上会看到的内容，它关注的是可重复的运动。如果你和销售人员交谈，他们会强调可靠性，说明这台机器可以一遍又一遍地执行相同的任务。
过去15到20年里，硅谷最令人惊叹的演进发生在软件领域。人们已经破解了如何构建极其复杂且看起来高度智能的软件的方法。我们现在使用的所有应用程序，本质上都是人们在利用软件的能力。如今，我们正坐在人工智能的前排座位，见证着所有这些惊人的进步。当你问我仓库之外是什么、我看到的方向在哪里时，我认为关键在于这三种趋势的融合，以构建世界上高度自主的物理机器。你需要所有这些技术的协同融合。
你提到 ChatGPT 的出现让那些做翻译软件的人措手不及。这是技术发展中常见的事情。你是否担心会出现一个 GPT 类产品，从而有效地让 Covariant 所做的工作变得毫无意义？
这是一个对很多人来说很好的问题，但我认为我们有一个不公平的优势，因为我们从一开始就持有与 OpenAI 在构建基础模型时相同的信念：通用人工智能比构建专用人工智能是更好的方法。这也是我们过去五年一直在做的事情。我认为我们处于非常有利的地位，并且非常高兴 OpenAI 证明了这种理念行之有效。我们非常期待在机器人领域践行这一理念。