如果你使用过 Alexa、Siri 或谷歌智能语音助手，可能会发现这项技术日益精进：谷歌能帮你等待电话接通，Siri 支持性别中立语音，Alexa 甚至能用已故亲人的声音读睡前故事。与此同时，机器人技术也在飞速发展。然而，语音命令与自主机器人之间一直存在巨大鸿沟。上周，我们探访了位于山景城的谷歌机器人实验室，见证这一差距如何被缩小。
在人类禁入的受控环境中训练机器人执行重复性任务已非难事，Rivian 工厂的参观经历及工业机器人的广泛应用便是佐证。但在有人类活动的空间中，让通用型机器人根据语音指令处理多样化任务则困难得多。以 Roomba 为例，它通常被编程为避开除地板及其上物品外的一切物体，这常令用户感到懊恼。
“为何选择乒乓球？当今机器人技术的挑战在于速度、精确性与适应性的结合。工业机器人只需快速精准即可，但兼顾三者极难。乒乓球完美缩影了这一难题：它既需精度又需速度，且必须通过练习才能掌握，无法仅凭阅读规则成为冠军，”谷歌研究部杰出科学家兼机器人负责人文森特·范霍克（Vincent Vanhoucke）表示，“你必须亲身实践。”
速度与精确性固然重要，但谷歌机器人实验室攻克的核心难点在于人类语言与机器人技术的交汇。其在理解自然语言方面已取得显著突破。例如，“当你有空时，帮我去柜台拿杯饮料吗？”对人类而言简单直接，但对机器却蕴含复杂逻辑。“当你有空时”可能只是客套话，也可能是真实请求；若过于字面化，机器人可能仅回答“是的”确认能力，却未执行动作，也未明确将饮料递给用户。
这正是谷歌 PaLM（Pathways Language Model）自然语言处理系统解决的问题：准确理解人类真实意图，而非机械执行字面指令。
下一挑战是识别机器人的实际能力边界。当要求从冰箱顶取清洁剂时，机器人虽能理解语义，却可能因高度不够而无法执行。谷歌提出的“可供性”（affordances）概念，即机器人在合理成功率下能完成的任务范围，涵盖从“向前移动一米”等简单指令，到“去厨房找可乐”等中等任务，再到“清理洒落饮料并换健康饮品”等需综合理解自身能力与环境的多步复杂操作。
谷歌利用语言模型知识（“Say”）评估高层指令的有效动作，并结合可供性函数（“Can”）实现现实世界落地，确定特定环境下可执行的动作。这一组合被称为 PaLM-SayCan。
为执行高级指令，机器人需将其拆解为多个步骤，例如：
- 走到说话人面前。
- 观察地面，定位洒出液体并记忆位置。
- 搜索抽屉、橱柜及台面，寻找拖把、海绵或纸巾。
- 找到清洁工具（如抽屉内的海绵）后拿起。
- 关闭抽屉。
- 移动至液体洒落处。
- 清理液体并监控吸收效果；若不足，则返回水槽拧干海绵再继续。
- 清理完毕后再次拧干海绵。
- 开水龙头冲洗海绵，关水并最后一次拧干。
- 开抽屉放回海绵并关闭。
- 识别厨房饮料，判断哪些比可乐更健康。
- 从冰箱取水并递给请求者（期间用户可能已移动位置）。
即便看似简单的指令，也包含大量步骤、逻辑与决策。例如，是寻找最健康饮料还是仅比可乐健康的饮料？先递饮料再清理污渍是否更合理？这些都考验着机器人的智能水平。
关键在于教会机器人认知自身能力边界及行为合理性。在实验室中，约 30 台机器人（含 Everyday Robots 项目及专用设备）正在打乒乓球、接长曲棍球、堆叠积木、开关冰箱门，并在人机共处空间中表现得体。
语言模型并非天生扎根物理世界，其基于海量文本训练，无需担心环境互动风险。若谷歌地图规划出荒谬路线尚可一笑置之，但现实中机器人的错误可能带来严重后果。例如，面对“打翻饮料求助”指令，GPT-3 可能建议“用吸尘器”，这在逻辑上关联清洁，但实际操作会导致设备损坏甚至起火。
PaLM-SayCan 驱动的机器人在厨房环境中接受训练，收到指令时会评估“尝试成功的概率”与“行为的帮助性”。在这两者的平衡中，机器人的智能水平正不断提升。
“可供性”并非二元对立。叠高尔夫球极难但可行；未经训练的机器人几乎无法拉开抽屉，但经指导练习后信心与成功率会显著提升。谷歌指出，给予适当指导并练习数日，机器人从抽屉取薯片的成功率将大幅提高。
谷歌自动驾驶汽车项目如何意外催生了其机器人配送竞争对手
训练数据源于机器人对各类操作的评分反馈。有时机器人会以出人意料的方式“解决”任务，这对它们而言可能反而更“容易”。
将语言模型与功能属性分离，使机器人能理解多语言指令。团队在厨房场景中验证了这一点：当范霍克用法语要求取可乐时，机器人顺利响应。“我们免费获得了语言技能，”团队表示，强调神经网络足够灵活，能为无障碍访问开辟新途径。
目前，相关技术尚未商用，也未必注定成为商业产品。
“这完全是研究工作。以当前技能水平，尚不具备商业部署条件。作为研究机构，我们专注于探索不成熟领域，”Vanhoucke 调侃道，“这是研究的本质。我们乐于研究无需规模化的事物，借此通过更多数据和算力了解扩展规律，洞察未来趋势。”
谷歌机器人实验室的商业转化仍需时日，但从山景城的演示可见，随着团队构建更深层的技能、知识与数据集，自然语言处理与机器人技术正相互促进，共同迈向新高度。