比起ChatGPT和SORA，Figure1这类机器人才是AI这桌宴席的“硬”菜 —— GPT光环下的Figure01放出了一段Demo，让不少人惊呼“机械公敌”里的场景近在眼前了，有人说Figure1吊打了波士顿动力和特斯拉的机器人。我看了网上的一个我见过讲机器人最专业最接地气的视频，基本结论就是：这主要就是个为Figure01搞的噱头营销。
首先这个Demo里所有的机器人的动作，收垃圾，放盘子，递苹果，去年Figure1就能流畅完成了，GPT做的只不过是把人的语言翻成文字，把文字解析为参数去调三个预置的函数 —— 这个功能去年GPT的Function calling就搞定了。而且，据说拍的时候还录了几遍，Cherry pick了一个效果最好的。这里说GPT是画蛇添足倒也不公平，但说跟一个Siri的作用差不多，没什么问题。
第二，说Figure1这个机器人本身的运动能力，连Figure这家公司的CEO自己都承认，自己的机器人目前定位是一些仓库里的常规活动（那也不知道为啥要做成人形，仓库里轮子不是更方便吗），不是波士顿动力的Atlas那种“后空翻”，“跑酷”的动作。说起行动能力，Figure1去年10月份才能直立行走，Atlas去年一月就已经可以跳着空中转身了。包括什么抓苹果这些动作，象丰田的UMI那种机器人训练开源项目,训练几个小时就会了，实在算不得惊艳。所以最后的结论，与其说是GPT赋能（变身）具身智能，还不如说机器人扩展了GPT的一个应用（插件）。个人觉得，怎么看就象OpenAI想给自己投的机器人公司站个台，硬把机器人人机界面里加上了个GPT。
当然，也不是完全没有新意，GPT不仅只处理了语音和文字信息，据说还有机器人看到的图像，用GPT的视觉插件GPT4V（这个插件我以前分析过，我试过几次，有些视觉识别效果，差强人意）做了解析。这一定程度上展示了大模型+ 机器人的方向，多模态，的雏形。机器人的外界信息感知，相当大部分会来自于视觉信息，把摄像头信息和文字信息打通整合起来，再做行为规划和任务分解，显然会比只用大语言模型效率高得多 —— 其实机器人领域，一直没有什么大语言模型的位置，主要都是视觉模型那一套。最近谢塞宁他们搞的在Google地图环境里漫游的AI Agent “VIRL”，就是用视觉模型和语言模型协同赋能AI Agent在真实环境的视频里完成一系列的感知、推理、行为规划、协同的任务。
所以要让自己的机器人有亮点，OpenAI得想想办法把Dall-E，SORA这些模型的视觉和空间计算能力尽快跟GPT融合起来，让机器人尽快拥有“空间认知”中枢，配合语言和推理中枢，这样的机器人才能做一些In-The-Wild的任务，而不是跟仓库机器人一样只能完成一些固定任务。GPT作为一个大语言模型在文字表征的信息处理方面已经做得很好了，而现实世界太多场景里信息不会自动变成文字（文字已经是人类对世界的建模了），我们总不能每个机器人配一个人类把看到的图像翻译成文字，让GPT来推理吧。
大家都清楚机器人未来的大脑一定是AI大模型，但如果机器人的语言/推理中枢和视觉中枢，运动中枢不能很好打通，机器“人”还只能是在“机器”的范畴。—— 仅代表尹智个人观点 Ken’s personal view only
