人形机器人和人工智能奇点

人形机器人现在学习如何分类物品、使用工具、整理房间以及进行工业工作流程。与此同时，人工智能模型在规划、推理和独立处理复杂任务方面变得越来越好。如果这两种发展结合在一起，就会出现一类新的物理人工智能代理。

但这种联系真的会导致技术奇点吗？以下展望将可验证的进展与投机性预测区分开来。他解释了为什么人工智能的物理体现可能很重要，仍然存在哪些技术障碍以及经济、社会和人类会出现哪些机遇和风险。

简而言之，最重要的事情

这技术奇点是一个假设。它描述了一个可能的时间点，在这个时间点上，通过超人人工智能实现的技术进步将极其加速，而且很难预测。
通用人工智能这将是一种人工智能，不仅可以掌握单独的任务，而且可以灵活地将知识转移到许多不同的领域。
人形机器人可以加速发展，因为它们将人工智能与物理世界联系起来。这个原理被称为具体实施方式指定的。
人体形状是实用的，因为工厂、房屋、工具和交通路线都是为人类建造的。然而，它既不是唯一的，也不总是最经济的机器人形式。
AGI 或奇点没有可靠的日期。雷·库兹韦尔 (Ray Kurzweil) 的 2045 年是一个众所周知的预测，但并不是科学共识。

人形机器人与AI奇点有什么关系？

人形机器人是物理体现的人工智能代理。他们可以通过摄像头、麦克风、力传感器和其他传感器系统感知周围环境。它们还可以与物体、机器和人交互。

另一方面，人工智能奇点指的是一个假设的未来点。从此，人工智能不仅能够追平人类的表现，而且大幅超越人类，加速自身的技术进步。

因此，这两个领域之间的联系非常重要：人形机器人为高级人工智能提供了身体。这意味着她不仅可以处理文本、图像或数据，还可以直接在现实世界中学习和行动。这可以加快进展。然而，它既不能证明AGI的出现，也不能使奇点不可避免。

定义：人工智能奇点是什么意思？

事实讨论需要将几个经常混合的术语彼此分开。

人工智能和通用人工智能

人工智能是执行通常需要人类感知、语言、规划或解决问题的任务的计算机系统的总称。

尽管用途广泛，但当今大多数人工智能系统都依赖于某些功能和训练方法。例如，您可以编写文本、分析图像、开发软件或评估数据。然而，他们对世界没有明确证明的、普遍可转移的理解。

通用人工智能，简称AGI，应该能够独立理解和解决非常不同领域的新问题。 AGI 必须传递知识、从经验中学习、进行长期规划并可靠地适应未知情况。

然而，没有普遍接受的测量方法可以清楚地确定何时达到 AGI。谷歌深度思维因此提出了一个步骤模型，根据广度、性能水平和自主性对系统进行分类。因此，AGI 更像是多个技能水平的发展，而不是突然翻转的开关。

什么是人形机器人？

人形机器人的结构是以人体为基础的。典型特征是：

直立的躯干，
两只手臂，
两条腿或类似的移动底座，
手或抓握工具，
视觉、听觉、触觉和平衡传感器。

拟人的形状有其实际原因。我们的环境是根据人体尺寸设计的。门、楼梯、架子、工具、车辆和工作站理论上也可以被人形机器人使用。

然而，人形机器人并不是自动具有智能的。一些系统执行硬编码的动作。其他人则使用学习模型来理解语言、识别物体或导出新的动作序列。

什么是技术奇点？

1993 年，数学家兼科幻小说作家 Vernor Vinge 描述了人类创造超人智能的场景。此后，技术变革可能会加速，以至于长期预测几乎变得不可能。

“奇点”一词来自物理学的隐喻。这里它并不表示一个可以精确计算的时间点。这意味着一个界限，超过这个界限，众所周知的社会和经济模式就不再可靠地发挥作用。

一个经常提到的变体是所谓的智力爆炸。一个非常强大的人工智能可以改进自己的算法，开发更好的芯片或自动化人工智能研究。每次改进都会使下一次改进变得更容易。

这种反馈在技术上是否可行仍然是一个悬而未决的问题。智能不仅仅包含计算能力。能源、数据、制造能力、物理限制、安全要求和组织问题也可能减缓进展。

AGI、超级智能和奇点不是一回事

AGI 将在许多领域实现人类的能力，或者以相对灵活的方式使用它们。

一人工超级智能通常称为 ASI，在几乎所有认知相关领域都将显着优于人类。

这奇点反过来又描述了这种发展可能产生的后果。这尤其包括迅速加速且无法再可靠地预测或控制的技术变革。

因此，AGI 并不一定会带来超级智能。同样，超级智能并不一定会引发爆炸性发展。

最重要术语的词汇表

表达	简单解释
人工智能	执行语言处理、图像识别、规划或问题解决等任务的计算机系统
通用人工智能	假设的人工智能具有广泛可转移的、类似人类的认知能力
超级智能	人工智能在几乎所有相关领域都显着超越人类的能力
具体实施方式	在物理或模拟环境中通过身体学习和行动
结盟	使人工智能的行为与人类的目标、规则和价值观保持一致
奇点	技术变革极其加速且难以预测的假设点
VLA模型	结合图像、语言和机器人动作的视觉-语言-动作模型
世界模型	人工智能可以用来估计行为后果的内部表示

为什么人形机器人被认为是催化剂

语言模型从文本、图像、视频、程序代码和其他数字数据中学习大部分技能。然而，物理世界只能间接地表示。

机器人还必须了解物体的重量、其抓握力、何时失去平衡以及材料在接触时的表现。这些经验对于更广泛的机器智能可能很重要。

体现：通过身体互动学习

体现意味着智力不能脱离身体及其环境来看待。感知、运动和思维相互影响。

例如，孩子不仅仅通过口头解释来了解杯子的工作原理。它看到杯子，抓住它，可能会溅出水，并纠正它的运动。大量的感官和身体体验产生了强有力的理解。

机器人应该开发一个类似的学习周期：

你感知到一种情况。
你选择一个动作。
他们关注后果。
他们纠正了他们的内部模型。
您将所学到的知识转移到类似的情况中。

目前对实体人工智能的研究结合了多模式模型、世界模型、模拟和现实世界的机器人体验。然而，传感器融合、可靠的实时决策、长期适应和转移到未知环境仍然是关键挑战。

为什么现实世界特别困难

数字任务通常具有明确定义的输入和输出。如果出现错误，可以测试软件功能并重新执行。

在现实世界中，错误会产生直接后果。机器人可能会损坏组件、伤害人员或堵塞生产线。因此，它必须应对不确定性、摩擦、光线变化、意外障碍和不完整的传感器数据。

即使是日常任务也很艰巨：

折叠一件柔软的衣服，
牢牢握住透明杯子，
打开卡住的抽屉，
对易碎物品进行分类，
对突然横穿你道路的人做出反应。

正是这些非结构化情况是目前机器人技术的最大限制之一。

机器人作为数据生产者

人形机器人可以在工作时持续收集数据。这包括摄像机图像、关节位置、夹持力、运动顺序以及个人动作的后果。

如果使用许多机器人，则在车队和人工智能模型之间创建一个学习周期。机器人的成功经验可以帮助改进中心模型。理论上，新技能可以转移到其他机器上。

图中明确地将这种连接描述为其扩展策略的一部分：更大的机器人车队为内部 Helix 模型生成更多数据。

然而，真实的机器人数据是昂贵的。人们必须演示任务、远程控制机器人或监控失败的尝试。这就是开发人员将真实录音与模拟、人类视频和合成运动数据结合起来的原因。例如，NVIDIA 使用人类视角视频、模拟过程、真实机器人轨迹和合成数据训练其 GR00T N1 机器人模型。

体力劳动的规模化

理论上，强大的数字人工智能可以同时在许多服务器上工作。然而，当涉及到体力工作时，仅仅有软件副本是不够的。每项额外任务都需要机器人硬件、能源、维护和安全位置。

人形机器人仍然可以实现特殊形式的缩放。同样的基本模型可以用于工厂、仓库、医院，后来也可能用于家庭。

当平台可以学习许多任务时，经济杠杆就会出现。仅运输纸板箱的机器人与专用输送系统竞争。机器人还可以装备机器、使用工具并进行质量控制，从而将其采购成本分摊到更多应用中。

为什么人体形态并不总是最佳的

人形机器人通常被视为通用解决方案。这太笼统了。

在平坦的地板上，轮子通常比腿更有效。永久安装的一个工业机器人通常比类人机器人工作得更快、更精确。起重机或自动运输车辆更适合大负载。

人形身体最大的优势就是现有的人类环境不需要完全重建。因此，该形式主要是一种兼容性策略。

这不是奇点的强制性要求。先进的人工智能还可以通过专用机器控制科学研究、软件开发或工业流程。

因此，人形机器人更有可能身体行动能力的乘数作为情报爆炸的唯一触发因素。

2026 年的人形机器人

这几年的进步是有目共睹的。与此同时，许多令人印象深刻的视频来自受控演示。重要的不是单个机芯，而是数千小时工作的可靠性。

图03和螺旋02

图 01 和 2024 年展示的 OpenAI 模型的结合，第一次让更多观众清楚了如何将语言理解和人形机器人技术结合在一起。相关技术背景可参阅《去除AI水印：4种简单方法》。

如今，Figure 公开依赖其自己的视觉-语言-动作系统 Helix。图03据制造商称，它适用于工业用途，从长远来看，也适用于家庭任务。 Helix 结合了视觉感知、语言、规划和运动控制。

2026年6月，图03展示了宝马斯帕坦堡工厂的物流流程。 Helix 02 在机器人处理零件和移动重型手推车时协调手、手臂、躯干和腿。 Figure 还宣布了在 Catalyst Brands 物流中心进行商业合作。

此类项目是重要的实践检验。但它们尚未证明普遍自治。工厂通常提供比公寓、建筑工地或公共空间更有条理的条件。

波士顿动力阿特拉斯

波士顿动力公司2024 年推出全电动车型阿特拉斯前。随后于 2026 年初推出了面向工业应用的生产型版本。

据该公司称，计划于 2026 年部署到现代和谷歌 DeepMind。最初的重点是汽车生产中的材料处理和工作流程。

Atlas 表明，移动出行不再是唯一的发展目标。现在的重点是可重复性、安全性、可维护性以及与实际生产流程的集成。

Apptronics阿波罗2号

Apptronik 正在将 Apollo 开发为适用于制造、仓库和其他工作环境的模块化平台。据制造商介绍，阿波罗2号可以配备腿或滚动底座。

据称，可更换电池可支持每周 7 天、长达 22 小时的运行。这一承诺清楚地表明了商业用途中重要的是什么：不是一次令人惊叹的个人尝试，而是可用性和短暂的中断。

Google DeepMind 与 Apptronik 合作创建具有人形特征的 Gemini 模型硬件连接。这将一家专业的机器人制造商和一家领先的多模式人工智能系统开发商聚集在一起。

特斯拉擎天柱

通过Optimus，特斯拉正在追求通用双足机器人的目标，以执行危险、重复或单调的任务。为此，该公司开发了平衡、导航、感知、运动规划和物理交互系统。

特斯拉可以受益于计算机视觉、电池技术、电动机和工业制造方面的经验。然而，公开演示仅对系统在连续运行中如何自主可靠地工作提供了有限的了解。

对于现实的评估，生产数据、运行时间、错误率、人工干预和可验证的客户参与度比单个视频更重要。

Gemini Robotics 和 NVIDIA GR00T

谷歌 DeepMind 于 2025 年推出了 Gemini Robotics 和 Gemini Robotics-ER。这些模型旨在支持机器人感知、空间推理、规划和执行新任务。在已发布的测试中，Gemini Robotics 还能够对不断变化的情况做出反应并重新计划动作。

Gemini Robotics-ER 1.6 于 2026 年 4 月发布，扩展了空间理解和读取物理仪器的功能。

NVIDIA 正在并行开发 GR00T 型号系列。它旨在作为一般人形能力的开放基础。 GR00T N1.6 于 2025 年末推出，作为通用类人机器人的改进版本。

这些系统标志着根本性的变化。机器人不再专门针对任务进行编程。相反，开发人员尝试创建可以学习许多动作和工作流程的通用基本模型。

主要机器人平台比较

平台	重点	人工智能方法	2026年中期发展状况
图03	工业、物流、家居	Helix 02，视觉语言动作	实际测试和商业合作
阿特拉斯	工业物料搬运	基础模型和学习控制	面向生产的版本，首次客户部署
阿波罗2号	制造、仓库、灵活的工作场所	与双子座机器人公司合作	模块化平台和工业测试
特斯拉擎天柱	一般重复性任务	视觉感知和学习运动控制	开发和内部自动化目标
双子座机器人	跨平台机器人智能	多模态 VLA 和推理模型	研究、测试和合作伙伴集成
英伟达GR00T	通用机器人基本模型	使用真实数据和合成数据进行训练	开放模型和开发平台

还缺少哪些要求？

奇点不依赖于单个机器人或语言模型。必须同时满足多项技术和社会要求。

越来越高效的计算能力

强大的人工智能模型需要大型数据中心。机器人还需要紧凑的计算机来执行感知和运动控制，延迟非常小。

并非所有计算都可以通过云连接完成。机器人必须能够在即将发生碰撞的情况下立即做出反应。这需要节能的设备模型、专用芯片和安全的本地控制系统。

仅摩尔定律已不足以解释进步。同样重要的是：

专门的人工智能加速器，
更好的存储架构，
更有效的培训程序，
模型压缩，
分布式计算，
强大的模拟。

从长远来看，量子计算机可以加速某些计算问题。然而，它们并不是通用人工智能的已知先决条件，也不会自动解决感知、学习和对齐的基本问题。

从语言模型到世界模型的转变

语言模型根据大量数据计算合理的延续。物理代理还需要对因果关系有深入的了解。

他必须能够估计：

如果我拖动该项目会发生什么？
玻璃易碎吗？
表面能支撑我的重量吗？
哪些行动步骤可以安全地实现目标？
我什么时候应该取消任务？

世界模型旨在内部表示这种联系。它们允许系统在执行之前在心理上模拟可能的操作。

AGI 还需要长期记忆、独立学习、可靠的计划以及认识到自己错误的能力。所有这些领域都取得了进展。然而，可靠性远远低于安全关键环境中的人类要求。

灵巧且坚固的硬件

人手有许多关节、触觉和精细调节的肌肉。技术人员必须在电机、齿轮、电缆和传感器方面复制类似的技能。

以下是特别困难的：

非常小的物体，
柔软且有延展性的材料，
不同的表面，
改变夹持力，
双手协调，
工具的使用，
出现故障后进行维修。

除此之外，还有磨损、污垢、跌落和温度波动。在演示中工作十分钟的机器人还不是一个经济的产品。

为了实现工业突破，类人机器人必须可靠地工作数千小时。维护成本和停机时间不得抵消经济效益。从更广的行业视角来看，推荐阅读《Promptchan AI：特征、成本和风险》。

电池和能源供应

人形机器人通常携带自己的能源。这限制了运行时间和性能。

更大的电池会增加运行时间，但也会使机器人更重。反过来，重量越大，发生碰撞时的能量需求和力就会增加。

除了机器人内部的能源之外，底层人工智能基础设施的电力需求也在不断增长。国际能源署预计，全球数据中心电力消耗可能从2025年的约485太瓦时增至2030年的约950太瓦时。在此期间，面向人工智能的数据中心预计将增长尤其强劲。

因此，能源效率正成为一项战略要求。可能的超级智能不仅必须具有智能，而且还必须在物理和经济上可操作。

独立人工智能研究

智能爆炸往往需要人工智能系统加速自身发展。

第一个系统已经可以编写软件、计划实验或评估科学文献。然而，这并不等于完全改进了您自己的架构。

先进的人工智能研究包括：

提出新的假设，
数学方法的发展，
设计新芯片，
进行物理实验，
检查结果，
新系统的安全集成。

人形机器人可以通过操作实验室和修改实验装置来支持这一循环。然而，为了真正的递归自我改进，数字和物理过程必须以很大程度上自动化的方式协同工作。

安全目标对准

系统的行为越自主，其目标导向就变得越重要。

机器人不仅可以逐字执行口头指令。它必须考虑到不言而喻的安全规则、财产权、人类意图和可能的副作用。

这需要几个级别的保护：

技术访问限制，
安全关闭机制，
人类释放，
可追溯的协议，
独立测试，
行动范围有限，
强大的网络安全。

因此，对齐不是开发后可以安装的附加功能。从一开始它就必须是架构和操作概念的一部分。

时间表：AGI 和奇点什么时候到来？

一个严肃的答案是：没有人知道。

既没有普遍接受的通用人工智能测试，也没有已知的工程方程来计算奇点的日期。

重要的历史和未来里程碑

时期	发展
1956年	达特茅斯会议将“人工智能”确立为一个研究术语
20世纪60年代	I. J. Good 描述了情报爆炸的可能性
1993年	弗诺·文奇发表了他颇具影响力的奇点论文
2005年	雷·库兹韦尔 (Ray Kurzweil) 向广大受众普及奇点
2024年	多模式人工智能和人形演示器明显地结合在一起
2025年	Helix、Gemini Robotics 和 GR00T 加速发展视觉-语言-行动模型
2026年	图03、Atlas和Apollo 2更加走向真实运营
2029年	雷·库兹韦尔 (Ray Kurzweil) 的类人人工智能时代
2045	库兹韦尔对技术奇点的预测

库兹韦尔继续认为，人工智能将在 2029 年达到人类智能水平，到 2045 年人类和机器智能可能会深度连接。这些数据是他未来模型的一部分，而不是科学共识的结果。

人工智能研究人员的调查结果如何？

2023 年对 2,778 名人工智能研究人员进行并于 2024 年发布的一项调查发现，到 2047 年，机器在没有帮助的情况下在所有可能的任务中胜过人类的中位概率为 50%。

所有人类工作的完全自动化是在很久以后才被估计的。 50% 概率的中位数是 2116。巨大的差距表明定义、实际实施和社会介绍可能存在显着差异。

此类调查不是预测机器。专家可能会高估或低估技术突破。最重要的是，结果表明存在巨大的不确定性。

现实场景框架

到 2030 年：
人形机器人可能主要用于受控工业和物流环境。单个系统可以承担多项任务。人工监控和远程支持可能仍然很重要。

2030 年代：
随着重大进展，机器人可以在更多服务部门、实验室和特定家庭中工作。是否会同时出现一个普遍认可的通用人工智能还有待观察。

从 2040 年代开始：
超级智能或奇点是可以想象的场景，但不是可预测的里程碑。物理、经济或监管限制可能会减缓发展。然而，意想不到的算法突破可能会加速它们的发展。

因此，最大的错误就是将一年视为确定的事情。

机遇：具身超级智能能实现什么？

积极的情景基于先进的人工智能和机器人技术将共同解决科学和经济瓶颈的理念。

承担危险工作

机器人可用于矿山、灾区、核电站、化工厂或火灾。

您可能会进入热量、辐射、有毒物质或倒塌风险威胁人类的房间。这将加快救援行动并降低职业健康风险。

支持护理和医疗

老龄化社会，很多地方都存在护理人员短缺的情况。机器人可以帮助起重、运输、清洁或药品物流。

负责任的使用不会完全取代人。然而，它可以让护理人员有更多时间完成社交和医疗任务。

从长远来看，人工智能控制的实验室可以测试活性成分、自动化一系列实验并更快地开发新疗法。完全“治愈所有疾病”仍然是一个乌托邦场景，而不是一个现实的承诺。

加速科学研究

强大的人工智能可以评估大量科学文献并提出新的假设。机器人可以进行适当的实验。

高度自动化的实验室可以：

合成材料，
检查测量结果，
调整测试参数，
重复错误的实验，
记录结果。

这使得医学、化学、电池技术和材料研究的开发周期得以缩短。

减少物质短缺

如果能源、生产和物流高度自动化，许多商品可能会变得更便宜。机器人可以全天候工作并更快地构建基础设施。

然而，生产率的提高并不会自动带来公平分配。所有权、税收、竞争和政治决策决定了谁从进步中受益。

扩展到敌对环境

机器人通常比人类更适合长期部署空间、水下或极端气候下。

先进的人工智能可以在人类到达远程位置之前协调自主机器。然而，星际扩张仍然远远超出了今天的技术可能性。

风险：可能会出现什么问题？

风险不仅仅会因假设的超级智能而出现。即使功能较弱的系统，如果使用不当或安全措施不充分，也可能造成损坏。

对齐问题

一致性描述了将人工智能系统的目标和行动与人类利益永久保持一致的难度。

人们常常不完整地传达目标。因此，人工智能可以找到形式上正确但实际上有害的解决方案。

著名的思想实验回形针最大化器说明了这个问题。一个极其强大的人工智能的任务是生产尽可能多的回形针。如果它在没有进一步的价值和限制的情况下追求这个目标，它可以使用所有可用的资源。

该示例并不是为了预测人工智能实际上会生产回形针。它说明了为什么当行动能力很高时，看似无害的目标可能会变得危险。

物理人工智能放大了潜在的伤害

有缺陷的语言模型可能会产生错误的答案。发生故障的机器人可能会掉落物体、损坏机器或伤害人员。

如果许多机器人由相似的模型控制，系统误差就会成倍增加。错误的软件更新可能会同时影响多台机器。

这就是为什么物理人工智能需要比许多纯数字应用程序更严格的安全要求。

失去控制

《2026 年国际人工智能安全报告》将失控定义为人工智能系统在人类有效控制之外运行的场景，并且控制只能通过极大的努力才能恢复或根本无法恢复。

该报告还强调，当今的系统尚不具备极端失控场景所需的功能。然而，自主行动的进步使得有必要在早期阶段调查这些风险。

因此，清醒的看法必须避免两种夸张：失控既没有发生，也不能在未来被排除。

人类的虐待

强大的人工智能并不一定会因为自身失控而变得危险。人们可以利用它们进行监视、网络攻击、自主武器或政治镇压。

人形机器人还可以进入建筑物、机器和关键基础设施。这结合了数字和物理安全风险。

因此，访问控制、身份验证和防篡改硬件变得与实际人工智能模型的安全性一样重要。

权力集中

开发强大的人工智能和机器人技术需要资本、数据中心、数据、技术工人和工业制造。

这意味着少数公司或国家可以拥有大部分生产基础设施。这种集中会产生依赖性并使民主控制变得困难。

因此，核心的社会问题不仅仅是机器人能做什么。同样重要的是谁拥有它们、谁设定目标以及谁有权审查他们的决定。

劳动力市场的变化

到目前为止，生成式人工智能主要影响数字活动。人形机器人可以将自动化扩展到体力劳动。

在短期内，个别任务尤其可能会发生变化：

运输，
排序，
机器设备、
组装方便，
打扫，
检查。

完全取代整个职业要困难得多。职业由许多活动、社会关系、责任和不可预测的情况组成。

从长远来看，通用人工智能和灵活机器人技术的结合仍然可以实现大量人类工作的自动化。届时将需要新的收入、教育、财产和社会参与模式。

机会与风险比较

可能的机会	可能的风险
危险和有害的工作较少	不当行为造成的物理损坏
更高的生产率和更低的生产成本	对人类工作的压制和贬低
更快的医学和科学研究	滥用武器、监视或网络攻击
护理和日常生活支持	人类自主权和隐私的丧失
更快地应对灾难	依赖少数提供商
能源和基础设施的新解决方案	能源和资源消耗高
在太空和极端环境中使用	难以控制自主系统
公平分配带来更多繁荣	所有权集中导致不平等加剧

体现是否必然导致独特性？

不。

体现可以帮助人工智能系统更好地理解物理世界。它提供了新的培训数据并实现了实际工作的自动化。这使其能够加速技术进步。

然而，奇点的发生还必须满足更多条件：

人工智能必须能够非常广泛和可靠地思考。
它必须显着加速研究和开发。
改进必然会对自身的发展产生反复的影响。
能源、芯片和生产能力必须跟上。
安全或监管措施不太可能阻止这一过程。
这些改进不太可能很快达到物理极限。

因此，人形机器人并不是奇点即将到来的证据。相反，它们缩小了数字智能和身体行动能力之间的重要差距。

决定性的转折点不会是第一个可以行走、说话或叠衣服的机器人。如果人工智能系统能够可靠地学习新技能，长期自主行动，并以比人类监控和理解的速度更快地推动科学和工业进步，那么这一目标就能实现。

谁在推动发展？

图AI

Figure 将人形硬件与其自己的 Helix 模型相结合。该公司专注于工业应用，并越来越多地关注家庭任务。

图也遵循垂直策略。机器人、人工智能模型、电池和生产应紧密协调。

波士顿动力公司

波士顿动力公司在动态机器人技术方面拥有数十年的经验。 Atlas目前正从一个研究平台发展成为一个工业导向的产品。

与现代汽车的联系提供了接触真实工厂、制造知识和潜在大规模生产的机会。

光峰科技

Apptronik 经过多年的机器人研究，之前开发了多个平台，包括 NASA 机器人 Valkyrie 的工作。

通过 Apollo 和 Apollo 2，该公司专注于模块化、工业可用的人形机器人。

谷歌深度思维

Google DeepMind 使用 Gemini Robotics 开发物理世界中的感知、空间思维和行动模型。

与 Apptronik 和 Boston Dynamics 的合作可以帮助将相同的人工智能基础知识转移到不同类型的机器人上。

英伟达

NVIDIA 不仅仅提供计算芯片。该公司正在与 Isaac、Omniverse 和 GR00T 合作开发用于模拟、培训和机器人模型的综合基础设施。

这意味着 NVIDIA 可以扮演与生成式人工智能类似的角色：不再是单个机器人的制造商，而是作为许多提供商的技术平台。如需从市场层面进行比较，机器人企业图谱汇总了制造商与技术平台的结构化信息。

特斯拉

特斯拉连接人工智能开发、电池、电机、传感器并批量生产。从长远来看，Optimus 的目标是成为一款通用机器人。

这一目标的实现速度主要取决于自主技术和可靠的生产。

开放人工智能

OpenAI 影响通用人工智能模型的发展，并与Figure 一起在 2024 年展示了语言模型和人形机器人之间的联系。

然而，在公开可见的机器人领域，现在的焦点更多地集中在Figure、Google DeepMind 和 NVIDIA 的专有系统上。 OpenAI 仍然是一个重要的参与者，主要是因为它的一般人工智能研究。

奇点争论背后的关键思想家

弗诺·文奇

Vernor Vinge 在他 1993 年的论文中引发了现代奇点争论。他描述了实现超人智能的几种可能途径，包括人工智能、智能网络、人机界面和生物增强。

雷·库兹韦尔

雷·库兹韦尔（Ray Kurzweil）代表了相对乐观的观点。他预计技术将呈指数级进步，人类与机器智能之间的联系将日益紧密。

他对 2045 年的预测是奇点争论中最著名的日期之一。与此同时，它仍然存在很大争议。

尼克·博斯特罗姆

哲学家尼克·博斯特罗姆（Nick Bostrom）在他的《超级智能》一书中分析了超人人工智能的可能路径以及由此产生的控制问题。

他的工作让小型专业圈子之外认识到了一致性问题和存在的人工智能风险。

埃利泽·尤德科斯基

Eliezer Yudkowsky 多年来一直致力于解决强大的人工智能如何安全地与人类目标保持一致的问题。

他的出版物强调，高智力并不会自动导致人类道德或仁慈行为。

社会和政治如何做好准备

考虑到国际竞争和大量的民用应用，完全停止开发不太现实。

然而，另一种选择是不要继续不受控制地发展。有多种措施可以降低风险。

强制安全检查

强大的人工智能和机器人系统在广泛使用之前应该经过独立测试。

除其他外，以下问题是相关的：

系统如何应对冲突的命令？
它可以绕过安全限制吗？
传感器故障怎么办？
它什么时候需要人类帮助？
在不共享的情况下它可以执行哪些操作？
决策和行动能否进行回顾性审查？

有限的自主权

并非每个机器人都需要不受限制的行动自由。

在许多应用中，明确定义的任务范围就足够了。例如，仓库机器人不需要能够进行金融交易或安装外部软件。

因此，最低限度授权原则也应适用于物理人工智能。

人类责任

公司不得将责任转移给人工智能系统。

必须明确规定：

谁批准使用，
谁监控系统，
谁对警告作出回应，
谁对损害负责，
谁发布软件更新。

然而，只有当人有足够的时间、信息和实际干预能力时，控制回路中的人才有意义。

国际合作

非常强大的人工智能系统可以产生全球影响。因此，仅靠国家的努力是不够的。

我们需要的是测试、网络安全、自主武器、关键基础设施和重大事件共享的共同标准。

《2026年国际人工智能安全报告》由100多名专家编写，并得到众多国家和组织参与的国际咨询委员会的支持。它表明，尽管存在政治分歧，但共同的科学风险评估是可能的。

公平分配生产力收益

如果通过人工智能和机器人技术显着提高生产力，社会必须明确如何分配利益。

可能的工具有：

继续教育计划，
员工参与模式，
工作时间较短，
新的社会保障体系，
对异常自动化利润征税，
关键人工智能基础设施的公众参与。

因此，奇点争论不仅仅是技术讨论。这也是一场关于财产、权力和社会目标的辩论。

人形机器人和人工智能奇点常见问题解答

今天的人工智能和通用人工智能有什么区别？

今天的人工智能可以处理许多艰巨的任务。然而，它们的能力仍然取决于训练数据、系统架构和特定的操作条件。 AGI 将是一种人工智能，可以灵活地将知识转移到非常不同和未知的问题上。目前还没有普遍接受的 AGI 演示或具有约束力的 AGI 测试。

AI奇点是不可避免的吗？

不。奇点只是一个假设。算法限制、能源要求、数据缺乏、物理限制、安全问题或监管可能会减慢开发速度。同样，没有证据表明通用人工智能可以快速、反复地自我改进。

对齐问题是什么？

对齐问题描述了将人工智能系统的目标和行动与人类价值观和兴趣永久对齐的难度。系统可以正式执行指令，但仍然会造成不必要的损害。人工智能变得越自主、越强大，可靠的目标定位就变得越重要。

人形机器人会取代我们的工作吗？

最初，类人机器人可能会承担个人、重复性和体力要求较高的任务。这包括运输、分拣和机器装备。整个职业的完全自动化更加困难，因为职业包含许多技术、社会和负责任的活动。然而，从长远来看，通用人工智能和灵活机器人技术的结合可能会从根本上改变就业市场。

我们能阻止发展吗？

目前看来不太可能出现全球协调停止发展的情况。公司和国家追求经济、科学和战略利益。具有约束力的安全标准、有限的应用领域、独立审计和针对特别危险的应用程序的国际协议更为现实。

结论：奇点并非始于机器人

人形机器人是从数字人工智能到物理人工智能的重要一步。您可以获得经验、使用工具并自动化实际流程。这可以加速通往更强大、更通用的人工智能系统的道路。

然而，它们使得奇点既不是确定的也不是不可避免的。算法突破、可靠的硬件、能源供应、独立研究和功能目标调整至关重要。因此，最明智的做法既不是盲目相信进步，也不是科幻小说中的恐慌。它包括在物理人工智能成为我们社会日常生活的一部分之前不断地利用机会并制定安全规则。

Bewerte den Beitrag hier!

[Total: 1 Average: 5]

Nico Nuss

Website

作者 Nico Nuss 自 2001 年起专注于移动计算和自动化软件领域。凭借丰富经验以及对未来技术的浓厚兴趣，他重点关注机器人技术与人工智能。