波士頓動力（Boston Dynamics）的雙足人形機器人 Atlas，近期展示了以單一 AI 模型 同時學會行走與抓取物體的新能力。這個由波士頓動力與豐田研究院（Toyota Research Institute，TRI）合作開發的通用模型，透過一系列示範動作學習，能同時控制手臂與腿部的協調，這與常見的機器人學習方式不同，後者通常會以一個模型處理行走、跳躍，另一個模型處理抓取等手部操作。
大行為模型結合視覺、感知與語言提示
研究團隊以「大行為模型（Large Behavior Model，LBM）」為核心，讓 Atlas 接收來自機身視覺感測器的影像、從身體感測器獲取本體感知（位置和運動），以及與任務相關的語言提示。模型透過混用遠端操控（teleoperation）、模擬與示範影片的資料進行學習，因此能以更貼近人類的方式控制身體，例如在彎腰撿取低處物品時，Atlas 會自然地調整腳步來重新平衡重心。
值得關注的是，Atlas 展現出一些未明確在訓練中教過、卻能自行產生的行為，例如當機器人的手中物品掉落時，會出現「本能式」自己彎下腰把物品撿回來；這被研究團隊與外部學者視為初步的「自發行為」（emergent behavior）。不過，加州大學柏克萊分校的機器人專家 Ken Goldberg 同時提醒，部分「自發」行為可能仍能追溯至訓練資料的涵蓋範圍。
用一次到位的通用策略，取代繁瑣的逐項程式設計
在實作流程上，波士頓動力與 TRI 採用模仿學習的端到端方法：先以 VR（虛擬實境）裝置進行高品質的遠端操控示範，蒐集大量「具身」資料；再將影像、語言描述與感測訊號整合，訓練成單一神經網路策略，讓 Atlas 能處理長時間、多步驟的移動與操作任務。
研究團隊強調，這種通用策略能把過去需工程師分別調整參數、調度、避障與規劃的繁瑣工作，整合進統一的學習與推論流程，並能對意外狀況（例如零件掉落、箱蓋闔上）做出合理反應，而不必額外改寫演算法。
擴大資料規模能否帶來更多「自發」行為？
相比過去吸睛的跑酷與舞蹈展示，Atlas 近來的影片多聚焦在搬運零件、清理箱櫃等「物流感」更強的實務任務。然而，打造能長時間、可重複、經濟且安全完成多樣作業的人形機器人，可能是目前機器人領域最難的課題之一，而 LBM 的路線，是把更一般性的世界知識與具體任務知識疊合起來，逐步累積「可遷移」的能力基礎。
研究團隊告訴《IEEE Spectrum》，讓一個模型被稱為「大型行為模型」的原因在於，它會蒐集來自許多不同任務，甚至不同機器人體態的資料，並將這些資料都用來訓練機器人，使其最後能形成一個能夠執行多種任務的單一策略。研究團隊認為，當神經網路在更廣泛的資料、任務和機器人上接受訓練時，其通用能力就會更強，而團隊仍處於蒐集證據的早期階段，而目前的經驗趨勢看來是正確的。
單純擴大訓練資料的規模，是否就能持續解鎖更多「意料之外」的行為。《WIRED》指出，部分學者在今年一場國際會議辯論中提醒，除了擴大資料，工程方法也將是機器人模型突破的要素。
《WIRED》指出，最新的 Atlas 研究成果，是一個重大信號：機器人正開始經歷與語言模型相似的突破，就像當年大型語言模型帶來了 ChatGPT，推動生成式 AI 的發展一樣。「這絕對是一大進步，」Goldberg 說，「讓雙腿和雙臂能夠協調運作，這是非常重要的突破。」
AI 機器人浪潮來襲！立即免費下載《AI 機器人全球 7 大勢力關鍵報告》，解鎖各國 AI 機器人發展重點
＊本文開放合作夥伴轉載，資料來源：《The WIRED》、《The Robot Report》、《IEEE Spectrum》，首圖來源：Boston Dynamics。
