亿博网投

亿博网投

屏幕里，一把电锯正切向机器人的腿。

这段乍看之下像是科幻惊悚片的画面，实则是 Skild AI 今年发布的一段核心技术测试。但令人惊讶的不只是暴力的破坏场景，而是接下来的反转：那只失去了腿的四足机器人，仅仅在原地踉跄了几下，便重新找回平衡，稳步前行。它从未在训练数据中见过“半截腿”的形态，却展现出了近乎生物本能的适应力。

（来源：X）

这段视频在社交媒体上激起了不小的水花，也将这家成立不到两年的公司推向了聚光灯下。

2024 年 7 月，Skild AI 以 15 亿美元估值完成 3 亿美元 A 轮融资，投资方名单堪称硅谷“顶配”：杰夫·贝索斯、软银、Lightspeed 和红杉资本悉数在列。不到一年后的 2025 年 6 月，公司又完成由软银领投的 B 轮融资，估值飙升至约 45 亿美元，英伟达和三星等科技巨头也参与了这轮投资。

Skild AI 的创始团队主张：真正的 AGI 必须扎根于物理世界。

在匹兹堡东区的一栋办公楼里，机器人正在爬楼梯、跳跃间隙、精确抓取 AirPods 装进充电盒。控制这些形态各异机器人的，是同一个“大脑”——Skild Brain。这是一个号称能跨越任何硬件形态、执行任何物理任务的基础模型。Skild AI 声称其训练数据规模是竞争对手的 1,000 倍以上，而支撑这一切的核心技术路径，正是大规模仿真训练。

而在这支由卡内基梅隆大学（CMU）资深教授领衔的团队中，有一位年仅 26 岁的创始研究员格外突出。当 Skild AI 于 2024 年 7 月走出隐身模式时，Ananye Agarwal 在社交媒体上写道：“我们换了三次办公室，人员和机器人数量增长了 10 倍，在不到一年的时间里成为了独角兽。”

从高中物理奥赛金牌得主，到让机器狗在极限地形上“跑酷”的博士生，Ananye 的研究直接催生了 Skild AI 的核心技术。2025 年，他因在机器人和 AI 领域的突出贡献入选《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区（TR35 Asia Pacific）榜单。

美东时间凌晨 12 点半，在这位年轻研究者即将结束一天工作时，他在线上接受了我们的采访，向我们讲述了一个关于物理世界、机器人大脑和 AGI 的故事。

从物理金牌到机器人学

DeepTech：Ananye，非常高兴你能来参加我们的 "Deeptalk" 播客。你今年 26 岁就入选了亚太区 TR35，这真的很了不起。能简单介绍一下自己吗？

Ananye：非常感谢邀请。我很荣幸能入选，能和这些优秀人才在一起非常棒。我现在是 Skild AI 的创始研究员，从公司成立之初就在这里工作，差不多两年了。在这之前，我在卡耐基梅隆大学攻读博士，主要研究如何利用模拟数据来训练机器人。

机器人领域的一个大问题是，不像大型语言模型有海量现成数据，机器人必须自己想办法创建训练数据。我的很多研究都围绕着如何利用模拟数据来训练机器人，使其在各种环境中都能保持鲁棒性。这也是我在 Skild AI 所做的工作——将其规模化并部署到不同客户环境中。

DeepTech：你当初选择 AI 或计算机科学作为专业时，是什么吸引你进入这个领域的？

Ananye：高中时我对数学很感兴趣，但数学会变得非常理论化、抽象。后来我转向物理，因为物理几乎就是应用数学。高中时我做了很多物理研究，甚至入选了国际物理奥林匹克竞赛的印度队并获得金牌。但大学物理和高中物理很不同，有很多量子力学内容，又变得非常抽象。

所以我想做其他类型的应用数学。当时看来，最好的方式就是计算机科学，因为它既有大量数学知识，又非常实用——你可以写程序，看到它实际运行。这是 2017 到 2018 年的事。

DeepTech：那你当时对 AI 了解多少？

Ananye：不多。2017 年正是 AI 开始起飞的时候，Transformer 论文也在那时问世。但我个人当时没太关注，更感兴趣的是理论计算机科学。我的大二、大三都在研究布尔电路、算术电路这些非常理论化的东西。

但我从小读了很多艾萨克·阿西莫夫的科幻小说，比如《基地系列》、《机器人系列》。他提出的“机器人三定律”特别有意思。大约在 2018 年，我看到 AI 开始腾飞，语言模型、图像分类、图像生成都很有趣。你输入数据，机器能生成一些你没有编程让它做的事情——这是一种“涌现行为”，感觉像某种智能正在形成。

我的 MSR（微软研究院）导师们也鼓励我尝试机器学习。所以在大四，也就是 20、21 岁时，我完全转向了机器学习。

从 IIT 到 CMU 的选择

DeepTech：你毕业于 IIT Delhi，对吗？你获得了国际物理奥林匹克金牌，为什么选择留在印度读本科，而不是去其他国家？

Ananye：我当时收到了麻省理工学院的录取通知，可以去 MIT。但我意识到我已经在 IIT 待了一年，这里显然是个很棒的地方。而且四年后，我多半还是会想出国。IIT 以培养杰出人才而闻名，在全球拥有非常强大的校友网络。所以我想，也许留在印度是个好主意，可以从不同国家获得不同视角。之后再出国，仍会有类似机会。

DeepTech：你在本科做了神经符号 AI 和极端分类的研究。这些话题相当多样化，你做出这些改变的心态是什么？

Ananye：神经符号 AI 和极端分类都是在 2021 年转向机器学习时开始的。我对神经符号 AI 很感兴趣，因为当时的想法是，神经网络不擅长学习高度结构化的算法，比如 Dijkstra 算法。那么，能否将神经网络与硬编码算法结合，创造出更好的东西？我当时认为这种技术可能引领下一代神经网络。但后来它不再流行了，因为很难以无缝方式结合。

至于极端分类，我想做一些非常应用性的工作。我和 MSR 的 Monic 一起工作。极端分类是一个很有趣的转变：假设你有 100 万种产品推荐给用户，你把它们视为 100 万个标签，这就像一个有 100 万个类别的分类问题。这类算法会在必应上每隔六个月部署一次，能看到收入因此增加。我也想体验这种有实际产出的感觉。

DeepTech：你当初是如何选择学术导师和实习公司的？

Ananye：对于实习，我没有过多考虑研究主题，主要关注能和哪些人一起工作。我在 MSR 实习时，和一些非常优秀的研究员一起工作，其中一位参与了 AKS 素数测试，证明了可以在多项式时间内检查一个数是否为素数。Monic 也是一位很有趣的人，他有计算机视觉博士学位，后来转向推荐算法，在两个领域都非常成功。

后来在选择博士导师时，Monic 也给了我很大帮助。他推荐了一些优秀的人，让我与他的学生取得联系。从你的话中可以看出，人脉关系非常重要——与聪明人建立联系，因为与他们一起工作让我感到愉快。

博士阶段：让机器狗“看见”世界

DeepTech：现在我们来谈谈 Skild AI。是什么让你加入这家公司？

Ananye：本科毕业后，我真的很想做强化学习。当时的问题是，所有工作都只在模拟环境中，比如让蜘蛛机器人或猎豹机器人在模拟中爬行或行走。我感觉那非常无聊。我想应用强化学习到真实的东西上，很自然的想法就是应用到机器人技术。

所以我申请了 CMU 并成功入学。我的现任导师 Deepak 当时做了一个演讲，非常酷。他谈到强化学习和适应性，展示了一只小型、低成本的机器狗，可以在任何地方行走——泥地里、崎岖地形、油腻地面，你推它，它都能适应。这一切都是通过强化学习实现的。我觉得太神奇了，于是联系了 Deepak，他成了我的导师。

我们一起工作了三年，做了很多很棒的研究。之后我觉得时机已经成熟，我们应该把它做成初创公司。我加入 Skild AI，因为这是一个很好的机会，可以将博士期间的所有工作进行规模化，而且我能从一开始就处于核心位置。

DeepTech：你和 Deepak 具体做了些什么？

Ananye：我博士的第一篇论文就是关于这种机器狗的。之前它虽然能在很多地方工作，但是“盲的”，看不见前方。想象一下，如果前面出现楼梯，它就会卡住。所以我的工作就是给它增加视觉。

这非常具有挑战性。一个“盲”机器人只有 12 个关节角度作为输入，但图像是高维的，有成千上万的像素。为了做到这一点，我们基本上需要完全重写整个系统，换用全新技术栈，并将训练规模扩大十倍。

完成之后，我们得到了这个机器人，它真的可以在任何地方工作。你把它放在楼梯前，它会爬上去；放在沟壑前，它会跨过去；放在踏脚石前，它也会走过去。

这在当时是非常惊人的成果，因为我们只用了一个安装在机器人上的单深度摄像头，非常便宜，只需 300 美元。而在此之前，如果你想让波士顿动力的机器人做到这一点，他们需要非常昂贵的硬件，比如激光雷达，还需要工程师编写并调整地图软件，需要大量时间和资金。但我们只是一个小团队，两个人，就建立起了这个非常鲁棒的系统。

这篇论文获得了最佳论文奖。更有趣的是，波士顿动力的创始人 Marc Raibert 真的来到 CMU，我们向他展示了这个系统，他非常惊讶，拍了照片和视频说要拿给他的工程师看。

DeepTech：他当时决定买下你们的研究成果吗？

Ananye：当时这是一篇研究论文，不是用于出售的。他确实提议了合作，但后来没有实现。不过最终发生的是，波士顿动力过去只做经典控制，但现在他们已经转向了强化学习。

DeepTech：你们只使用了一个非常便宜的传感器，那它有什么特定的角度吗？

Ananye：我们用的是机器人自带的摄像头，直视前方。制造商装它时可能没多想。但我们发现这个摄像头很有用，虽然非常具有挑战性——如果摄像头在你面前，它看不到你的脚下，更看不到后脚下。

所以机器人上运行的模型需要建立某种对过去所见事物的记忆。我们训练了一个有记忆的循环网络，不是前馈网络。当你用大规模模拟数据训练它时，模型学会了记住半秒或两秒前看到的东西，而不需要在当下立刻看到它。

DeepTech：它是如何通过模拟来工作的？

Ananye：通过强化学习训练。你在模拟中生成数千个机器人，让它们执行随机动作。你设置一个奖励函数，明确你想要什么行为。在这种情况下，我们想要机器人不摔倒，服从指令，并尽量减少能量消耗。

仅仅通过这三个简单的奖励函数，机器人就能学会非常有用的行为。一开始它总是摔倒，但随后会开始稳定自己，开始向前移动，学会以指定速度移动。随着训练时间增加，它会学会爬楼梯、跳过沟壑、爬过踏脚石。你用大量 GPU 训练，可以在短短一天内模拟大约 6 年的时间。

DeepTech：但模拟世界和真实世界之间存在差距。你们如何克服这个困难？

Ananye：如果只是天真地进行模拟训练然后迁移，是行不通的。我们的解决方案是进行“模拟随机化”。我们在仿真中并不是训练一个环境，而是训练成千上万个“平行宇宙”。每个模拟都是轻微扰动的版本。你会随机化物理参数（比如摩擦力）、机器人参数（比如刚度、阻尼、重量）、摄像头参数（比如位置、延迟）。

但光有随机化还不够，否则机器人会因为环境太混乱而无所适从。所以还需要训练“自适应”的策略，它们能观察与环境互动的历史。例如，如果摩擦力很高，机器人的腿可能会卡在地面上，策略应该意识到并改变动作。

当你将机器人转移到现实世界时，现实世界就处在策略所见过的随机化集合中，策略能够适应它。传统做法是“系统辨识”，工程师坐在机器人上弄清楚电机工作原理，然后在模拟中输入参数，编写针对特定电机的控制器。但问题是，你需要非常昂贵的电机，需要可靠、可重复的系统，需要花费大量时间调整模拟器。

而我们这种策略是具有“自适应性”的。如果出了问题，它们仍然可以适应并继续工作。

从移动到操作：SPIN 和跑酷

DeepTech：这是你跟 Deepak 合作的第一个成果。之后你还做了什么？

Ananye： 是的，这是关于移动（locomotion）的。但这种技术可以应用到许多其他领域。例如，我将它应用到“移动操作”（mobile manipulation）上。我们有一个名为“Stretch”的机器人，有带轮子的底座，上面有可以移动的“脖子”。有趣的是，这个机器人的摄像头可以移动，你可以控制它看哪里。

我们遇到了一个非常有趣的问题：机器人观察到的东西取决于你发送给“脖子”电机的动作。我们用这个机器人做的工作是让它在杂乱空间中导航，去清理桌子或捡起物体。这里有三个同时发生的问题：感知、导航和交互。它们相互关联，很难分开解决。

我们发表的论文叫“SPIN”，即“同时感知、交互、导航”（Simultaneous Perception, Interaction, Navigation）。我们训练了一个模型，同时解决所有这些问题。有趣的是，我们解决它的方式非常像“苦涩的教训”风格——把机器人放在模拟环境中，给它有限视野，用大量 GPU 长时间训练。结果表明，机器人会自动学会朝正确方向看。

另一个工作是“跑酷”。我们想把机器人推到极限，给它更具挑战性的障碍物，比如两倍于身长的沟壑，或两倍于身高的楼梯。

面对高台，机器人学会了冲刺、用后腿猛力蹬地、前腿攀住边缘，再把后腿甩上去的动作。这不是我们编程教它的，完全是它为了满足“向前走”的奖励函数而自己创造出的复杂动作。在这个项目期间，我们甚至烧坏了好几个电机，因为算法真的把硬件性能逼到了极限。

打造开源灵巧手 Leap Hand

Ananye：我还做了另一项稍微不同的工作。那段时间，我对灵巧机械手开始感兴趣，就是那种有四根或五根手指的机械手。但市场上所有可用的机械手都非常糟糕。Shadow Hand 售价十万美元，需要雇工程师维护。还有 Allegro Hand，售价一万六千美元，但电机不好，如果在远程操作时撞到东西就会坏掉，得运到韩国去修，需要两个月时间。

所以，我和我的朋友 Shikhar、Kenny 开始研发一款新机械手，有三根手指，非常便宜，只需一到两千美元，而且完全开源。我们开源并发表了这款名为“Leap Hand”的机械手，它非常受欢迎。现在几乎每个学术实验室都在使用它，因为它的价格只有 16,000 美元的零头，而且如果有东西坏了，可以用 3D 打印新零件替换。

之后，我们用 Leap Hand 解决了“灵巧功能性抓取”问题。比如桌上有把锤子，如果只关心拿起它，从手柄或头部都能稳固抓取。但拿起锤子的正确方式是从手柄，因为你想用它敲东西——这就是“功能性”方面。

仅靠模拟无法解决这个问题，因为在模拟中，从手柄或头部都能提供很好的抓取效果。于是，我们想到了一个办法：将仿真和互联网数据结合起来。

我们引入了‘可供性’（Affordance）这个概念。互联网上成千上万张图片告诉我们，人类总是握着锤柄来使用锤子——这就是锤柄的‘可供性’。我们的模型先从这些真实数据中学会判断物体的功能区域，然后再调用在仿真中练就的精细抓取动作去执行。

最终的效果非常出色：机器人不仅能准确地从手柄拿起锤子，甚至在锤子滑动或被外力干扰时，它也能动态调整，始终以正确的方式牢牢抓住目标。

为大规模并行训练设计新算法

Ananye：大约在同一时间，我意识到我们在所有这些项目中使用的算法叫 PPO，是 2017 年的算法，是在计算量非常低的情况下设计的。当时可能只能模拟 128 个机器人。而今天我们可以并行模拟数万个机器人，但仍然使用 PPO。

我意识到这里有很大空间来构建新算法。所以我们开始研究 SAPG (Scaled-up Asynchronous Policy Gradients)。SAPG 的核心思想是，如果你在 10,000 个环境中运行 PPO，最终 PPO 只是让所有 10,000 个机器人做大致相同的事情，没有尝试真正不同的东西，这浪费计算资源。

理想的做法是，如果你有大量机器人可以尝试，它们应该尝试非常不同的事情，这样也许会发现新东西，获得巨大性能提升。SAPG 运行多个不同的 PPO 实例，它们独立运行但也相互共享数据。所以如果其中一个发现了有用的东西，它们都可以利用。

我们发现这与 PPO 相比，具有很好的扩展性。比如在一个非常有挑战性的任务上，有两个机械臂和一个立方体，目标是将立方体移动到工作空间中的某个期望点。这个任务具有挑战性，因为你需要找到一整套复杂的动作序列。每个手臂有 22 个自由度，加起来是 44 个自由度。有时立方体靠近一个手臂，但目标点靠近另一个手臂，所以它需要想办法把立方体扔出去，让另一个手臂接住并移动到目标点。

我们发现 SAPG 这类算法比 PPO 做得好得多。PPO 甚至无法在这个任务上取得任何进展。

DeepTech：这让我想起了莫拉维克悖论——对人类简单的任务，对机器人却很难。

Ananye：确实如此。一旦开始做这些事情，在模拟中训练它们需要大量计算资源。而对我们人类来说，这简直是小菜一碟。你看到物体，扔过去，即使是年幼的婴儿都能做到。

构建“全具身大脑”

DeepTech：我们知道 Skild AI 正在努力构建通用型机器人大脑。能详细说明一下吗？

Ananye：通用型机器人大脑是一种不同的方法。传统方法通常是：假设你想制造清洁地板的机器人或吸尘器，你会为此特定问题构建特定的软硬件堆栈。你制造一个会走路的小机器人，构建 SLAM 系统，然后构建算法来导航、覆盖所有区域等。这是专门针对该机器人的非常特定的堆栈。

现在，假设你有不同应用，你可能成立另一家公司，从零开始构建另一个堆栈，需要人类编程完成所有工作。如果你有大量不同任务，这种方法就很难扩展。

通用型机器人大脑是我们的目标。我们想构建的是单一模型，它可以从各种跨机器人数据中学习。由于是单一模型，它可以共享所有这些不同任务的信息。如果有人制造了吸尘器机器人，有人制造了购买杂货的机器人，有人制造了清洗碗碟的机器人，所有这些问题都有某种共同结构和知识。

如果你训练单一模型，Skild Brain 就可以利用所有这些不同任务的共享结构。我们希望，如果用足够多的多样化任务数据进行训练，就能得到“具身通用人工智能”（Physical AGI），它是一个单一大脑，可以零样本完成各种任务，控制各种机器人。它就像一个真正理解物理世界的大脑。

DeepTech：Skild Brain 现在能做些什么？

Ananye：我们已经训练了许多不同技能。它具有非常好的运动能力，可以在任何地方导航和移动，可以像人形机器人一样移动，也可以像任何四足机器人一样。它具有很强的适应性——假设你的机器人失去了一个马达，或它的腿被砍断了，它仍然具有导航能力。

它可以在大空间中导航，可以构建周围世界的地图，导航到不同地点。它具有非常灵活的避障能力，如果你跳到机器人前面，它会迅速避开。它还具有非常精确的操作能力。例如工厂里的任务，比如将 AirPods 放入保护套中——有人会日以继夜地重复做这个任务。我们的 Skild Brain 可以完成，而且这是非常精细的操作：拿起保护套，打开它，拿起 AirPods，放入保护套。

DeepTech：你说它可以用于人形机器人和四足机器人。你们需要收集特定类型机器人的数据才能将其纳入模拟世界吗？

Ananye：我们不是将特定机器人放入模拟中。例如，如果你使用宇树（Unitree）的机器人，我们不会将宇树放入模拟。相反，我们生成了大量随机机器人，不是真实的，只是在模拟中随机生成的，比如随机化腿的长度、宽度。

因为这与我前面提到的想法一样，我们的“大脑”已经学会了适应所有这些不同类型的机器人。所以当你看到一个真实的机器人，比如宇树，即使它以前从未见过这个特定机器人，它仍然能够稳定地适应并良好工作。

DeepTech：这听起来有点像人类。你为什么认为机器人的这种大脑是可能实现的？

Ananye：有很多原因。从根本上说，所有机器人都要遵循相同的物理定律，它们都必须遵循牛顿三定律。如果一个模型真正理解了物理定律，原则上它应该能够控制任何类型的机器人。所以理论上应该可行。

第二点是，我们在自然界中有很多非常强有力的存在性证明，比如动物。有些动物一出生就能学会走路。在短短几分钟内，动物即使失去肢体，例如失去一条腿，也能适应并用三条腿走路。

更普遍地说，即使在人脑中，我们也看到了非常强大的适应性。例如，有一种叫“大脑半球切除术”的手术，如果有人癫痫发作，有时需要切除大脑的一个半球。然后你看到的是，像那些失去的部分，比如本来负责听觉的大脑区域丢失了，另一个半球就会出现新区域来负责听觉。

所以你看到人脑和动物身上发生的这种极端适应性，这似乎有很强的存在性证明。在 Skild AI，我们也取得了一些非常有希望的早期成果。我们有一篇名为 "Localformer" 的论文，也被提名为 Best Paper。你们肯定看过我们用电锯锯机器人腿的视频，那在 Twitter 上很火。

但我们发现的本质是，我们可以构建一个跨越不同“具身”的单一“大脑”。这个大脑也具有很强的适应性。即使你砍掉机器人的腿，即使它在模拟中从未见过被砍掉腿的机器人，它仍然能够适应。

另一个非常有趣的结果是，你可以禁用机器人的其中一条腿，它变成三条腿的机器人。同样，我们在模拟中从未见过三条腿的机器人，我们只模拟四条腿或两条腿，但它仍然能够适应并工作得很好。

这些结果对我们来说非常令人惊讶。即使我们训练了模型，也没想到它能运作得这么好。我们看到了这种“涌现适应性”的强大早期迹象。所以我认为构建这种能跨越不同“具身”的大脑是可能的。我们称之为“全具身大脑（omnibodied brain）。

数据来源：模拟、视频与远程操作

DeepTech：你提到你们通过模拟工具创建了大量数据。那么这些工具是你们自己制作的，还是使用了像 NVIDIA 这样的其他平台？

Ananye：我们使用了一些不同的物理模拟器，但我们有自己的工具集在其之上。物理正向动力学部分我们会使用各种不同模拟器，但其他机器人特有的东西，比如如何从这些数据中训练、使用什么样的模型、什么样的算法，我们有很多专有的软件和基础设施。

DeepTech：你认为模拟训练会存在瓶颈吗？因为很多公司正试图建立“数采工厂”，他们使用真人远程控制来获取数据。

Ananye：我认为最大的瓶颈在于，很难模拟非常丰富的“语义”。在现实世界中有很多多样性，每间厨房看起来都不同，每个客厅、每条道路都不同。此外还有很多语义信息，比如锤子应该从手柄抓取，婴儿知道这一点因为它看到过爸爸妈妈是这样抓的。所有这些语义信息也很难模拟。

所以模拟数据的局限性在于，你无法模拟所有这种多样性和语义信息。但模拟数据真正擅长的是：为你提供非常好的数据，用于闭环高频控制。比如我们人类拥有的反射动作——当我们抓住东西时，如果它快掉了，我们会立即调整并重新抓稳。如果我们走路时有人推我们，可以很快调整过来。这些事情很难通过口头指令来获得，每个人都是通过模拟来训练走路的。

DeepTech：Skild AI 是如何解决这个瓶颈的？

Ananye：我们不只关注模拟。我们还有其他数据来源。一个很大的帮助是“视频”。视频很容易收集，你可以从 YouTube 上获取，或给某人装上摄像头。它的可扩展性很高，收集成本非常低。

视频非常好，因为它能提供模拟所不具备的信息，即“语义”和“多样性”。例如，你可以给建筑工人装上摄像头，你会看到他们如何使用不同种类的工具。你可以清楚看到他们如何抓取电钻。这将帮助机器人知道：“哦，这是一个新电钻，但我见过建筑工人像这样使用它，所以我应该尝试这样抓取。”

但视频数据不包含任何力量信息，所以仅靠视频是不够的。一个很好的例子是网球：想象你是费德勒的铁杆粉丝，你上 YouTube 看费德勒的所有视频。你可能会在网球策略上变得很厉害，知道“如果对方在这个位置给我一球，我应该斜线回球或直线回球”。但如果有人给你一个球拍，告诉你现在像费德勒那样发球，你做不到。你甚至可能连球都打不到，因为视频不包含任何力量信息。所以你需要亲身实践和练习，模拟允许你进行这种练习。

但随后你可以将两者结合。一旦你拥有了很好的正手击球，你观看的视频就会帮助你，因为你现在对网球策略有了很好理解。这里的想法和模拟是一样的。你可以在模拟中学到像抓取这样的技能，然后观看大量视频，知道“哦，这个电钻应该像这样被抓取”，然后你就可以利用在模拟中学到的抓取技能，快速、准确、可靠地完成任务。

Ananye：目前使用视频的一个很好方法是使用“以自我为中心”的视频——将摄像头安装在人类身上，从人类视角录制。然后你可以看到人类的双手，现在有很好的模型可以计算出手的位置。这基本上为你提供了人类在做什么、手在哪里抓取物体的信息。

但这显然存在一些问题，比如如果手就在你脸前，手指可能被遮挡，你就无法确定手指位置。所以目前的方法是不仅使用人类视频，还使用一些“远程操作数据”。你会有一个人来精确告诉你如何操作机器人。这是最高质量的数据。

DeepTech：在美国，机器人公司有两种发展路径。一种像 Skild AI，使用模拟方式训练机器人。还有其他公司，他们使用真实数据，比如远程控制数据来训练机器人。你对此有什么看法？

Ananye：我的观点是：几乎不可能大规模扩展远程控制数据。想一想，将机器人带到新家并远程操作需要做什么。首先，我需要弄清楚如何运输机器人。然后，我需要说服房主：“请让我把这台大机器放在你家里。”然后，我需要确保机器人不会出故障，需要确保网络连接良好、延迟低，所有这些不同挑战。

但如果你只是想获取人类视频，就很容易了，“你可以戴上这个摄像头，我们会付钱给你。”它具有无限可扩展性。人类视频比远程操作数据更具可扩展性。

所以我们的观点是，仅仅依赖远程操作不是成功策略，因为人类视频中包含了一些非常有用的信号。你绝对应该使用人类视频，并尽可能扩大其规模。而远程操作数据就像“樱桃顶”（锦上添花）。就像语言模型中的 SFT 微调数据集一样，它与预训练数据集的规模相比非常小。预训练不能依赖远程遥操作，因为它难以扩展。它必须来自视频，然后远程操作数据只是锦上添花。

安全与应用场景

DeepTech：你们如何处理“安全问题”？

Ananye：最大的问题在于，经典机器人学界的人非常喜欢谈论深度学习没有“保证”。如果你是经典机器人学家，有些人会试图通过数学证明“哦，我的系统不会做任何不安全的事情”。但对于深度学习来说，没有这样的保证。

那么如何构建安全呢？我们观察到一个有趣趋势，这在语言模型中也可以看到：随着你不断扩大数据规模，不断训练模型，不断收集越来越多高质量数据，失败开始变得不那么频繁，而且失败也变得更容易解释。

比如 ChatGPT，两年前你需要对它进行大量帮助，但现在他们收集了更好的监督微调数据集，它不再那么容易产生幻觉，也不太可能胡言乱语。我认为在机器人学领域也会发生类似事情。随着你不断扩大数据规模，不断向模型提供更多数据，失败会变得越来越少，模型会变得越来越安全。

最终，构建安全的方式是通过建立“信任”。人类也是如此。假设你雇佣了一个新员工，你不会保证他们是安全的，不会向你的服务器推送糟糕的代码。但你建立信任的方式是先给他们小任务，然后慢慢地、逐渐地给他们更大更重要的任务。机器人也将如此。你会从简单任务开始，慢慢地测试它们，并逐步扩大你赋予机器人的责任范围。

这在自动驾驶汽车上也得到了体现。例如，Waymo 先在几个城市推出，现在正在扩张。特斯拉仍然有安全驾驶员，但也在努力扩张。机器人也会是这样。

DeepTech：你认为机器人应用的良好切入点或应用场景是什么？

Ananye：我认为最好的切入点是那些无法用经典机器人技术自动化的“装配线任务”。今天有很多装配线机器人，比如你在汽车装配线上看到的那些，它们进行焊接或喷漆。但它们非常有限，因为这是用经典机器人实现的。有人精确地编码了机器人：“去这个精确坐标点，焊接半秒，然后移动到那个坐标点。”这只适用于产品完全相同、公差非常小的情况。

但还有很多其他任务，它们的公差没那么严格。所以即使任务本身非常重复, 也需要人来完成。比如 iPhone 的组装，富士康的 iPhone 组装就是如此。所有工作都是由人完成的，即使所有 iPhone 都是一样的，但它们之间存在微小差异。机器无法真正做到这一点，所以需要人来做。

但有了 AI，AI 可以适应这些微小差异。所以希望它能够自动化所有这些今天人类 24 小时都在做的重复性工作。我认为工厂是机器人最先应该去的地方。好处是通用化问题更容易解决，你没有那么多多样性。而且你还能非常快速地创造价值。

未来展望：后稀缺世界

DeepTech：如果 Skild Brain 最终成功了，它将对世界产生什么样的影响？

Ananye：成功的标志是，你将拥有一个可以放入任何机器的单一模型。而且那台机器应该能够完成你可能想要的任何物理任务。今天，AI 擅长编写代码或创作艺术。

但即使现在，每天仍有数十亿人在进行繁重的体力劳动，人类整体的生产力受到人力劳动的制约。例如，如果人们想要更多的食物、衣服，或任何其他商品，这一切都受到人力劳动的制约，因为我们没有足够的熟练劳动力。

但在一个拥有这种基础模型的世界里，这个瓶颈将不复存在。你基本上只需要投入原材料。比如你想制造新芯片，你只需要弄清楚从哪里获取硅，然后所有体力劳动都由机器人大脑完成，你就能得到成品。这才是真正能让你进入那种“后稀缺世界”的方式，你不再受制于物质需求。

DeepTech：那么，机器人取代人类，人们心中会产生一种焦虑。你认为这是一个问题吗？

Ananye：我不认为这是问题，因为回顾过去，工业革命时期人们也很担心，“所有工作都会消失，人们会失业”。但最终发生的是，工业革命中被机器取代的工作，又创造了许多其他比以前好得多的工作。所以现在你可以从事营销或咨询等各种工作，这些工作如果没有工业革命创造的财富和效率，是不可能存在的。

有趣的是，在艾萨克·阿西莫夫的小说中，所有机器人就应该为你完成所有体力任务。那么问题是，人类做什么呢？人类会做的事情就是创造艺术、体育运动、写诗等等。我认为随着社会变得越来越富裕，人们不再受到限制，不再担心食物、衣服或住所，越来越多的人会开始从事艺术、音乐、诗歌等活动。我认为这才是人类应该花费时间做的事情，而不是担心那些没有人真正喜欢的繁重体力劳动。

DeepTech：你认为离 Skild Brain 的终极模型还有多远？

Ananye：终极模型？我认为至少还需要 10 年。这似乎是一个非常具有挑战性的问题。它不仅仅是解决机器人技术问题，而是真正解决 AGI（通用人工智能）。如果你想想，很多 AI 公司都在谈论要构建 AGI，但他们所做的都是软件领域的工作，所有东西都存在于服务器上。

但我们真正关心的大部分问题，如果你想解决物理世界中的问题，比如气候变化或太空探索，都需要对物理世界有了解。所以你真的需要构建这种能与现实世界互动的大脑。我认为通过机器人技术是实现这一目标的一种方式。

给年轻人的建议

DeepTech：假设终极梦想会在 10 年内实现。如果让你给那些现在仍在读高中的年轻人一些建议，你会说什么？他们应该如何准备？

Ananye：要构建这个“大脑”或 AGI，我们还没有掌握所有“配方”。我们缺少一些关键部分，需要更多突破才能实现目标。因此，我们需要真正聪明的人提出新想法。要做到这一点，就是对世界保持好奇心，质疑一切。

在高中，人们通常通过教科书学习，他们会说：“哦，这是某人写的，你只需要记住它，这是对的。”但你应该真正批判性地思考，并质疑一切。比如，如果有人教你牛顿运动定律是这样那样的，为什么会是这样？我能从第一性原理推导出它们吗？而不是简单地接受别人告诉你的东西。

因为今天我们认为理所当然的很多事情，也许十年后会被证明是错误的。那些质疑这些假设的人，才是会带来突破的人。一个很好的例子是深度学习。二十年前，人们认为深度学习根本不酷，会永远行不通。每个人都有理由解释为什么行不通。但后来 Geoffrey Hinton 和 Ilya 等人尝试将其规模化，结果成功了。这引发了深度学习革命。

所以你需要有这种思维方式：质疑他人在做什么，倾听自己的直觉，但要有所论证，而不是盲目听从，也不能盲目跟随他人脚步。

DeepTech：这种批判性思维是你从榜样或父母那里学来的吗？

Ananye：我认为很多是在博士阶段学到的。我以前也有一些，但大部分是从我的导师 Deepak 那里学到的。他总是告诉我：“你应该喜欢某些东西。”我记得我当时还是个年轻学生，对深度学习基本一无所知。他说：“我们应该做这个项目。”我说：“你看，已经有五篇其他论文尝试过这个，但都没有成功。所以这可能行不通。”

他会告诉我：“不，你不应该那样想。如果别人没成功，不代表它行不通。你仍然应该去尝试，除非你有强烈理由相信它行不通。”他是对的。如果你真的去尝试，并从第一性原理去论证，你通常可以做得比别人更好。

这也是我们第一个项目，就是那个能结合感知、适当避障并在任何地方行走的机器人。之前也有其他论文尝试过，但结果都没有我们做得好。

DeepTech：我们聊了很多问题。如果你要用一句话来概括你所有工作的最终目标和使命，你会怎么说？

Ananye：最终目标是建立真正的 AGI，即能够解决人类所有问题的通用人工智能。

DeepTech：太棒了。我们非常期待那一天的到来。也许十年，也许五年，谁知道呢？