把时间拨回2022年11月30日。OpenAI发布了ChatGPT。

五天后：100万用户。

两个月后：1亿用户。

这是一声传遍全球的发令枪。空前的用户增长只是这一时刻的一部分。真正重要的是，全球集体意识几乎同步完成了一次认知更新：AI不再只是研究中的幻想。显然，它是真实的，而且很快就会掀起下一场技术革命。

各行各业的高管都把AI计划列为优先事项。投资者争相押注赢家，或逃离即将被颠覆的公司。创业者围绕半导体、生物技术和机器人创立公司。AI将影响每一个领域。世界各地的普通人开始每天使用AI聊天机器人。

从那以后，机器人领域的每个人都被问到同一个问题：我们的ChatGPT时刻什么时候到来？

机器人领域不会有什么ChatGPT时刻。

智能机器人已经到来，它们将像每一项变革性技术一样被大规模采用——不是以周计，而是以年计。

互联网、智能手机以及最近的自动驾驶汽车都是如此。仍在等待机器人领域ChatGPT时刻的人忽略了一点：发令枪多年前就已打响，而第一波真实世界的部署今年已经开始。从UPS到宝马再到三星，各公司正投入更多资源，用机器人实现运营自动化。人才正涌入这一领域，形成一个由物理AI公司组成的新生态，资本也随之而来，尽管与过去几年投入AI的资金相比仍只是很小一部分。

那么，为什么我们不会看到 ChatGPT 那种两个月内从 0 增长到 1 亿用户的事件在机器人领域重演？除了生产 1 亿台机器人的硬件制造考量之外，机器人普及所需的能力要求与通用 AI 模型的能力要求并不相同。我们常常忘记 ChatGPT 刚发布时有多糟糕。它经常产生幻觉、给出错误答案，连中学生能回答的问题都答不上来。但对于某些大型用例来说，这并不重要。在文案写作、摘要、基础研究方面，它是有用的。它没有取代整个工作流程，但能为普通人的一天节省一点时间。本质上，它是一个还算有用的工具，没有多少人愿意为它花大钱，但很多人愿意花一点钱或免费使用它来提升生产力。

而且由于它运行在云端，交付成本很低。没有人需要购买和托管自己的 GPU；所有人共享同一套池化基础设施。当一项服务的交付成本很低时，它值得使用的门槛也就很低。

机器人面临两个聊天机器人从未遇到过的问题。

闲置机器人税。 无论机器人是否在工作，购买者都要为它付费——无论是作为资本支出预付，还是通过租赁或机器人即服务（Robot-as-a-Service）转化为运营支出。一台每周只使用一小时的机器人，必须在这一小时里创造极高的价值，因为移动它并为其他工作重新训练它的成本太高。我预计随着物理 AI 让通用机器人变得多用途且像人一样移动，这种情况会改变。但目前，每一个闲置的小时都是一种税。

99.9% 之墙。 知识工作和体力工作对“足够好”的标准截然不同。一份平庸的初稿仍然能节省时间，因为人们可以在最终定稿前保留好的部分、修正其余部分。文案、幻灯片和合同都可以编辑。

体力工作的容错空间要小得多。一条焊缝没焊好，整块金属就可能报废。剂量用错，后果可能不可逆转。

知识工作的性质允许 AI 的输出在作为最终成果交付之前被修正。对于体力工作，人类仍然可以干预，但从一次物理失误中恢复的代价，往往远高于修改一段文字。体力工作通常对错误的容忍度很低，这意味着可靠性的门槛非常高。要真正有用，从事体力工作的机器人必须稳定地产出合格的工作成果，不只是 99% 的情况下做到，而往往要在超过 99.9% 的情况下做到。这就为部署设定了高得多的门槛。除了一次性的演示之外，机器人还需要以足够低的成本、足够可靠地完成一项任务，客户才愿意真正让它上岗干活。

自 ChatGPT 发布以来的四年里，这一领域取得了巨大进展，而其中一部分进展是“借来的”。通用 AI 模型和视频模型既加速了机器人研究，也成为了机器人大脑的基础。

如今许多前沿机器人模型采用两部分设计，其命名源自心理学家对人类思维的描述。系统 2 是缓慢、深思熟虑的思考者：一个经过适配的通用 AI 模型，负责理解场景、规划和推理。系统 1 则是快速、凭直觉行动的一方：一个动作模型，在某些设计中改编自视频预测模型，负责把那些规划转化为实时的运动指令。

这意味着，OpenAI、Anthropic、Google DeepMind、Nvidia、阿里巴巴以及各大学实验室的每一项进展，都会直接或间接地汇入物理智能。

在下表中，可以将前沿机器人模型的能力与 ChatGPT 发布时及今天的能力进行大致比较。

从许多维度来看，我认为前沿机器人模型已经超越了 GPT-3.5，也就是 ChatGPT 最初发布时所用的模型。Dyna Robotics 和 Rhoda AI 等公司的模型如今已能处理长周期工作流、进行推理、跟踪更长的上下文、察觉自身的错误并重新尝试。

查看原推文

与此同时，我们已经看到第一批物理 AI 公司从实验室和试点阶段迈向规模化真实世界部署。事实上，Waymo 多年来一直在做这件事。

过去几年里，涌现了许多通用机器人出色完成工作的视频。问题始终在于，你无法判断这些短视频是不是从几十次甚至上百次尝试中精挑细选出来的（它们确实是）。FigureAI 对其人形机器人分拣包裹进行了 200 多小时的直播，这可以算是机器人领域的迷你 ChatGPT 时刻——首次有了实时证据，证明通用机器能够完成类人的工作。

查看原推文

查看原推文

Path Robotics 如今已在能源、国防、造船等领域的客户中部署了焊接机器人，并于今年早些时候宣布与 HII 签订了一份高达 6 亿美元的大合同。Dyna 的机器人则在餐厅连锁网络、酒店和自助洗衣店中运行着各种工作流。

怎么做到的？靠专用模型和微调。为 Waymo 提供驾驶能力、为 Path 提供焊接能力的模型并不会码放周转箱。但它们的市场足够大，值得为单一技能训练一个模型，并让它能在许多不同条件下都能胜任。

像 Dyna 和 Rhoda 这样的公司，从一个通用机器人模型出发，针对特定工作流程采集数据，然后进行微调，直到模型对该项工作足够可靠。它们会优先攻克覆盖面最广的工作流程，然后随着融资增加而扩大数据采集范围。这与通用 AI 实验室率先切入软件工程领域的做法并无太大不同。

让单一任务达到可部署级别的可靠性，最近往往需要数月时间。随着基础模型变得越来越智能，一些公司开始看到这一周期压缩到数周。今年早些时候，多家公司发布了研究成果，表明它们已获得机器人模型缩放定律的证据。换言之，它们声称通过扩展模型的数据和算力，能够大幅提升性能，并减少每项技能所需的微调数据。每当后训练变得更便宜，摩擦就会降低，通用机器人能胜任的工作清单就会变长。

那么，机器人的采用情况是怎样的呢？

你可以把自动驾驶汽车（被视为物理 AI 的一个子领域）当作一个参照。驾驶模型在过去几年里开始变得真正出色，自动驾驶汽车的数量已扩展到 1000 万辆以上。自动驾驶汽车也面临许多其他机器人不会遇到的挑战。可靠性门槛高出 2 到 3 个数量级——一次错误的代价可能是死亡。国家、州和城市层面的安全法规与许可需要逐一攻克。Waymo 和 Cybercab 在每个城市都需要自己的实体运营体系，包括车库、充电、清洁、维护、远程协助和路边团队。

与 ChatGPT 和 Waymo 不同，我预计机器人会在消费市场起飞之前，先在商业领域实现有意义的规模化应用。我相信未来家用机器人会像拥有汽车一样平常，但短期内，训练机器人可靠地完成更结构化的工作——比如洗衣、机器看护、物料搬运等——一直是相对容易的开发挑战。规模化努力已经开始，物理智能的上限正一周一周地被抬高。

“ChatGPT 时刻”可能并不是恰当的类比。对 ChatGPT 来说，分发先于可靠性。而对机器人来说，可靠性必须先于分发，而实现这一点的路径如今已被验证。我们正处在各行业类似自动驾驶的采用曲线的起点。

历史不会重演，但会押韵。

披露：RoboStrategy 的投资组合可能包含文中讨论的公司