机器人研究中隐藏的支柱是部署

Skild AI 的年度经常性收入突破 1 亿美元，距离我们首次商业部署仅过去十个月。

首先，感谢我们团队的每一位成员，以及每一位促成这一成果的合作伙伴。

这凝聚了许多优秀人才超乎寻常的努力。十个月里，我们的付费客户已扩展至 60 多家，业务涵盖搬运货物、配送、现场巡检、安防、备餐，以及在仓库、工厂和数据中心内作业。移动业务占我们收入的 10%，Fetch 解决方案占 4%。

我们与 NVIDIA 和富士康携手，将 Skild Brain 部署在双臂机械臂上，用于 NVIDIA Blackwell 系统的高精度组装——这项工作随每个产品周期而变化，过去意味着要对产线上的每一台机器人重新编程。

在住友电装，我们正致力于部署 S1，以自动化线束制造中曾被认为不可能自动化的工序。

三井物产每天在日本各地供应 140 万份餐食，我们正与其合作，在商业厨房中试点由 S1 驱动的通用机器人。

从一开始，我们就将部署视为技术本身的核心组成部分，而非技术的结果。

隐藏的支柱

机器人领域有一种思路，大致是这样的：我们会训练出一个超级智能的模型，造出超越人类的硬件，然后某一天——砰——机器人遍地都是。

类比语言模型，这听起来没错。多年研究，然后 ChatGPT 横空出世。据估计，两个月内月活用户就达到 1 亿。从外部看，部署似乎是在最艰难的部分完成之后，一夜之间到来的。

在机器人领域，你不能把部署留到最后。

供应链怎么运转？谁来安装？谁负责集成？坏了谁来修？流程变了谁来更新？不身临其境，你就无法真正理解这些问题。

部署是机器人研究中那根隐藏的支柱，因为机器人真正的用武之地就在那里。无可替代。

部署为 Skild 的前沿研究方向提供依据。我们举几个例子。

演示 vs 部署

看演示视频，已经成了衡量物理 AI 进展的常见方式。你看一段视频，心想：“看起来它真的能行！”

问题在于，一个成功率 5%、10% 或 99% 的机器人，拍出来的成功片段可以一模一样。哪怕你只有 10% 的成功率，也可以一直拍到成功为止。

我们去年教模型做鸡蛋。第一颗蛋花了一周才做出来，之后又花了两个月，才能在不同鸡蛋、不同环境下稳定工作。

这就是为什么在机器人领域，眼见并不为实。真正重要的是部署。为了挤出最后 5% 的性能所付出的努力，远远超过前 95%。

速度与准确率

从研究的角度看，准确率似乎就是核心指标。但从部署的角度看，你立刻就得问：在这个准确率下，机器人能跑多快？

想象一条有十个工位的工厂产线——五个由机器人操作，五个由人操作。每个工位都必须在大致相同的节拍内完成。只要有一个工位慢了，整条产线的吞吐量就会被它拖住。

一个准确率高达 99.9%、但慢了十倍的机器人，不是差不多能部署。而是根本不能部署。

一家以部署为先的公司，从一开始就以在时间约束下取得成功为优化目标。

适应变化

我们在部署早期就吃到一个深刻的教训：变化才是唯一的不变。

供应商换了一个元件。工厂重新布置了工位。客户改了装配顺序。你部署的系统必须能适应。

如果每一次变化都要重新采集数据集、再跑一轮后训练，那你等于签了合同：只要机器人还在部署，这份活就得一直干下去。这根本不可扩展。

这些从部署中硬生生学来的经验，让我们把研究重心放在了 S1 上——这是我们两周前发布的最新模型。

我们打造 S1，是为了让它通过上下文学习，从单个视频示例中学习。操作员可以录一段新的演示，把它作为提示交给机器人，而无需更新模型权重。S1 构建在 NVIDIA AI 基础设施之上，这为我们提供了所需的加速计算基础，以便在我们多样化的机器人数据组合上进行大规模训练。

查看原推文

如果我们一直待在研究的世界里，这件事会变得如此优先吗？我们不这么认为。是部署教会了我们这样要求自己，而 S1 就是我们的答案。

文化

演示也可能有害。在一家公司内部，同时维持演示文化和部署文化是非常困难的。

你可以从一个机器人中挑选出成功率 50% 的漂亮演示。但要部署，你必须攻克另外那 50%——而那要困难得多得多。

如果你公开表彰这些先进的演示，做这些演示的人会受到鼓舞。而那些在做那被低估的 50% 的人得到的关注更少，尽管正是他们的工作让机器人变得有用。

即便拥有同时做这两件事的资源，那些激励因素也不会消失。

你可以尝试通过奖励真正的部署工作来在内部对抗它们。但这样一来，聪明的人就会问：“既然真正的工作在于部署，我为什么要把时间花在演示上？”——于是演示文化无论如何都会消亡。

如果演示是公司奖励的东西，那么人们就会去做演示。我们选择奖励部署。

物理 RSI

部署是研究的支柱。它是评估的支柱。而且它迫使我们直面那些可能让公司偏离有用工作的文化激励因素。

这也是我们思考物理 RSI 的方式：递归自我改进。

关于部署数据，有两种常见的观点。一种认为部署将成为机器人训练数据的终极来源。另一种认为部署数据过于狭窄，无法改进通用模型，因为一台部署的机器人会一遍又一遍地重复同一个任务。两种观点都各有部分道理。

如果一个专用机器人已经能可靠地拧开某种特定的瓶盖，那么再收集成千上万个相同成功动作的额外样本可能收效甚微。专用系统已经知道自己的任务了。价值出现在把从许多专用系统中学习到的东西带回一个通用基础模型之时。

我们所用的类比是我自己的教育经历。

高中时，我们对物理、化学和数学都有相当不错的掌握。后来我们专攻人工智能。今天我们对 AI 的了解远超高中时的我，但我们已经忘掉了曾经掌握的许多化学知识。

现在想象一下，我们能回到高中时的自己，在一个平行宇宙里去攻读化学博士。另一个宇宙攻读物理博士。再一个攻读数学博士。然后想象把所有这些专业知识蒸馏回我们最初的那个学生身上。

这就是我们的策略。通过部署，我们让那个“高中时的自己”——S1——变得越来越好。通才学得越多，下一次部署所需的专业化就越少。这就是部署数据飞轮。

演示的时代已经结束；部署的时代已经开始。

Deepak Pathak 与 Abhinav Gupta