文 | 追問 nextquestion
2025 年才過去 4 個月，機器人就出圈了兩次，在春晚舞臺上，他們 " 整齊劃一 " 演繹了一段秧歌舞，技驚四座；而在馬拉松賽道上，各型機器人卻接連失衡跌倒，暴露出在智能控制上的明顯短板。這兩次畫風迥異的公開露面，不禁引人思考：在人工智能突飛猛進的今天，機器人技術距離科幻作品中描述的未來場景還有多遠？是已站在科幻照進現(xiàn)實的門檻上，還是仍在技術迷霧中艱難摸索？
01 是什么讓 ta 從機器變?yōu)闄C器人？
機器人不同于普通機器的地方，在于其具有感知、規(guī)劃甚至決策的能力。例如吸塵器是機器，而能夠自主探索屋內(nèi)環(huán)境，根據(jù)地形制定清掃路線，規(guī)避障礙的掃地機器人，則可歸為機器人。
目前機器人種類繁多，根據(jù)應用場景可以分為工業(yè)機器人（如機械臂）、服務機器人（具身人形）、特種機器人（軍用、救援）等。而科幻作品中那些給人留下深刻印象的大多是人型機器人，例如《西部世界》中的 " 接待員 "（Host）或《機械姬》中的智能機器人艾娃。
這些機器人最基本的特點，是具有靈活的運動能力，能夠跟得上人類的步伐，甚至能夠逃脫人類的追捕。而要想讓機器人健步如飛，其技術挑戰(zhàn)遠比想象的要復雜。
以馬拉松為例，讓機器人完成一場比賽的技術挑戰(zhàn)涉及多個復雜系統(tǒng)的協(xié)同。要讓機器人跑起來，首先要解決的問題是環(huán)境感知。在綿延數(shù)十公里的賽道上，機器人需要應對連續(xù)的彎道和起伏的坡度。這不是安裝幾個攝像頭就能解決的，不僅需要視覺傳感器、慣性測量單元（IMU）和激光雷達等硬件支持，更需要一套完整的多模態(tài)傳感器融合系統(tǒng)，將各類感知數(shù)據(jù)實時整合并構建精確的環(huán)境模型。
其次，在理想狀況下（科幻場景），機器人還應當能夠根據(jù)馬拉松比賽的場地線路自主規(guī)劃最佳運動計劃。例如，平坦路段上可以快速奔跑，而遇到連續(xù)彎道，則能自適應調(diào)整為慢速通過以避免摔倒。然而現(xiàn)實中，我們在這屆機器人半馬中看到的，卻是依賴人類遙控（甚至需要被人牽著），距離真正的自主控制仍有差距。
本次馬拉松賽場上有一些有趣的現(xiàn)象。例如，陪跑的工作人員需要時不時給機器人的關節(jié)噴一噴冷卻液，而科幻作品中的機器人是能夠感知自身狀態(tài)并主動尋求自我修復的。另外，此次比賽機器人都是間隔 2 分鐘依次出場的，相當于獨自奔跑，而不是像人類開賽時所有運動員一起出發(fā)。同時起跑意味著不僅可以對自身的感知，還需要涉及對其它個體的行動軌跡的預測。這反映了機器人在自適應系統(tǒng)和群體智能方面還面臨著更深層的挑戰(zhàn)。
從環(huán)境感知到路徑規(guī)劃，從執(zhí)行控制到狀態(tài)評估，再到基于反饋的持續(xù)優(yōu)化——這個類似 OODA（觀察 - 調(diào)整 - 決策 - 行動）的閉環(huán)迭代過程中，每個環(huán)節(jié)都需要精確的算法支持。人形機器人要想如科幻作品中的描述那樣的高度自主性，在這個持續(xù)迭代中的每一步都不能出錯。
02 機器人能否通過互動 " 自我進化 "？
近十年來，最著名的以機器人為主角的影視劇，莫過于《西部世界》。劇情中最出名的是機器人的分階段覺醒，從最初完全受到預設程序控制的德妹，到后來自主意識覺醒，能夠突破代碼的限制，做出其創(chuàng)造者沒有預先編碼的行為。機器人，至少是當下階段的機器人，能否從人機互動中展開強化學習呢？
在開放環(huán)境中，目前機器人大多無法做到自主決策，正如我們在機器人馬拉松上看到的，其行動需要操作員遙控或牽引。那如果現(xiàn)實環(huán)境中還做不到，那能否在虛擬環(huán)境接近這一目標呢？
答案是肯定的，近日 Deepmind 發(fā)表在 Nature 的一項研究，其提出的 Dreamer 算法讓智能體能夠在未知的開放環(huán)境中，不必進行窮舉式試錯，從零開始通過強化學習學會控制自身，獲得積分（鉆石），其表現(xiàn)已超過了人類玩家 [ 1 ] 。
Minecraft 這款沙盒游戲，不同于之前被 AI 征服的圍棋或 Dota，其最大的特點是其環(huán)境開放性——游戲中的一個個三維方格，組成各式各樣的地形地貌，而玩家要做的是控制自己的身體，然后去找到環(huán)境中的鉆石。而機器人能夠在這一復雜的虛擬環(huán)境中進行定向越野探險尋寶 [ 1 ] 。這是否就意味著，" 機器生命 " 理論上已經(jīng)具備了在未知環(huán)境中 0 預訓練地感知環(huán)境、規(guī)劃路徑、最終決策的能力？而擋在理想和現(xiàn)實之中的，或許只有技術整合落地的具體問題，等待工程師逐步優(yōu)化。
但這樣的強化學習模式，與 " 西部世界 " 這類科幻影片中的場景描述，存在著本質(zhì)差異?？苹秒娪爸校瑱C器人多是通過與人的互動，覺醒出設計者預料之外的主體性（擺脫人類設定的路徑）。而機器人使用強化學習的各種嘗試，則集中在定義清晰的目標上，例如導航、節(jié)能等具體目標上。例如，在 " 未知 " 空間中尋寶，或是通過訓練機器人行走動作對稱，從而降低其運動能耗 [ 2 ] 。但這些都沒有擺脫預設人類預設的目標。是否遵循人類預設目標工作，區(qū)分了科幻中的 " 強化學習機器人 " 與現(xiàn)實中的 " 強化學習算法在機器人中的應用 "。
美國心理學家朱利安 · 杰恩斯在其 1976 年的著作《意識起源于二分心智的崩潰》（The Origin of Consciousness in the Breakdown of the Bicameral Mind）中提出了 " 二分心智理論 "，即左腦（語言中樞）負責日常行動和語言，右腦（" 神性 " 中樞）在需要決策時，通過幻覺（如 " 神的聲音 "）向左腦下達指令。在二分心智的假設中，當社會復雜度增加（如戰(zhàn)爭、災害），二分心智系統(tǒng)崩潰，右腦的 " 神諭 " 被內(nèi)化為自我意識。在《西部世界》中，" 二分心智理論 " 被用來解釋機器人如何逐漸獲得自主意識。
這與前述的 Dreamer 算法有類似之處，指揮 minecraft 的 Dreamer 算法也使用了類似的參與者 - 評論家（Actor-Critic）學習框架，參與者進行探索時選擇最大化回報的作，評論家評估每個結(jié)果的價值。然而科幻與現(xiàn)實的相似僅僅是表面上的。真實的算法中不存在所謂的神旨，當代神經(jīng)科學（不論是整合信息論還是全局工作空間）也指出，意識是全局神經(jīng)網(wǎng)絡整合的結(jié)果。在 Dreamer 算法中，參與者和評論家始終是共同通過算法構建的世界模型，讓虛擬世界中的機器人能夠魯棒的適應各種環(huán)境。
要評估強化學習前沿進展與科幻場景的距離，Dreamer 這項研究提供了一個重要參照。從能在模擬環(huán)境中完成多樣化任務的虛擬智能體，到在現(xiàn)實世界中實現(xiàn)通用機器人，理論框架已經(jīng)逐步完備。這類通用機器人應當能夠適應復雜地形、完成動態(tài)導航和負重運輸，并執(zhí)行多元化任務。當前的技術瓶頸主要體現(xiàn)在兩個方面：真實世界中的觀測會存在誤差，人形通用機器人的商用或會受到成本限制。通用機器人，或許只需要 10~20 年就會變得如智能手機一樣普及，或者因為成本原因推遲到 40~50 年，但這一天終將到來。
03 " 完美伴侶 " 機器人何時到來？
2017 年的科幻電影《機械姬》中的通用機器人艾娃，能夠在與人交流時解讀甚至操縱情感，還通過監(jiān)控人類行為數(shù)據(jù)（如內(nèi)森的酗酒習慣、迦勒的同情心）動態(tài)調(diào)整策略，實現(xiàn) " 試錯進化 "，甚至可以生成符合人類情感預期的謊言。隨著大模型技術的蓬勃發(fā)展，大模型賦能的機器人能否讓這樣的場景在現(xiàn)實中重現(xiàn)？
最近一年來，伴侶機器人頻繁登上熱搜，這與 DeepSeek、ChatGPT 等大模型技術的普及密不可分。近日加州大學圣地亞哥分校（UCSD）的研究團隊，使用了經(jīng)典的圖靈測試，通過精心設計的 " 角色劇本 "（Persona Prompt）來測試大模型的表現(xiàn) [ 3 ] 。結(jié)果發(fā)現(xiàn)，當 GPT-4.5 按照這些角色劇本與人對話時，高達 73% 的受試者認為它是真實的人類，而真實人類反而只有 23% 的概率被判定為 " 人類 "。這個研究結(jié)果仿佛讓科幻電影中的情節(jié)走進了現(xiàn)實：機器人以假亂真，成為操縱人類情感的大師，甚至在某些方面的表現(xiàn)已經(jīng)超越了真實的人類。
這項研究中，使得大模型能夠成功扮演人類的關鍵，是要求大模型不要做 " 萬事通 "，而去扮演一個有點瑕疵的普通人。例如該研究用到了這些提示詞：" 你是一個 19 歲、有點內(nèi)向、熟悉網(wǎng)絡文化和視頻游戲、說話帶俚語但不濫用、不用句號的年輕人 "。正是這樣的提示詞，讓大模型的回復不再冷冰冰，或是客氣卻疏遠的客服風，最終成功蒙騙了人類。
然而，相比僅通過文字對話就能以假亂真的大語言模型，實體化的伴侶機器人還具備更強大的潛力。它不只是有個身子的 ChatGPT 對話框，更重要的是，伴侶機器人還可以捕捉你的面部表情變化，解讀分析你的語速語調(diào)，甚至通過可穿戴設備實時監(jiān)控與之互動用戶的心跳、腦電等生理數(shù)據(jù)。正是這種多維度的信息集合，使得未來的陪伴機器人很可能超越傳統(tǒng)意義上的人際關系，成為更懂人、更貼心的終極伴侶。
然而，伴侶機器人的普及，可能會伴隨著一系列掌控之外的問題，其核心在于個人隱私和公共福利之間的兩難。
當用戶尤其是未成年用戶過度沉迷于機器人的陪伴，而逐漸疏遠了真實世界的人際交往時，我們是否應當像對待網(wǎng)絡游戲一樣設置防沉迷系統(tǒng)？
當陪伴機器人檢測到用戶有可能患有精神疾病時，它是否有義務主動干預？若因為沒有及時預警而導致用戶自殘甚至自殺，陪伴機器人廠商是否應當承擔法律責任？
當用戶對陪伴機器人表達極端情緒，比如揚言要傷害他人時，機器人該如何判別這只是過過嘴癮的牢騷話，還是需要通報執(zhí)法部門的威脅信息？如何避免過度干預有能防范潛在風險？
04 距離機器人真正的獨立自主還有多遠？
相較于過去給人留下的 " 笨拙生硬 " 印象，如今的機器人不僅跨越了恐怖谷效應，還展現(xiàn)出了獨立完成任務的能力。然而，該如何評估到機器人真正的獨立自主的距離？
或許我們可以借鑒自動駕駛領域的分級方法，將機器人的自主程度劃分為六個等級：
L0 級：完全依賴型
這類機器人對應傳統(tǒng)工業(yè)流水線上的固定程序設備，不具備環(huán)境感知能力，完全依賴人工校準和監(jiān)控。
L1 級：輔助自主型
具備基礎的自主能力，如自動避障，但核心功能仍需人工規(guī)劃和管理。典型代表包括掃地機器人和酒店配送機器人。
L2 級：結(jié)構自主型
這是當前商用機器人的主流水平。在結(jié)構化環(huán)境中能夠完成多項預設任務，但復雜決策仍需人類介入，故障時需要人工處理。這一類別涵蓋了手術機器人、實驗室機器人、表演機器人（如春晚上的扭秧歌機器人）以及能與人互動的機器狗、足球機器人等。
L3 級：有條件自主型
這一層級標志著機器人自主能力的質(zhì)的飛躍。在預設條件下，它們能夠獨立完成任務，僅在系統(tǒng)失效時才需要人類接管。理想中的智能家居管家機器人就屬于這一類——能根據(jù)用戶習慣自動調(diào)節(jié)家居環(huán)境，但面對突發(fā)情況（如處理陌生訪客）仍有局限。目前這類技術主要存在于實驗室，有望率先在救災、軍事等高價值領域?qū)崿F(xiàn)突破。
L4 級：特定場景完全自主型
這一級別的機器人已接近科幻作品的描述，能在特定環(huán)境中實現(xiàn)完全自主運作，無需人類指令。例如理論上可行的外星探測機器人。目前這類技術僅在虛擬環(huán)境（如 Minecraft 中的 Dreamer3）中得到驗證。
L5 級：通用自主型
這是機器人發(fā)展的終極形態(tài)，能夠適應任何未知環(huán)境并具備創(chuàng)造性解決問題的能力。馮諾伊曼探測器（Von Neumann probes）是其代表性構想——一種能夠利用星際原材料自我復制并持續(xù)索的裝置。這一層級已進入強人工智能的范疇，當前不僅無法實現(xiàn)，甚至連可行路徑都尚未明確。
總的來說，科幻作品的真正魅力，不在于其描述了一個真實可信的未來世界，而在于提供了思考技術進步對社會及人性會有怎樣沖擊的實驗空間，以便我們能提前做好準備?？苹霉适轮械募夹g突破，其路線不一定和現(xiàn)實中相同。而除此之外，要想回答我們當下的機器人距離科幻還有多遠，還需要考慮的是一個個沒那么有趣的工程優(yōu)化問題，以及如何進行系統(tǒng)工程的整合以降低成本使得機器人具有商業(yè)可行性。
參考文獻
1. Hafner, D., Pasukonis, J., Ba, J. et al. Mastering diverse control tasks through world models. Nature 640, 647 – 653 ( 2025 ) . https://doi.org/10.1038/s41586-025-08744-2
2. Yu W, Turk G, Liu C K. Learning symmetric and low-energy locomotion. arXiv preprint arXiv:1801.08093. 2018.
3. Cameron R. Jones, Benjamin K. Bergen. Large Language Models Pass the Turing Test. arXiv preprint arXiv:2503.23674
4. Frieske R, Mo X, Fang Y, Nieles J, Shi BE. Survey of Design Paradigms for Social Robots. Preprint. July 2024. Available at: https://arxiv.org/abs/2407.20556.
