人形機器人，是科技領域的熱門話題，尤其是近期，某國產機器人更成為輿論和公眾新寵，風頭一時無兩。

但圖靈獎得主、Facebook首席人工智能科學家和紐約大學教授楊立昆的“大嘴巴”又來了。楊立昆近期在一檔播客節目中表示，“很多人形機器人演示令人印象深刻，但實際很蠢，不少機器人公司都在豪賭未來3到5年AI會突飛猛進。”言辭之間，是對當下人形機器人智能性的嚴重質疑。

智能機器人，機器是個殼，AI做靈魂。楊立昆對AI的批評由來已久。早在2024年5月，他就在社交媒體上質疑AI威脅論，認為當前AI大模型的智力水平甚至不如家貓，缺乏推理能力和對物理世界的理解。

同年10月，在《華爾街日報》專訪中，他再次強調AI威脅論是“胡說八道”，指出生成式AI僅擅長預測文本，缺乏真正的推理和常識。

他還批評馬斯克、奧特曼（Oenp AI創始人）等對通用人工智能（AGI）的樂觀預測，認為其缺乏科學依據。

2025年2月，在巴黎人工智能行動峰會上，楊立昆再次炮轟生成式AI，稱其“無法達到人類智慧水平”，并呼吁學術界轉向研究“聯合嵌入預測架構（JEPA）”，以構建能理解物理世界的AI系統。

楊立昆（Yann LeCun）何許人也？

這位是人工智能領域的大拿之一，其核心成就包括發明卷積神經網絡（CNN）并推動其實際應用。他于1987年提出CNN概念，1998年開發的LeNet-5成為首個成功應用于手寫體識別的CNN模型，奠定了現代計算機視覺的基礎。還在深度學習領域持續突破，改進反向傳播算法，推動無監督與自監督學習研究，減少對標注數據的依賴，并提出能量模型等理論框架。

2018年，他因在深度學習的突破性貢獻與辛頓、本吉奧共同獲得圖靈獎。

加入Meta后，他領導團隊將AI技術應用于社交、醫療等多領域，并主導開發開源大模型Llama系列。其數百篇頂級論文與合著的《深度學習》著作，系統構建了學科理論體系。

作為學界與工業界的橋梁，楊立昆培養了大批人才，推動AI從實驗室走向產業，被公認為計算機視覺與神經網絡研究的先驅。

所以，楊立昆對人形機器人及AI的批評，可不是外行人看熱鬧。

誠然，人形機器人是一大風口，這些年，執著在人形機器人下注的企業很多。

波士頓動力可能是大家最早了解人形機器人的代表性企業， 特斯拉的Optimus（擎天柱）人形機器人研發也在推進中。

而在國內，從優必選到宇樹科技、稚暉君創立的智元機器，在人形機器人領域的身影也分外活躍。

數據顯示，截至2024年12月底，全國共有45.17萬家智能機器人產業企業，注冊資本共計64445.57億元。這其中，哪怕只有百分之一的企業是專注人形機器人，其投入也是天文數字。

但與此同時，對人形機器人熱潮冷眼旁觀的不止楊立昆一人。

作為RT-X項目（一個旨在提升機器人智能和泛化能力的研究項目）參與者的Wolfram Burgard教授接受媒體采訪時指出，當下的基礎模型訓練方式有著能效上的巨大問題，它需要太多的算力和數據才能達到泛化的門檻。

他舉了個例子：在RT-X數據集項目中，雖然他們收集了超過100萬個片段，覆蓋了機器人的500多項技能和在16萬項具體任務上的表現，但當桌子高度稍有不同，RT-2就可能完全無法正確進行任務了。

機器人，到底要不要弄個人樣？技術分歧的背后是產業實踐的矛盾。

今年世界機器人大會上，人形機器人打詠春、跳熱舞的視頻刷屏社交網絡，但在家庭場景演示中，疊衣、擦桌等基礎任務頻頻失誤。

人性機器人能前后空翻，卻疊不好一件衣服？

原因在于，人形機器人需要通過傳感器感知自身的姿態和位置，然后通過控制系統調整機械結構來完成動作，其過程主要依賴于預編程的算法和模型，不需要對物理世界進行深入的理解和推理。

相比之下，疊衣服則是一個更加復雜的任務。它要求機器人對物體的形狀、質地、紋理等進行感知和理解，然后根據這些信息進行精確的操作。

上述現象稱為目標驅動與規劃能力缺失，是當前AI技術面臨的一個重大挑戰。

分層規劃是一種復雜的決策和執行過程，它涉及到將一個宏大的目標分解為一系列逐步細化的子目標，且這些子目標又可以進一步細分為具體的行動步驟。

人類和動物在日常生活中經常使用這種策略來解決問題或完成任務。例如，一個人想要做一頓飯，這個大目標可能被分解為準備食材、烹飪不同的菜肴、布置餐桌等多個子目標。每個子目標又包含更具體的動作，如切菜、調味、加熱等。

相比之下，現有的AI系統往往缺乏這樣的靈活性。盡管現代AI可以在特定領域內表現出色，例如圍棋或象棋中的決策制定，但在面對復雜多變的真實世界任務時，它們的表現就顯得力不從心了。

家務活動就是一個很好的例子，看似簡單但其實包含了無數細微的動作和判斷。例如，清理桌子不僅涉及物理上的移動物品，還需要決定哪些物品應該放在哪里，如何避免打翻水杯等。這些都需要對環境有深刻的理解以及靈活應對的能力。

現有AI系統的局限性，在于它們通常依賴于預設的算法和大量訓練數據來執行特定任務，而不是像人類那樣基于經驗進行即時調整。

如此意味著，當面對未曾見過的情況或者需要跨多個領域綜合考慮的問題時，AI可能會感到“困惑”。

此外，由于缺乏對因果關系的理解，AI難以預測其行為可能帶來的長期后果，這也是導致其規劃能力受限的重要原因之一。

人是造物主的杰作。人手共有22個自由度，而當前大多數機械手，如夾爪形態（8個自由度）、6自由度仿人手機械手（同樣8個自由度），以及全驅動靈巧手（如Shadow hand，超過20個自由度），均無法完美復刻人手的功能。

此外，能源與硬件的“不可能三角”進一步制約發展。人形機器人需在有限體積內平衡動力、續航與成本。高能耗傳感器和復雜機械結構，導致現有電池技術難以支撐長時間自主運行。

稚暉君創立的智元機器近日爆紅，但講到機器人的性能時，相關工作人員承認，目前只能達到人類效率的20%-30%，而且電池續航僅有兩個小時。續航短也是業內人形機器人的普遍問題。

用一個通俗的比喻，當下人形機器人就像垂垂老矣的白發翁，每做幾個動作，就得停下來充電。

機器人行業突圍，需正視三大現實。

首先是放棄“通用幻想”，深耕垂直場景。藍橙實驗室與清華大學合作的五軸并聯加工機器人，專攻航空發動機葉片打磨，通過限定工作場景將精度提升至微米級；華中科技大學吸附式移動機器人聚焦船舶曲面焊接，放棄人形設計換取更強環境適應性。

其次是重構技術路線圖。哈工大教授朱延河團隊建立工業機器人開源架構，允許廠商共享運動控制算法，避免重復造輪子。

相關探索雖未突破根本，但指向更務實的技術迭代路徑。

最后是重新定義“智能”標準。智能與否不看動作復雜度，而看任務泛化能力。工業機器人若實現自主更換夾具的模塊化設計，或許比執著人形更易打開市場。

顯然，圍繞人形機器人的爭論，是技術路線之爭，更是對機器人及AI的認知之爭。一方堅持“人形是通用智能最佳載體”，認為雙足移動與人類環境天然兼容；另一方主張“形態服務于功能”，認為輪式、臂式或模塊化設計更易商業化。工業機器人歷經60年發展，從Unimate機械臂到現代協作機器人，技術突破均圍繞專用場景展開。人形機器人若執著于“通用性”標簽，可能重蹈早期自動駕駛企業盲目追求全場景的覆轍。

機器人產業的終極目標不是創造“人造人”，而是拓展人類能力的邊界。向左，是繼續追逐“像人”的幻想，向右，是擁抱細分場景的實用主義。選擇哪條路徑，將決定這個行業是真正走向為人所常用，還是又一場資本狂歡的泡沫。

作者簡介

當你關注財經和時事熱點時，我愿和你分享背后的故事和觀點