近期李飞飞的创业公司 World Labs 收购了一家机器人公司，正式进军机器人赛道。
知名投资机构 a16z 对她和联合创始人李昀烛做了访谈，里面的内容全是反常识的干货，今天就给大家捋清楚。
人形机器人不是最优解，选它等于选地狱难度
现在行业里最火的机器人赛道，几乎都在做人形机器人。
甚至有创业者吐槽，投资人逼着他们改战略做人形，不然就不投。
李飞飞在访谈里说，人类的身体是进化出来的妥协方案。
如果我们只需要爬树，手指会完全不一样。
现在的人形机器人，就是用通用身体挑战最不可控的环境，属于地狱难度的选项。
李昀烛还拆解了机器人落地的三步走：先全结构化环境比如汽车生产线，再半结构化比如仓库餐厅，最后才是完全不可控的家庭环境。
现在行业才刚从第一步走到第二步，人形叙事直接跳到了第三步。
主持人问到，机器人要达到人类体力活的能耗效率，还要多久？
李昀烛说要很长时间，因为机器人是系统工程，从软硬件到手指摩擦系数，细节太多。
李飞飞补充，人脑功率只有 30 瓦，发展 4 年的大模型都没达到这个效率，机器人起步更晚，差距只会更大。
机器人大脑的训练逻辑，和 ChatGPT 完全不是一回事
很多人觉得，机器人大脑会像 ChatGPT 一样快速进步，但其实两者完全不同。
我们常说的 ChatGPT 属于虚拟 AI，靠互联网海量数据训练，又多又便宜。
但机器人大脑是物理 AI，每一条数据都要在真实世界里采集。
比如教机器人叠衣服，得真的让机器人叠一次，现在主流的遥操作方式，速度比人干活还慢。
容错率也是大问题。ChatGPT 出错最多是说错话，还能有人检查修正。
但机器人的动作出错，可能打碎东西甚至伤人，没有安全垫。
所以物理 AI 的进步速度，大概率远慢于虚拟 AI。
仿真数据不仅能用，某些场景下比真实数据还强
很多人觉得仿真数据失真，不如真实数据好用。
但李飞飞反驳，有个场景真实数据根本搞不定，就是推演。
比如教练备战世界杯，靠的就是沙盘推演，因为比赛还没发生，没有真实数据。
人类的智力本身就依赖仿真推演。
工业界也印证了这点，Waymo 用了数十亿小时的仿真数据，占比比真实路测数据还高。
汽车都是最简单的机器人，何况其他品类。
李昀烛说，仿真不需要精确还原所有细节，只要抓住本质结构，做海量随机组合训练，比如几万种光照、摩擦、地形的组合，先让机器人粗练，再用真实数据做精细化对齐。
真实数据依然重要，但两者是分工不是取代。
训练场和考场，比机器人本体更关键
这也是李飞飞切入机器人行业的核心思路：她不造机器人，而是给所有机器人办学校，搭建训练场和考场。
训练场的价值大家都懂，但考场容易被低估。
AI 模型好不好靠评测，机器人大脑的评测更是如此。
如果在真实世界测试，又慢又贵又危险；但在仿真世界测试，又快又便宜还安全。
谁把考试搬进数字世界，谁就能掌握行业迭代速度。
李飞飞的 World Labs 发布世界模型 Marvel 后，很多机器人公司主动找上门当客户，收购的 Synx 就是最早的付费客户之一，还是自己带过的博士后的公司，聊成了收购。
她的商业逻辑很清晰：一是机器人的数据和评测会成为行业基础设施，商业价值巨大；二是仿真训练会带来算力新增需求；三是仓储物流这类半结构化场景的专用机器人，会先实现商业放量。
最后给大家总结一下，机器人和物理 AI 潜力巨大，但用虚拟 AI 的发展路径套物理 AI，恐怕行不通。
李飞飞用真金白银押注了另一条路：先造仿真世界，再练机器人。
最后评论区聊聊，你觉得机器人行业的发展会比想象的慢吗？
热门跟贴