人形机器人，是科技领域的热门话题，尤其是近期，某国产机器人更成为舆论和公众新宠，风头一时无两。

但图灵奖得主、Facebook首席人工智能科学家和纽约大学教授杨立昆的“大嘴巴”又来了。杨立昆近期在一档播客节目中表示，“很多人形机器人演示令人印象深刻，但实际很蠢，不少机器人公司都在豪赌未来3到5年AI会突飞猛进。”言辞之间，是对当下人形机器人智能性的严重质疑。

智能机器人，机器是个壳，AI做灵魂。杨立昆对AI的批评由来已久。早在2024年5月，他就在社交媒体上质疑AI威胁论，认为当前AI大模型的智力水平甚至不如家猫，缺乏推理能力和对物理世界的理解。

同年10月，在《华尔街日报》专访中，他再次强调AI威胁论是“胡说八道”，指出生成式AI仅擅长预测文本，缺乏真正的推理和常识。

他还批评马斯克、奥特曼（Oenp AI创始人）等对通用人工智能（AGI）的乐观预测，认为其缺乏科学依据。

2025年2月，在巴黎人工智能行动峰会上，杨立昆再次炮轰生成式AI，称其“无法达到人类智慧水平”，并呼吁学术界转向研究“联合嵌入预测架构（JEPA）”，以构建能理解物理世界的AI系统。

杨立昆（Yann LeCun）何许人也？

这位是人工智能领域的大拿之一，其核心成就包括发明卷积神经网络（CNN）并推动其实际应用。他于1987年提出CNN概念，1998年开发的LeNet-5成为首个成功应用于手写体识别的CNN模型，奠定了现代计算机视觉的基础。还在深度学习领域持续突破，改进反向传播算法，推动无监督与自监督学习研究，减少对标注数据的依赖，并提出能量模型等理论框架。

2018年，他因在深度学习的突破性贡献与辛顿、本吉奥共同获得图灵奖。

加入Meta后，他领导团队将AI技术应用于社交、医疗等多领域，并主导开发开源大模型Llama系列。其数百篇顶级论文与合著的《深度学习》著作，系统构建了学科理论体系。

作为学界与工业界的桥梁，杨立昆培养了大批人才，推动AI从实验室走向产业，被公认为计算机视觉与神经网络研究的先驱。

所以，杨立昆对人形机器人及AI的批评，可不是外行人看热闹。

诚然，人形机器人是一大风口，这些年，执着在人形机器人下注的企业很多。

波士顿动力可能是大家最早了解人形机器人的代表性企业，特斯拉的Optimus（擎天柱）人形机器人研发也在推进中。

而在国内，从优必选到宇树科技、稚晖君创立的智元机器，在人形机器人领域的身影也分外活跃。

数据显示，截至2024年12月底，全国共有45.17万家智能机器人产业企业，注册资本共计64445.57亿元。这其中，哪怕只有百分之一的企业是专注人形机器人，其投入也是天文数字。

但与此同时，对人形机器人热潮冷眼旁观的不止杨立昆一人。

作为RT-X项目（一个旨在提升机器人智能和泛化能力的研究项目）参与者的Wolfram Burgard教授接受媒体采访时指出，当下的基础模型训练方式有着能效上的巨大问题，它需要太多的算力和数据才能达到泛化的门槛。

他举了个例子：在RT-X数据集项目中，虽然他们收集了超过100万个片段，覆盖了机器人的500多项技能和在16万项具体任务上的表现，但当桌子高度稍有不同，RT-2就可能完全无法正确进行任务了。

机器人，到底要不要弄个人样？技术分歧的背后是产业实践的矛盾。

今年世界机器人大会上，人形机器人打咏春、跳热舞的视频刷屏社交网络，但在家庭场景演示中，叠衣、擦桌等基础任务频频失误。

人性机器人能前后空翻，却叠不好一件衣服？

原因在于，人形机器人需要通过传感器感知自身的姿态和位置，然后通过控制系统调整机械结构来完成动作，其过程主要依赖于预编程的算法和模型，不需要对物理世界进行深入的理解和推理。

相比之下，叠衣服则是一个更加复杂的任务。它要求机器人对物体的形状、质地、纹理等进行感知和理解，然后根据这些信息进行精确的操作。

上述现象称为目标驱动与规划能力缺失，是当前AI技术面临的一个重大挑战。

分层规划是一种复杂的决策和执行过程，它涉及到将一个宏大的目标分解为一系列逐步细化的子目标，且这些子目标又可以进一步细分为具体的行动步骤。

人类和动物在日常生活中经常使用这种策略来解决问题或完成任务。例如，一个人想要做一顿饭，这个大目标可能被分解为准备食材、烹饪不同的菜肴、布置餐桌等多个子目标。每个子目标又包含更具体的动作，如切菜、调味、加热等。

相比之下，现有的AI系统往往缺乏这样的灵活性。尽管现代AI可以在特定领域内表现出色，例如围棋或象棋中的决策制定，但在面对复杂多变的真实世界任务时，它们的表现就显得力不从心了。

家务活动就是一个很好的例子，看似简单但其实包含了无数细微的动作和判断。例如，清理桌子不仅涉及物理上的移动物品，还需要决定哪些物品应该放在哪里，如何避免打翻水杯等。这些都需要对环境有深刻的理解以及灵活应对的能力。

现有AI系统的局限性，在于它们通常依赖于预设的算法和大量训练数据来执行特定任务，而不是像人类那样基于经验进行即时调整。

如此意味着，当面对未曾见过的情况或者需要跨多个领域综合考虑的问题时，AI可能会感到“困惑”。

此外，由于缺乏对因果关系的理解，AI难以预测其行为可能带来的长期后果，这也是导致其规划能力受限的重要原因之一。

人是造物主的杰作。人手共有22个自由度，而当前大多数机械手，如夹爪形态（8个自由度）、6自由度仿人手机械手（同样8个自由度），以及全驱动灵巧手（如Shadow hand，超过20个自由度），均无法完美复刻人手的功能。

此外，能源与硬件的“不可能三角”进一步制约发展。人形机器人需在有限体积内平衡动力、续航与成本。高能耗传感器和复杂机械结构，导致现有电池技术难以支撑长时间自主运行。

稚晖君创立的智元机器近日爆红，但讲到机器人的性能时，相关工作人员承认，目前只能达到人类效率的20%-30%，而且电池续航仅有两个小时。续航短也是业内人形机器人的普遍问题。 

用一个通俗的比喻，当下人形机器人就像垂垂老矣的白发翁，每做几个动作，就得停下来充电。

机器人行业突围，需正视三大现实。

首先是放弃“通用幻想”，深耕垂直场景。蓝橙实验室与清华大学合作的五轴并联加工机器人，专攻航空发动机叶片打磨，通过限定工作场景将精度提升至微米级；华中科技大学吸附式移动机器人聚焦船舶曲面焊接，放弃人形设计换取更强环境适应性。

其次是重构技术路线图。哈工大教授朱延河团队建立工业机器人开源架构，允许厂商共享运动控制算法，避免重复造轮子。

相关探索虽未突破根本，但指向更务实的技术迭代路径。

最后是重新定义“智能”标准。智能与否不看动作复杂度，而看任务泛化能力。工业机器人若实现自主更换夹具的模块化设计，或许比执着人形更易打开市场。

显然，围绕人形机器人的争论，是技术路线之争，更是对机器人及AI的认知之争。一方坚持“人形是通用智能最佳载体”，认为双足移动与人类环境天然兼容；另一方主张“形态服务于功能”，认为轮式、臂式或模块化设计更易商业化。工业机器人历经60年发展，从Unimate机械臂到现代协作机器人，技术突破均围绕专用场景展开。人形机器人若执着于“通用性”标签，可能重蹈早期自动驾驶企业盲目追求全场景的覆辙。

机器人产业的终极目标不是创造“人造人”，而是拓展人类能力的边界。向左，是继续追逐“像人”的幻想，向右，是拥抱细分场景的实用主义。选择哪条路径，将决定这个行业是真正走向为人所常用，还是又一场资本狂欢的泡沫。

（转自：评论员毕舸）