【專訪】芬恩：機器人不會有 ChatGPT 時刻，PI 模型已在產線運行

這場訪談有五個值得記住的點。第一，折衣服的失敗過程本身就是一堂課，說明物理世界的難度被嚴重低估。第二，機器人的訓練資料沒有網路可以撈，這個根本差異決定了整個產業的打法。第三，低品質資料反而有用，這個反直覺的發現牽動整個資料策略。第四，同一個模型不用改程式就能跑在外觀完全不同的機器人上，這件事比聽起來更重要。第五，芬恩對人形機器人的態度比業界主流冷靜得多，她的理由很實在。合起來看，這場談話的底色是：機器人AI的技術邏輯已經站得住，但從實驗室到真實世界之間還有一大段硬仗要打，而且那段硬仗不是純軟體問題。

◎折衣服的難度不在衣服，在變化量

芬恩說，一件T恤可以皺成幾乎無限多種形狀，機器人每次看到的畫面都不一樣，但它要輸出的是每個關節在接下來半秒內該轉幾度。從一件攤平的衣服開始，成功率還行；一旦換成皺的，幾個月內成功率掉到零。這個例子說明了物理AI最核心的困難：不是做不到，是稍微換個狀況就做不到。我們自己折衣服不覺得難，是因為大腦在做的事已經被演化訓練了幾百萬年，完全不需要意識介入。機器人沒有這個底子，每一個感測器數值都得被翻譯成動作指令，而且得在從未見過的皺法面前也能翻對。

◎機器人沒有網路可以撈，這才是根本差距

語言模型之所以能爆發，有一個前提是大家習以為常到忘記它的存在：網路上有幾乎無限的文字可以拿來訓練。機器人沒有這個東西。工廠的機械手臂資料量大但動作單調，YouTube影片有影像但沒有對應的關節控制數據，模擬環境又和真實物理世界有落差。芬恩的結論很直接：沒有捷徑，就是要讓真實機器人在真實環境裡做真實任務，把那些資料收回來。她還提到一個反直覺的發現：低品質資料——折得歪，動作慢，策略奇怪的那些——加進去之後模型反而更好，因為那些資料覆蓋了機器人犯錯之後可能落入的狀態，讓模型知道就算搞砸了，還是要想辦法繼續。多樣性比品質更重要，這個結論和語言模型訓練的經驗是相通的。

◎同一個模型，不同的機器人，比預期中容易

PI把一個模型送給幾所合作大學，那些學校的機器人外觀不同，關節數不同，攝影機位置不同，但收到模型之後直接跑，多數情況下比那些學校自己為自家機器人訓練的模型還要好。芬恩說這個結果連他們自己都覺得意外。她的解釋是：一個夠大，見過夠多資料的神經網路，會自己學會右手能做的事左手也能做這種等價關係，不需要有人明確告訴它。這件事的商業意涵很清楚：如果通用模型真的能跨平台，那整個機器人產業就不需要每換一台機器就從頭開始訓練，PI的商業模式才能成立。

◎人形機器人很酷，但芬恩不急著押

芬恩說她辦公室裡就有一台人形機器人，她也覺得很酷。但她接著說，在史丹佛做一次人形機器人實驗需要兩到三個人在旁邊顧，原因是馬達容易過熱，系統複雜到根本不可靠。她的邏輯是：如果一隻有六個馬達的機械手臂都會一直壞，人形機器人的可靠度問題是指數級惡化。PI現在選擇從簡單系統入手，因為簡單系統已經能做很多事，而且讓研究推進得更快。這個立場和目前業界幾個大聲押注人形機器人的公司形成對比。芬恩沒有說人形機器人不會成，她說的是：要解決智慧問題，從複雜硬體出發是在替自己加難度。

◎機器人影片很容易造假，看的時候要問對問題

芬恩說得很直白：不難做出一個看起來很厲害的機器人展示影片，但如果影片沒有說明它是怎麼做到的，那個展示可能毫無意義。她給了幾個判斷標準：任務是否真的新穎？物件的位置是否必須擺得剛好才能成功？影片是連續拍攝還是剪輯過的？機器人是在它見過的環境還是真的陌生的地方？泛化能力——也就是模型在沒見過的狀況下還能不能運作——是最難用影片證明的東西，因為觀眾不知道訓練資料裡有什麼。PI的做法是盡量用不剪接的連續影片，以及把機器人帶到它從未去過的家裡直接拍。

芬恩最後被問到如果一切順利，15年後會是什麼樣子。她說的不是機器人統治世界，而是人們不再需要做那些必須做但不想做的事。這個答案很平實，但也說明她對這件事的判斷是長線的，不是炒作的。通用機器人模型這個方向，技術邏輯已經開始站得住；接下來要解決的是硬體可靠度，真實資料規模，以及如何把模型從實驗室送進真實世界。這三件事都不是純粹的演算法問題，而且都需要時間。機器人不會有ChatGPT那種一夕爆紅的時刻，芬恩自己也這樣說。但PI的模型已經在生產環境裡跑了，這件事值得記住。