少即是多: 机器人如何通过变得更懒来提高效率

先说一个直观的对比：当我们走在街上，会本能地留意过往车辆、潜在危险和脚下障碍，同时自动过滤掉远处那些无关紧要的行人。但机器人恰恰相反——它对周围环境中的所有信息都一视同仁。以无人驾驶汽车为例，它需要持续分析所有传感器数据，不论这些数据是否与当前决策相关。这种全盘处理虽然保障了安全，却也带来了巨大的能源和计算负担。问题来了：如果能让机器人学会“抓重点”，主动忽略那些无关紧要的信息，是不是就能大幅降低这种消耗？

这正是“懒惰机器人学”的核心思想。这个研究方向的提出者，是荷兰埃因霍温理工大学的van教授。在他看来，教会各种机器人在处理数据时更“懒惰”，可能是通往更聪明、更自然的人机交互的一条关键路径。本质上，机器人处理信息越高效，它就能表现得越好。

学会更懒惰

为了验证这些想法，van选择了一个相当有趣的试验场：教机器人踢足球。他带领所在的大学自主机器人足球队Tech United，在RoboCup（一年一度的国际机器人与AI竞赛，用足球场检验机器人技能）上夺得了冠军。对机器人来说，踢足球的难度极高——无论是射门还是防守，都需要快速、精准的动作，以及最优的战略决策和团队配合。

如果机器人能够像最顶尖的人类球员那样，学会集中注意力、有效屏蔽干扰，那么好处是双重的：不仅能让电池驱动的它更节能，还能在快速变化的动态场景中做出更明智的决策。

Tech United在比赛中用了几套相当巧妙的“懒惰”战术。比如，它们会构建一个足球场的“世界模型”——识别并固定住那些在整个比赛中一成不变的东西，比如场地的布局和边线标记。这样一来，机器人就不需要无时无刻地扫描周围环境，直接省下了宝贵的电力。同时，每个机器人还会把自己摄像头捕捉到的画面分享给其他四个队友，共同构建一个更完整的场地视野，追踪那颗飞速滚动的球就变得容易多了。

过去，机器人必须在完全预设的轨迹上精准移动。而现在，van的团队在尝试让它们自己选择到达目的地的路径。这省去了跟踪特定路线的能耗，也让它们能更好地应对途中可能出现的障碍物。

这支队伍还教会了机器人一项“渗透性传球”技能——把球踢向场地的空当，然后与位置最佳的队友沟通接球。无论是传球还是接球，它们都能在由环境数据构建的世界模型支持下，在任何位置执行这些动作，而不是仅限于某个固定的区域。

超越足球场

让仓库里的机器人学会优先处理不同来源的数据，对于确保它们能在人类身边安全运作、可靠地完成任务至关重要。特斯拉前机器人部门负责人Chris Walti指出，一旦机器人管理不好这些，后果可就不光是延迟发货或货物损坏那么简单了，工人受伤甚至更严重的意外都可能发生。

Walti离开特斯拉后，创办了自己的公司Mytra，设计了完全自主的机器人。这套系统用计算机视觉和基于AI的强化学习，让机器人能实时感知周围最近的同伴，然后以较高的计算效率进行推理和协作——比如搬走一个损坏的托盘。

如今，大多数仓库移动机器人仍依赖单一的中央“大脑”来调度。中央大脑决定它们该走的路线，机器人每做一件事之前都得等指令。这套模式不仅难以扩展，还极其消耗中央计算能力，并且对通信链路的可靠性要求极高。

Mytra找到了一条明显更高效的出路：承认单个机器人根本不需要知道仓库另一端几百个同伴在做什么。它的机器学习系统会为每个机器人在仓库内执行任务时计算最佳路线，从而省去了大量不必要的数据及其所需的算力。这使得机器人能够更加自主地行动。

“在足球场上，高效能让你进更多球；在生产现场，高效更加重要，因为它让整个系统运行得更可靠，”Walti说。“当机器人能自主且高效地行动和思考时，你其实也在优化整个操作流程的效率和可靠性。”

简化软件

亚马逊拥有超过75万台机器人，是全球规模最大的机器人车队。它对AI技术的兴趣同样不言而喻——利用人工智能让机器人做出更智能、更安全、更高效的决策。亚马逊的机器人主要分两类：搬运库存的移动机器人，以及操作物品的机械臂。为这些机器人提供动力的AI系统每天会收集数百万数据点，以训练它们完成任务。比如，它们得学会从一堆物品中该抓取哪个、如何移动，或者怎样安全地避开人类的仓库工人。这些过程需要庞大的计算能力，新技术自然成了削减计算消耗的希望所在。

通常情况下，机械臂这类“操作”型机器人会先用机器学习识别物体，然后再遵循硬编码的规则或算法来决定下一步动作。而借助生成式AI，这些机器人可以在行动前先预测结果，挑出成功率最高的方案，或者确定抓取目标物体的最佳方法。

这种学习系统相比传统的训练方式更具可扩展性。生成式AI与大规模数据集的结合，有助于简化学任务的优先级排序，废弃那些不必要的分析环节——这也正是节省计算能力的关键所在。亚马逊机器人首席科学家Michael Wolf指出：“我们可以通过让模型承担更多任务来简化软件。我们正在进入一个重新思考如何为机器人系统构建自主性的阶段。”

通过做得更少来实现更多

今年的RoboCup比赛已经落幕，但这不等于终点。van并没有因为团队的压倒性胜利而止步。“每台机器人都还有大量计算活动，是并非在每个时刻都真正需要的，”他说。他已经在研究新的方法，让他的机器人队伍变得更“懒惰”，好为明年的比赛赢得先机。

当然，目前机器人在能源利用效率上，还远不能和人类相提并论。但van对未来的进展持乐观态度。在他看来，我们很快就能看到更多懒惰但更擅长工作的机器人走出实验室。只是，这不会一蹴而就。