金磊 丰色 发自 凹非寺
量子位 | 公众号 QbitAI

爆火的斯坦福全能家务机器人Mobile ALOHA，大！翻！！车！！！

你以为它擦个红酒轻而易举，但实际上却是这样的：

全给你弄撒喽，顺带碎个杯子……

你以为它能化身大厨娴熟烹炒，结果给你上演一个炒锅底：

Mobile ALOHA的翻车大合集还不止这些。

例如刚才炒完虾的锅，哎呦喂，一不小心没拿住：

即使小哥一个箭步冲上去也没阻止“悲剧”的发生（好像还烫到手了）。

这画面，真是像极了庄嫂摔碗……

昨天还在“神坛”上的Mobile ALOHA，一夜之间便被曝出了这么多“笨手笨脚”的样子，也是引来不少网友的围观。

然而，这次即使面对翻车铁证，网友们的画风却是一反常态：

它并不完美，不过很可爱。

总会有犯错的余地。

最重要的是：

放心了。（手动狗头）

这到底是怎么回事？

斯坦福团队自曝“丑闻”

原来，这段机器人大翻车的视频，就是由斯坦福Mobile ALOHA的作者Tony Z. Zhao发布的。

并且他还直言不讳地说道：

机器人还没有做好准备接管这个世界。

而这段翻车视频，正是机器人完全在自主模式下所犯的。

用作者的话来形容，就是“最愚蠢的错误”。

毕竟除了刚才我们展示的几个例子之外，Mobile ALOHA甚至连锅都放不进橱柜里：

炒完的虾粘锅倒不出来不说，连碗的位置也找不到：

拿支笔也没法找对位置下手：

面对失败合集，作者却是打趣道：

这是我目前为止最喜欢的视频了，（不过）当机器人在你面前犯错的时候，你就不会觉得那么有趣了。

确实，毕竟手都被烫了……

不过作者今天自曝这段视频其实应该还有另外一个原因。

因为前两天Mobile ALOHA神级现场的视频确实引来了不小的关注度，不过很多人误以为这是它在自主模式下完成的。

但其实，Mobile ALOHA采用的是混合模式，并非完全自主，作者也呼吁网友们在吃瓜的同时认真看下论文和代码。

值得一提的是，作者还引用了2015年波士顿动力Atlas人形机器人“翻车合集”并向它致敬。

或许这也正如英伟达科学家Jim Fan说的那样：

一步一个脚印。

学习50次，成功率能到90%

就在这两天，Mobile ALOHA团队连续放出三个爆火视频，展示了该机器人敏捷灵巧的家务能力，看呆网友。

包括做满汉全席（磕鸡蛋、给鸡肉翻面这种细活都信手拈来）：

套枕套铺床单：

浇花、拖地板、开瓶盖，甚至逗猫猫：

那叫一个人模人样，上得厅堂下得厨房。

不过，大部分都是真人操控的，比如上面这些。

更直观的可以看下面这个抽纸擦玻璃的动图，背后直接站了个人类1:1示范：

不过，对于一些相对简单的任务，例如这个单炒虾仁：

还有刷锅、将餐椅归位、呼叫并乘坐电梯、擦桌子等等，只需真人少量示教，它就可以学会，然后脱离人类进行自主操作。

具体而言，作者介绍，上面这些简单动作目前只需要学习50次就可以做到90%的成功率——

经测试，Mobile ALOHA可以连续9次擦干倒洒了的酒、连续呼叫5次电梯都不会出错，能够保持一定的稳定性。

除此之外，它还能抗干扰，在完成归置锅具到柜子之中时，实验人员不停向它面前投掷杂物，都完全没有影响它发挥：

在训练期间根本看不见的椅子？它也能准确识别并完成归位任务。

那么，作者是如何仅通过50个演示就让Mobile ALOHA实现自主任务的呢？

最关键的是通过ACT或扩散策略进行模仿学习，然后和静态操作数据一起对机器人系统进行联合训练。

有了这一联合训练方式，机器人的性能可以显著提高，尤其是那种需要精确操作的任务。

最后，也再次为介绍一遍斯坦福大学的这个机器人成果：

它于今年3月底正式发布，历经了8个月的迭代和2个月的测试。

一共三位作者，其中两位为斯坦福计算机科学专业的华人博士生（最后一位是导师）：

当时的这位机器人，就已经能够利用工具完成各种精密细活了，只不过只能在固定的位置：

当然，背后也是真人遥控的。

而正如其名ALOHA全称是“ ow-cost pen-source rdware System”，这款机器人主打的就是开源和低成本：

全部软硬件设计包括代码和数据都一并发布，而搭建这一个系统“只”需3.2万美元（约合22.7万人民币），具体需要哪些硬件，作者还列了个清单，感兴趣的朋友可以照着DIY。

机器人元年？

几乎和斯坦福的爆火机器人同一时间，谷歌也发布了自家最新的研究成果，并且是一气发了仨：

一个是将机器人决策速度提高14%，同时保持操作准确率不变并增加了10.6%的改进模型；

一个是专攻泛化能力的新框架，用了一种全新方法让机器人完成从未见过任务的成功率从29%提升至63%；

以及一个可以同时容纳20个机器人的收据收集系统，将用于加快机器人理解人类指令的能力的训练。

这些新成果全部用于升级谷歌的机器人大模型RT-2。

和斯坦福的Mobile ALOHA对比起来，谷歌的RT-2表现还是高冷一些，但它所有效果都是全自主的。

除了这两家，李飞飞团队也一直在跟进，其名为VoxPoser的机器人系统也已经可以听懂人话完成各种指令，并且无需额外训练。

这不由地让人想到，不少人那句“2024会是机器人元年”的预言：

你觉得会成真吗？

参考链接：
https://twitter.com/tonyzzhao/s