如果用一条清晰的技术演进路径来概括，可以把它划分为三个阶段：

• 以经典控制为主导的阶段，独占20年。彼时，AI仅仅是点缀其间的“小工具”，扮演着局部分类或简单识别的配角。

• 2010年起，此后10年间，深度学习席卷感知与操作领域。强化学习更是从虚拟棋盘上的博弈，大步迈向现实世界。

• 2020年至今，GPT、RT等大模型崛起，一个全新的范式——具身智能，从学术前沿走向“舞台中央”。

▲表1｜AI+机器人的技术发展历程

本文，我们便来梳理梳理 AI 是如何一步步重塑机器人的控制逻辑与认知边界的。

同时也来聊一聊「机器人+AI」在未来发展道路上的显著困境。（正文开始）

▲图1｜AI+机器人的进化路径及未来挑战，来自《Nature》旗下子刊Machine Intelligent©️【深蓝具身智能】编译

AI+机器人

里程碑式技术范式

过去三十年，AI 在机器人身上走过了一条从规则驱动到数据驱动、从单模态到多模态、从工程控制到类人推理的蜕变之路。

我们姑且将它“粗暴地”概括为三大阶段，其中每个阶段都带来了技术范式的跃迁，并留下了至今仍在深刻影响研究者的里程碑系统。

第一阶段（90s-2010）：以经典控制为中心

这一时期，机器人的主要挑战是如何在受控环境下完成高精度动作。

当时什么PID、状态空间，那叫一个热火朝天。

AI？那时候的AI在机器人领域更多只是用作模式分类、简单路径规划，核心仍然依赖模型驱动的控制理论。

AI撑死了就是个在流水线边上打打下手、帮忙认认螺丝是A还是B的临时工分类器（地位堪比饮水机管理员）。

（事实上，人工神经网络早在上世纪就被提出，但当时算力有限，连解个高维优化都很吃力，所以这项技术在那时并未真正兴起。）

• 基于动力学的轨迹规划：

典型的六轴机械臂，需要先根据牛顿-欧拉方程精确建模，再在已知刚体参数、关节摩擦等条件下，通过运动规划 + PID 或 MPC 实现执行。

• 视觉更多只是用于定位：
  

比如基于 ArUco、棋盘格的手眼标定，抓取完全依赖 CAD（2006 年前后视觉 SLAM 才逐渐兴起）。

在那个时代，Modeled-based、Ruler-based Control、Teach and Repeat 是机器人圈最火的关键词（当然现在依旧有人研究，只不过相较于如今流行的具身智能端到端方法，已显得“冷门”甚至“成熟稳定”）。

▲图2｜传统机器人的控制框架；往往联合多个系统结合既定规则进行决策，几乎没有“AI”含量©️【深蓝具身智能】编译

所谓的“通用知识”“语义理解”在那时还没影子，更多只是被机器人工程师硬写成一条条 if_else 规则，像搭积木一样堆起来。

因此，这一阶段“笨笨的”机器人只能在极度结构化的场景中勉强运行，比如固定的工厂流水线，完全无力应对未知变化。

第二阶段（2010-2020）：深度学习重构了感知和动作策略

2012 年 ImageNet 大赛后，CNN 的崛起让深度神经网络开始在视觉领域大放异彩，AI 也终于能“看得懂”更多世界。

机器人由此迎来了几次技术革命：

先是平地一声惊雷，深度学习这尊大神横空出世，几乎掀了控制论的桌子！随后，强化学习更是够狠，从游戏界直接“硬控”进了四足机器人领域。

• 深度视觉驱动的操作（这里特指Manipulation）：

在深度神经网络得到广泛的关注之后，许多机器人学者开始考虑将其引入到传统的机器人控制方案之中，组成了直到现在还是非常热门的模块化设计方案，将神经网络擅长的任务交给神经网络，其余部分依旧使用可解释性强且成熟的传统控制方案。

比如当时受到广泛关注的Dex-Net 提出用物理仿真+深度网络解决未知物体抓取问题。

其核心思想是，先用上万种 3D mesh 物体在仿真里生成抓取点云，基于摩擦锥和 wrench space 的抓取稳健性指标，给出每个抓取的概率评分。然后训练一个 CNN，输入是 RGBD + 局部抓取候选 patch，输出抓取成功概率。

▲图3｜Dex-Net的基本框架，可见其在适当的位置引入了Deep CNN来提升表现，其也通过这项创新荣获了当年ICRA的Manipulation领域最佳论文©️【深蓝具身智能】编译

这让机器人可以在仓库 bin picking 任务里，面对从未见过的异形物体，也能给出一个高置信度抓取点。

从今天看，随便一个搞机器人的硕士生都能把这套 pipeline 倒背如流。但在当时，这就是实打实的 SOTA。

它的意义在于：首次把抓取从纯几何+CAD，转向了数据驱动的概率选择。也为后来的 GraspNet 这类 RGBD 端到端网络打下了技术基础。

• 强化学习在机器人动力学控制的破圈：

过去，RL 在 Atari、围棋上大放异彩，但在机器人动力学控制上却屡屡受挫，这是因为：

（1）探索代价太高（机器人价格普遍非常昂贵）

（2）RL探索需求 vs 机器人容错上限的本质矛盾

▲图4｜早期的波士顿动力机器人SPOT（2015），已经具备了当代先进智能机械狗的雏形，搭载了多传感器，但是在算法上依旧沿用传统的MPC策略，和外形一样“硬核”©️【深蓝具身智能】编译

在这个阶段，波士顿动力用传统控制方法让四足机器人翻山越岭，每次放个 Demo 就能让全网沸腾。

直到 2020 年后，RMA¹的提出，才把四足机器人的 RL 真正推上新台阶：

• 在仿真中大规模生成不同地形、不同摩擦、不同载重场景，用 PPO 学习带 latent encoder 的策略。

• 上实机后，只需少量里程就能快速在线调节潜变量 z，自适应地面材质或小负载扰动。

▲图5｜RMA的基本框架，它的核心意义在于：将大规模离线学习与小规模在线适配结合，从根本上缓解了长期困扰机器人的 sim-to-real gap©️【深蓝具身智能】编译

这让大家第一次真切看到：Learning-based 的机器人控制也可以泛化。

在我个人看来，如果要选这个时代最“AI”的代表，或许大家会想起击败世界冠军的 Alpha Go。

虽然那只是个棋盘程序，但它的示范意义点燃了后来对 RL+机器人无数的憧憬。

第三阶段（2020-至今）：大模型推理，具身智能成为热潮

CLIP、GPT、RT 系列的出现，让机器人的推理终于不再停留在像素与关节层面，而是开始理解语言和任务。

从 SayCan 到 RT，研究者们推动了视觉-语言-动作的多模态推理闭环。这些模型往往在海量网页图文、机器人视觉、动作数据上混合训练 Transformer。

• 输入一句“把盘子收拾干净”，

• 输出就是一串 robot action token（如 end-effector delta pose 序列）。
  

还能把场景物体语义、空间关系等全都编码进上下文。之后便演变成：机器人可以做家务、喂饭、学功夫、打擂台、跑马拉松。

我们也逐渐习惯了机器人的智能化表现，几乎下意识就把 AI 与 Robotics 绑定在一起。

▲图6｜RT-1基本框架，实现首个机器人领域端到端的动作生成©️【深蓝具身智能】编译

在我看来，如果要现在就票选这个时代最“AI”的机器人，可能还为时尚早。

具身智能的未来能到什么高度，相信大家都在期待。前段时间，特斯拉电动汽车已经实现了从工厂到买家楼下的自动驾驶交付，但似乎我们已经并不奇怪了。

▲图7｜马斯克发帖：特斯拉实现世界历史首例自动驾驶交付©️【深蓝具身智能】编译

或许未来真的有一天，钢铁侠里的贾维斯控制战甲走到家门口来显摆，我们也只会说一句：“好啊，不过先往旁边站站”。（野望还是要有的）

下一步

还得跨过哪些坎？

Sim-to-Real 不只是 Domain Randomization，还需要提升泛化性

当前的局限：

大多数 RL 或模仿策略，还是依赖在仿真中训练，然后尝试迁移到真实世界。

但常用的 Domain Randomization（比如随机地板材质、颜色、光照）虽然能对视觉有帮助，却对 动力学差异 无能为力。

• 仿真通常假设刚体、理想摩擦、理想电机。而真实环境存在关节间隙、传动延迟、材料非线性。

• 对于抓取、行走这类高度动力学耦合的任务，轻微的物理参数差异都会导致策略失效。

技术发展：不再只在“输入 domain”上做随机化，而是动态适配仿真背后的物理模型，使策略在不同真实场景下都能稳定执行，从而减少sim2real的gap，使得RL在机器人的不同任务中都可以泛化，不仅仅局限于四足机器人的运动控制。

生成式推理需要结合几何与物理约束

当前的局限：

RT-2 这类 VLA 模型能直接把“把红杯子放到餐桌上”翻译成机械臂动作序列。

但它也有几个显著问题，诸如：

• 不理解物理动态约束，比如可能指令机械臂直接撞穿桌子。

• 无法保证输出的路径在机器人逆运动学空间可行。

在当前的技术下，已经有部分研究者提出了一些解决思路，我也进行一些简要整理，但真正搞定这个问题，依旧道阻且长。

• 用 MPC（Model Predictive Control） 在 LLM 输出的轨迹周围生成短期可行走廊，纠偏以保持动力学可行。

• 或者在 LLM 输出阶段就插入硬约束优化，形成“生成-优化耦合”。

技术发展：让语言-视觉推理提供“任务级指导”，让传统优化或可达性约束实时保证输出的几何合法性 + 动力学可行性。

实际上这里面就涵盖着机器人对于真实物理世界的理解，当前一些Word Model的工作就致力于解决这个问题。

可解释性 & 安全探索是必备监管门槛

现今大多数机器人 RL 或 VLA 策略都像个黑箱：

• 出错了只能说“网络这么输出了”，很难定位哪个传感器信号或中间 feature 导致的问题。

• 也不具备因果链条回溯（explainable reasoning）能力。

这在家庭陪护、手术助手、自动驾驶等场景都是不可接受的，但当前为了技术先行，这些方面的法案，法规都相对滞后，在技术上机器人的自我诊断和修复能力也比较滞后。

不过，我们相信这些都会随着机器人+AI的发展得到逐步完善，或许在未来的某天，这也是一个大热的研究方向。

总结

“区区”三十年，AI 已经把机器人从只会机械重复的流水线手臂，变成了能从视频学会抓取、能在崎岖地形自适应行走、还能听懂「帮我把桌上的盘子拿过来」的多模态智能体。

但别忘了，这些“完美”的实验室视频背后，仍藏着一堆必须跨越的技术门槛：

• 如何真正跨过模拟与真实的差距，不再换个地板材质就摔倒？

• 如何让大模型生成的动作不只是“合理”，更是物理可执行、安全可追溯？

• 如何让机器人在用了几年后，依然知道该学新招、该忘旧法，而不是“脑子混乱”？
  

未来的机器人不只是要更聪明，还得更能自我解释、自我约束，才能真正进入我们的日常生活。

我们开设此账号，想要向各位对【具身智能】感兴趣的人传递最前沿最权威的知识讯息外，也想和大家一起见证它到底是泡沫还是又一场热浪？‍

欢迎关注【深蓝具身智能】👇

编辑｜阿豹

审编｜具身君

参考文献：

1. RMA: Rapid Motor Adaptation for Legged Robots

2. Dex-Net 1.0: A Cloud-Based Network of 3D Objects for Robust Grasp Planning Using aMulti-Armed Bandit Model with Correlated Rewards

3. A raodmap for AI in Robotics

4. RT-1: Robotics Transformerfor Real-World Control at Scale

【深蓝具身智能读者群】-参观机器人：

点击❤收藏并推荐本文