扭秧歌、跳舞、跑马拉松、踢足球、格斗……当前，我国人形机器人技术发展日新月异，让机器人拥有运动技巧的“小脑”已经相当发达，但要操控这些机器人，目前仍主要使用遥控下达指令，离我们期待的智能还有一段距离。如何让人形机器人拥有更强的“大脑”？是很多科学家孜孜以求的目标。
今年年初，香港科技大学（广州）人工智能学域助理教授、博士生导师梁俊卫开始为3台人形机器人加载视觉语言大模型、视觉设备、声音设备等，开启了人形机器人的“大脑”建设尝试。
人形机器人到底如何才能变得更聪明？本期《科技周刊》，我们来到香港科技大学（广州）的实验室一探究竟。
现场秀
秒懂指令！准确识物！
就是……反应有点“呆萌”
在港科大（广州）的具身智能实验室，3台人形机器人“整装待命”。它们的脑袋前方装上了一个摄像头，胸口有一个扬声器，身后还有网线连着一台电脑。记者观察到，人形机器人在应答和识别物体方面的能力已比较出色。
梁俊卫手持一个无线麦克风，对其中一台机器人说：“请和大家挥挥手打个招呼吧。”
“好的，那我现在挥手。”机器人一边用语音回复，一边遵从指令开始挥手。
随后，梁俊卫用手向机器人摆出一个V字，说：“请问我这个是什么手势？”
“这是一个比耶手势？”机器人答道。
梁俊卫指着手里的两类饮料问机器人：“这里有一瓶咖啡，一杯牛奶。我晚上有点困了，请问我该喝哪一种饮料？”
“你该喝右边的牛奶，左边的咖啡含有咖啡因，还可能有较高的糖分含量，容易导致血糖波动，影响睡眠质量。”机器人说。
梁俊卫说：“请用一句话描述你面前的人。”
机器人回答道：“这个人看起来充满活力，精神饱满，非常自信。”
梁俊卫还将两个港科大（广州）的吉祥物放在机器人面前的桌上，并指挥机器人用机械手抓取吉祥物。目前看来，机器人抓取物体的成功率还不是很高。此外，机器人的反应速度也还不理想，通常需要间隔2秒左右才能明白人类的意思，再作出回答或相应的动作。
“里掂F1”人形机器人
加速秘籍：
让机器人反应更快——
提升显卡性能降低模型参数
“谈卡伤感情，没卡没感情。”这是近年来国内AI界流传甚广的名言。目前，国内接入大模型的服务机器人品牌非常多。为了避免回答延时，许多机器人只能“蒙混过关”，在真正回答问题前，通常都会说“好的”并重复一遍你的提问，来过渡这两三秒的响应时间。未来，随着显卡的算力性能提升和成本下降，延时问题有望得到改善。
“去年，当我看到这款人形机器人能够翻跟斗时，我觉得它的硬件条件已经做得非常棒了，只是操控机器人仍主要依靠遥控下达指令。所以我开始尝试为它设计大脑，实现真正的具身智能。”梁俊卫告诉记者，目前在全国范围内，包括清华、北大、中大、上海人工智能实验室（AILab）等科研机构与企业都在进行机器人“大脑”建设的尝试。
人形机器人头部安装了摄像头
“大脑”主要依托大语言模型和性能强大的显卡支撑。当人类通过语音向机器人传递指令时，语音先被转为文字，之后在显卡算力的支持下，大语言模型便读懂人类的意图，开始指挥机器人完成各类指令。
机器人完成指令的速度，主要取决于模型的参数量和显卡的算力。“我使用在机器人身上的视觉语言大模型，参数大约是32B（B即billion，指10亿参数量，32B即320亿参数量），我们跟机器人交流，机器人可以比较准确地回复，也能准确识别牛奶、咖啡，有很强的推理能力。”
梁俊卫告诉记者，目前，机器人用这款模型时的反应基本都有2至3秒的延时。如果想要更低的延时，只有两种办法：“一种是配置更强的显卡，目前机器人只是接入一台价值2万元的笔记本电脑，显卡带不动，要让机器人反应丝滑，预计要配套10万元左右的显卡；一种则是降低模型参数量，优化算法，当参数下降到7B甚至更低时，性能一般的显卡算力就够用了，但缺点就是机器人会变‘笨’，难以让人满意。目前来看，如果要机器人接入这样的大模型，想要实现低延时，我们配套的显卡大约需要200万元，价格相当高昂。”
精度秘籍：
让机器人误差更小——
人类VR示范机器人复刻学习
让人形机器人手眼协调一致，是梁俊卫的一项重要工作。他告诉记者，基于大语言模型，人类与机器人进行语言交流乃至情感陪伴已经成为现实。但要让机器人在开放式环境中，完成各项手眼协调的操作仍有难度，需要攻克。
“工业机器人可以依托轨迹模块，在比较封闭的环境中实现高精度的机械臂操作，但人形机器人要想在泛化的环境中抓取物体，就会有很大难度。”梁俊卫说，机器人接收人类的指令后，需要通过其视觉大模型识别物体。待确定物体的具体三维坐标后，再将坐标位置发给灵巧手，让灵巧手完成抓取任务。这一过程的难点在于机器人的每个关节在完成指令时都会产生一定误差，而这些误差累积到最后，就会严重影响灵巧手的抓握精度。
为了减小这类误差，梁俊卫和学生利用“遥操作”的方法，让机器人学习人类的动作。“在遥操作过程中，我的学生会戴上一类VR眼镜，眼镜能识别学生的手指，当我的学生去握不远处的杯子时，VR眼镜就能收集人类如何操控手指的数据，而这些数据可以训练机器人抓取东西。‘遥操作’相当于人类做示范，机器人进行学习。”
网线连接电脑
人形机器人“进化”时间表
今年年底：拧瓶盖、打开书包——随着遥操作数据的累积和机器人其他方面的进步，梁俊卫对人形机器人迈向真正的具身智能很有信心。“我们今年年底想要让机器人完成拧瓶盖或打开书包的任务。”梁俊卫说。
中期规划：打网球、进工厂打工——梁俊卫表示：“我们希望一两年后，能够让机器人完成打网球的动作，并实现和人类对打。目前来看，国内人形机器人的运动能力是可以完成这项运动的。”
下一步，则是让人形机器人真正进入工厂打工。“人形机器人进入工厂后，并不会在流水线上做重复劳动，因为那些是工业机器人的强项。人形机器人经过训练后的强项是在泛化的环境中完成相关工作。”
远期目标：进入家庭——“家庭是比工厂更加泛化的环境，比如我希望人形机器人帮我洗衣服，机器人首先要知道家里的脏衣服在哪里，还需要知道洗衣机在哪里，知道要打开洗衣机门、把衣服放进去，这样的操作对目前的人形机器人来说还很难，至少要花3到5年的时间，才能完成这件事。届时，我们将拥有一个能提供全天24小时服务的机器人保姆。”梁俊卫说。
科技企业谈创新
“里掂F1”精度实力：±0.05毫米
不仅科研机构重视不断完善人形机器人技术，广州的科技企业也非常重视人形机器人的技术革新。
广州里工实业有限公司发布的“里掂F1”人形机器人作业精度达±0.05毫米，目前已获千台订单。“里掂F1”是继“里工D1”后企业推出的第二款全尺寸人形机器人，具备高效移动与灵活操作的能力。其全身拥有30个自由度，腰部采用三折叠设计，手部操作可覆盖0.2m—2m的空间高度，能够满足大范围、复杂且高精度的作业需求。
里工实业负责人李卫铳告诉记者，实现高精度的机器人作业，企业正在从四个方面推动技术创新，分别为：机器人一体化的设计技术突破、硬件软件热管理耦合、动力学的模型、关节模组的尺寸形变稳定。
梁俊卫在桌上放了吉祥物，并指挥机器人用机械手抓取。
李卫铳说：“与传统机器人不同，人形机器人可以自主强化学习，我们的机器人会先进行物品识别，之后再练习抓取。比如要让机器人拿一瓶水，我们会先通过视觉训练让机器人识别水瓶的形状，之后再让它练习抓取水瓶。我们企业的工程师主要负责采集数据和调整参数，不但要掌握机械、计算机、运动学等知识，还要有编程和分析能力。”
中共广州市委科技委员会办公室秘书处处长丁禹曾专程前往里工实业调研，并深有感触。丁禹表示，里工实业的人才培养模式以“开放、跨界、实战”为核心，吸纳机械工程、人工智能、工业设计等多学科背景人才，打造“研发+生产”跨学科技术团队。“例如人形机器人团队包含算法工程师、工业设计师及具备生产经验的工艺师。技术团队需深入生产一线，做到既懂技术原理，又熟悉制造业场景痛点，既站在开发者的角度去看技术问题，又站在使用者的角度看产品好不好用。”
据了解，里工技术团队主导研发的180余项专利中，80%以上为跨领域融合技术，确保技术研发与产业需求无缝对接。
目前，机器人的反应基本都有2至3秒的延时。
机器狗充当“小白鼠”
为机器人验证“避障术”
除了人形机器人，港科大（广州）的具身智能实验室内还有多只机器狗常年接受训练。梁俊卫表示，他们会通过机器狗验证一些技术，之后再应用于人形机器人。
梁俊卫说：“我和学生正给机器狗做底层的运动控制，相比‘双足人’，‘四足狗’形态上更加稳定。我们通过机器狗来验证激光雷达的快速避障功能，实践证明，经过训练，机器狗能基于激光雷达快速避障。我丢个东西到它面前，它能快速躲开。我们验证过这些算法后，再将算法和激光雷达迁移到人形机器人上，可以帮助人形机器人快速提升避障能力，让它们在各种应用场景中避免受伤或伤到其他人。”
梁俊卫团队展示研究成果——人形机器人遛机器狗。
梁俊卫认为，人类社会发展至今，绝大部分的机械或基础设施都以人为操作者进行设计，因此人形机器人未来的通用性无可匹敌。“以送外卖为例，人形是最具通用性的机器人形态。当然，机器狗也可以送外卖，但狗的投影面积太大，挤电梯时会占用太多空间，让其他人无法站立。机器狗可以做一些辅助，比如帮我们运东西、背东西，毕竟‘四足狗’的负重能力更高。”
统筹编辑：梁倩薇、嵇沈玲
文/广州日报新花城记者：武威
图/广州日报新花城记者：王维宣
视频/广州日报新花城记者：武威
广州日报新花城编辑：张宇
