對話Skild AI創始研究員：26歲的他想用全具身大腦重新定義機器人

屏幕里，一把電鋸正切向機器人的腿。

這段乍看之下像是科幻驚悚片的畫面，實則是 Skild AI 今年發布的一段核心技術測試。但令人驚訝的不只是暴力的破壞場景，而是接下來的反轉：那只失去了腿的四足機器人，僅僅在原地踉蹌了幾下，便重新找回平衡，穩步前行。它從未在訓練數據中見過“半截腿”的形態，卻展現出了近乎生物本能的適應力。

（來源：X）

這段視頻在社交媒體上激起了不小的水花，也將這家成立不到兩年的公司推向了聚光燈下。

2024 年 7 月，Skild AI 以 15 億美元估值完成 3 億美元 A 輪融資，投資方名單堪稱硅谷“頂配”：杰夫·貝索斯、軟銀、Lightspeed 和紅杉資本悉數在列。不到一年后的 2025 年 6 月，公司又完成由軟銀領投的 B 輪融資，估值飆升至約 45 億美元，英偉達和三星等科技巨頭也參與了這輪投資。

Skild AI 的創始團隊主張：真正的 AGI 必須扎根于物理世界。

在匹茲堡東區的一棟辦公樓里，機器人正在爬樓梯、跳躍間隙、精確抓取 AirPods 裝進充電盒。控制這些形態各異機器人的，是同一個“大腦”——Skild Brain。這是一個號稱能跨越任何硬件形態、執行任何物理任務的基礎模型。Skild AI 聲稱其訓練數據規模是競爭對手的 1,000 倍以上，而支撐這一切的核心技術路徑，正是大規模仿真訓練。

而在這支由卡內基梅隆大學（CMU）資深教授領銜的團隊中，有一位年僅 26 歲的創始研究員格外突出。當 Skild AI 于 2024 年 7 月走出隱身模式時，Ananye Agarwal 在社交媒體上寫道：“我們換了三次辦公室，人員和機器人數量增長了 10 倍，在不到一年的時間里成為了獨角獸。”

從高中物理奧賽金牌得主，到讓機器狗在極限地形上“跑酷”的博士生，Ananye 的研究直接催生了 Skild AI 的核心技術。2025 年，他因在機器人和 AI 領域的突出貢獻入選《麻省理工科技評論》“35 歲以下科技創新 35 人”亞太區（TR35 Asia Pacific）榜單。

美東時間凌晨 12 點半，在這位年輕研究者即將結束一天工作時，他在線上接受了我們的采訪，向我們講述了一個關于物理世界、機器人大腦和 AGI 的故事。

從物理金牌到機器人學

DeepTech：Ananye，非常高興你能來參加我們的 "Deeptalk" 播客。你今年 26 歲就入選了亞太區 TR35，這真的很了不起。能簡單介紹一下自己嗎？

Ananye：非常感謝邀請。我很榮幸能入選，能和這些優秀人才在一起非常棒。我現在是 Skild AI 的創始研究員，從公司成立之初就在這里工作，差不多兩年了。在這之前，我在卡耐基梅隆大學攻讀博士，主要研究如何利用模擬數據來訓練機器人。

機器人領域的一個大問題是，不像大型語言模型有海量現成數據，機器人必須自己想辦法創建訓練數據。我的很多研究都圍繞著如何利用模擬數據來訓練機器人，使其在各種環境中都能保持魯棒性。這也是我在 Skild AI 所做的工作——將其規模化并部署到不同客戶環境中。

DeepTech：你當初選擇 AI 或計算機科學作為專業時，是什么吸引你進入這個領域的？

Ananye：高中時我對數學很感興趣，但數學會變得非常理論化、抽象。后來我轉向物理，因為物理幾乎就是應用數學。高中時我做了很多物理研究，甚至入選了國際物理奧林匹克競賽的印度隊并獲得金牌。但大學物理和高中物理很不同，有很多量子力學內容，又變得非常抽象。

所以我想做其他類型的應用數學。當時看來，最好的方式就是計算機科學，因為它既有大量數學知識，又非常實用——你可以寫程序，看到它實際運行。這是 2017 到 2018 年的事。

DeepTech：那你當時對 AI 了解多少？

Ananye：不多。2017 年正是 AI 開始起飛的時候，Transformer 論文也在那時問世。但我個人當時沒太關注，更感興趣的是理論計算機科學。我的大二、大三都在研究布爾電路、算術電路這些非常理論化的東西。

但我從小讀了很多艾薩克·阿西莫夫的科幻小說，比如《基地系列》、《機器人系列》。他提出的“機器人三定律”特別有意思。大約在 2018 年，我看到 AI 開始騰飛，語言模型、圖像分類、圖像生成都很有趣。你輸入數據，機器能生成一些你沒有編程讓它做的事情——這是一種“涌現行為”，感覺像某種智能正在形成。

我的 MSR（微軟研究院）導師們也鼓勵我嘗試機器學習。所以在大四，也就是 20、21 歲時，我完全轉向了機器學習。

從 IIT 到 CMU 的選擇

DeepTech：你畢業于 IIT Delhi，對嗎？你獲得了國際物理奧林匹克金牌，為什么選擇留在印度讀本科，而不是去其他國家？

Ananye：我當時收到了麻省理工學院的錄取通知，可以去 MIT。但我意識到我已經在 IIT 待了一年，這里顯然是個很棒的地方。而且四年后，我多半還是會想出國。IIT 以培養杰出人才而聞名，在全球擁有非常強大的校友網絡。所以我想，也許留在印度是個好主意，可以從不同國家獲得不同視角。之后再出國，仍會有類似機會。

DeepTech：你在本科做了神經符號 AI 和極端分類的研究。這些話題相當多樣化，你做出這些改變的心態是什么？

Ananye：神經符號 AI 和極端分類都是在 2021 年轉向機器學習時開始的。我對神經符號 AI 很感興趣，因為當時的想法是，神經網絡不擅長學習高度結構化的算法，比如 Dijkstra 算法。那么，能否將神經網絡與硬編碼算法結合，創造出更好的東西？我當時認為這種技術可能引領下一代神經網絡。但后來它不再流行了，因為很難以無縫方式結合。

至于極端分類，我想做一些非常應用性的工作。我和 MSR 的 Monic 一起工作。極端分類是一個很有趣的轉變：假設你有 100 萬種產品推薦給用戶，你把它們視為 100 萬個標簽，這就像一個有 100 萬個類別的分類問題。這類算法會在必應上每隔六個月部署一次，能看到收入因此增加。我也想體驗這種有實際產出的感覺。

DeepTech：你當初是如何選擇學術導師和實習公司的？

Ananye：對于實習，我沒有過多考慮研究主題，主要關注能和哪些人一起工作。我在 MSR 實習時，和一些非常優秀的研究員一起工作，其中一位參與了 AKS 素數測試，證明了可以在多項式時間內檢查一個數是否為素數。Monic 也是一位很有趣的人，他有計算機視覺博士學位，后來轉向推薦算法，在兩個領域都非常成功。

后來在選擇博士導師時，Monic 也給了我很大幫助。他推薦了一些優秀的人，讓我與他的學生取得聯系。從你的話中可以看出，人脈關系非常重要——與聰明人建立聯系，因為與他們一起工作讓我感到愉快。

博士階段：讓機器狗“看見”世界

DeepTech：現在我們來談談 Skild AI。是什么讓你加入這家公司？

Ananye：本科畢業后，我真的很想做強化學習。當時的問題是，所有工作都只在模擬環境中，比如讓蜘蛛機器人或獵豹機器人在模擬中爬行或行走。我感覺那非常無聊。我想應用強化學習到真實的東西上，很自然的想法就是應用到機器人技術。

所以我申請了 CMU 并成功入學。我的現任導師 Deepak 當時做了一個演講，非常酷。他談到強化學習和適應性，展示了一只小型、低成本的機器狗，可以在任何地方行走——泥地里、崎嶇地形、油膩地面，你推它，它都能適應。這一切都是通過強化學習實現的。我覺得太神奇了，于是聯系了 Deepak，他成了我的導師。

我們一起工作了三年，做了很多很棒的研究。之后我覺得時機已經成熟，我們應該把它做成初創公司。我加入 Skild AI，因為這是一個很好的機會，可以將博士期間的所有工作進行規模化，而且我能從一開始就處于核心位置。

DeepTech：你和 Deepak 具體做了些什么？

Ananye：我博士的第一篇論文就是關于這種機器狗的。之前它雖然能在很多地方工作，但是“盲的”，看不見前方。想象一下，如果前面出現樓梯，它就會卡住。所以我的工作就是給它增加視覺。

這非常具有挑戰性。一個“盲”機器人只有 12 個關節角度作為輸入，但圖像是高維的，有成千上萬的像素。為了做到這一點，我們基本上需要完全重寫整個系統，換用全新技術棧，并將訓練規模擴大十倍。

完成之后，我們得到了這個機器人，它真的可以在任何地方工作。你把它放在樓梯前，它會爬上去；放在溝壑前，它會跨過去；放在踏腳石前，它也會走過去。

這在當時是非常驚人的成果，因為我們只用了一個安裝在機器人上的單深度攝像頭，非常便宜，只需 300 美元。而在此之前，如果你想讓波士頓動力的機器人做到這一點，他們需要非常昂貴的硬件，比如激光雷達，還需要工程師編寫并調整地圖軟件，需要大量時間和資金。但我們只是一個小團隊，兩個人，就建立起了這個非常魯棒的系統。

這篇論文獲得了最佳論文獎。更有趣的是，波士頓動力的創始人 Marc Raibert 真的來到 CMU，我們向他展示了這個系統，他非常驚訝，拍了照片和視頻說要拿給他的工程師看。

DeepTech：他當時決定買下你們的研究成果嗎？

Ananye：當時這是一篇研究論文，不是用于出售的。他確實提議了合作，但后來沒有實現。不過最終發生的是，波士頓動力過去只做經典控制，但現在他們已經轉向了強化學習。

DeepTech：你們只使用了一個非常便宜的傳感器，那它有什么特定的角度嗎？

Ananye：我們用的是機器人自帶的攝像頭，直視前方。制造商裝它時可能沒多想。但我們發現這個攝像頭很有用，雖然非常具有挑戰性——如果攝像頭在你面前，它看不到你的腳下，更看不到后腳下。

所以機器人上運行的模型需要建立某種對過去所見事物的記憶。我們訓練了一個有記憶的循環網絡，不是前饋網絡。當你用大規模模擬數據訓練它時，模型學會了記住半秒或兩秒前看到的東西，而不需要在當下立刻看到它。

DeepTech：它是如何通過模擬來工作的？

Ananye：通過強化學習訓練。你在模擬中生成數千個機器人，讓它們執行隨機動作。你設置一個獎勵函數，明確你想要什么行為。在這種情況下，我們想要機器人不摔倒，服從指令，并盡量減少能量消耗。

僅僅通過這三個簡單的獎勵函數，機器人就能學會非常有用的行為。一開始它總是摔倒，但隨后會開始穩定自己，開始向前移動，學會以指定速度移動。隨著訓練時間增加，它會學會爬樓梯、跳過溝壑、爬過踏腳石。你用大量 GPU 訓練，可以在短短一天內模擬大約 6 年的時間。

DeepTech：但模擬世界和真實世界之間存在差距。你們如何克服這個困難？

Ananye：如果只是天真地進行模擬訓練然后遷移，是行不通的。我們的解決方案是進行“模擬隨機化”。我們在仿真中并不是訓練一個環境，而是訓練成千上萬個“平行宇宙”。每個模擬都是輕微擾動的版本。你會隨機化物理參數（比如摩擦力）、機器人參數（比如剛度、阻尼、重量）、攝像頭參數（比如位置、延遲）。

但光有隨機化還不夠，否則機器人會因為環境太混亂而無所適從。所以還需要訓練“自適應”的策略，它們能觀察與環境互動的歷史。例如，如果摩擦力很高，機器人的腿可能會卡在地面上，策略應該意識到并改變動作。

當你將機器人轉移到現實世界時，現實世界就處在策略所見過的隨機化集合中，策略能夠適應它。傳統做法是“系統辨識”，工程師坐在機器人上弄清楚電機工作原理，然后在模擬中輸入參數，編寫針對特定電機的控制器。但問題是，你需要非常昂貴的電機，需要可靠、可重復的系統，需要花費大量時間調整模擬器。

而我們這種策略是具有“自適應性”的。如果出了問題，它們仍然可以適應并繼續工作。

從移動到操作：SPIN 和跑酷

DeepTech：這是你跟 Deepak 合作的第一個成果。之后你還做了什么？

Ananye： 是的，這是關于移動（locomotion）的。但這種技術可以應用到許多其他領域。例如，我將它應用到“移動操作”（mobile manipulation）上。我們有一個名為“Stretch”的機器人，有帶輪子的底座，上面有可以移動的“脖子”。有趣的是，這個機器人的攝像頭可以移動，你可以控制它看哪里。

我們遇到了一個非常有趣的問題：機器人觀察到的東西取決于你發送給“脖子”電機的動作。我們用這個機器人做的工作是讓它在雜亂空間中導航，去清理桌子或撿起物體。這里有三個同時發生的問題：感知、導航和交互。它們相互關聯，很難分開解決。

我們發表的論文叫“SPIN”，即“同時感知、交互、導航”（Simultaneous Perception, Interaction, Navigation）。我們訓練了一個模型，同時解決所有這些問題。有趣的是，我們解決它的方式非常像“苦澀的教訓”風格——把機器人放在模擬環境中，給它有限視野，用大量 GPU 長時間訓練。結果表明，機器人會自動學會朝正確方向看。

另一個工作是“跑酷”。我們想把機器人推到極限，給它更具挑戰性的障礙物，比如兩倍于身長的溝壑，或兩倍于身高的樓梯。

面對高臺，機器人學會了沖刺、用后腿猛力蹬地、前腿攀住邊緣，再把后腿甩上去的動作。這不是我們編程教它的，完全是它為了滿足“向前走”的獎勵函數而自己創造出的復雜動作。在這個項目期間，我們甚至燒壞了好幾個電機，因為算法真的把硬件性能逼到了極限。

打造開源靈巧手 Leap Hand

Ananye：我還做了另一項稍微不同的工作。那段時間，我對靈巧機械手開始感興趣，就是那種有四根或五根手指的機械手。但市場上所有可用的機械手都非常糟糕。Shadow Hand 售價十萬美元，需要雇工程師維護。還有 Allegro Hand，售價一萬六千美元，但電機不好，如果在遠程操作時撞到東西就會壞掉，得運到韓國去修，需要兩個月時間。

所以，我和我的朋友 Shikhar、Kenny 開始研發一款新機械手，有三根手指，非常便宜，只需一到兩千美元，而且完全開源。我們開源并發表了這款名為“Leap Hand”的機械手，它非常受歡迎。現在幾乎每個學術實驗室都在使用它，因為它的價格只有 16,000 美元的零頭，而且如果有東西壞了，可以用 3D 打印新零件替換。

之后，我們用 Leap Hand 解決了“靈巧功能性抓取”問題。比如桌上有把錘子，如果只關心拿起它，從手柄或頭部都能穩固抓取。但拿起錘子的正確方式是從手柄，因為你想用它敲東西——這就是“功能性”方面。

僅靠模擬無法解決這個問題，因為在模擬中，從手柄或頭部都能提供很好的抓取效果。于是，我們想到了一個辦法：將仿真和互聯網數據結合起來。

我們引入了‘可供性’（Affordance）這個概念。互聯網上成千上萬張圖片告訴我們，人類總是握著錘柄來使用錘子——這就是錘柄的‘可供性’。我們的模型先從這些真實數據中學會判斷物體的功能區域，然后再調用在仿真中練就的精細抓取動作去執行。

最終的效果非常出色：機器人不僅能準確地從手柄拿起錘子，甚至在錘子滑動或被外力干擾時，它也能動態調整，始終以正確的方式牢牢抓住目標。

為大規模并行訓練設計新算法

Ananye：大約在同一時間，我意識到我們在所有這些項目中使用的算法叫 PPO，是 2017 年的算法，是在計算量非常低的情況下設計的。當時可能只能模擬 128 個機器人。而今天我們可以并行模擬數萬個機器人，但仍然使用 PPO。

我意識到這里有很大空間來構建新算法。所以我們開始研究 SAPG (Scaled-up Asynchronous Policy Gradients)。SAPG 的核心思想是，如果你在 10,000 個環境中運行 PPO，最終 PPO 只是讓所有 10,000 個機器人做大致相同的事情，沒有嘗試真正不同的東西，這浪費計算資源。

理想的做法是，如果你有大量機器人可以嘗試，它們應該嘗試非常不同的事情，這樣也許會發現新東西，獲得巨大性能提升。SAPG 運行多個不同的 PPO 實例，它們獨立運行但也相互共享數據。所以如果其中一個發現了有用的東西，它們都可以利用。

我們發現這與 PPO 相比，具有很好的擴展性。比如在一個非常有挑戰性的任務上，有兩個機械臂和一個立方體，目標是將立方體移動到工作空間中的某個期望點。這個任務具有挑戰性，因為你需要找到一整套復雜的動作序列。每個手臂有 22 個自由度，加起來是 44 個自由度。有時立方體靠近一個手臂，但目標點靠近另一個手臂，所以它需要想辦法把立方體扔出去，讓另一個手臂接住并移動到目標點。

我們發現 SAPG 這類算法比 PPO 做得好得多。PPO 甚至無法在這個任務上取得任何進展。

DeepTech：這讓我想起了莫拉維克悖論——對人類簡單的任務，對機器人卻很難。

Ananye：確實如此。一旦開始做這些事情，在模擬中訓練它們需要大量計算資源。而對我們人類來說，這簡直是小菜一碟。你看到物體，扔過去，即使是年幼的嬰兒都能做到。

構建“全具身大腦”

DeepTech：我們知道 Skild AI 正在努力構建通用型機器人大腦。能詳細說明一下嗎？

Ananye：通用型機器人大腦是一種不同的方法。傳統方法通常是：假設你想制造清潔地板的機器人或吸塵器，你會為此特定問題構建特定的軟硬件堆棧。你制造一個會走路的小機器人，構建 SLAM 系統，然后構建算法來導航、覆蓋所有區域等。這是專門針對該機器人的非常特定的堆棧。

現在，假設你有不同應用，你可能成立另一家公司，從零開始構建另一個堆棧，需要人類編程完成所有工作。如果你有大量不同任務，這種方法就很難擴展。

通用型機器人大腦是我們的目標。我們想構建的是單一模型，它可以從各種跨機器人數據中學習。由于是單一模型，它可以共享所有這些不同任務的信息。如果有人制造了吸塵器機器人，有人制造了購買雜貨的機器人，有人制造了清洗碗碟的機器人，所有這些問題都有某種共同結構和知識。

如果你訓練單一模型，Skild Brain 就可以利用所有這些不同任務的共享結構。我們希望，如果用足夠多的多樣化任務數據進行訓練，就能得到“具身通用人工智能”（Physical AGI），它是一個單一大腦，可以零樣本完成各種任務，控制各種機器人。它就像一個真正理解物理世界的大腦。

DeepTech：Skild Brain 現在能做些什么？

Ananye：我們已經訓練了許多不同技能。它具有非常好的運動能力，可以在任何地方導航和移動，可以像人形機器人一樣移動，也可以像任何四足機器人一樣。它具有很強的適應性——假設你的機器人失去了一個馬達，或它的腿被砍斷了，它仍然具有導航能力。

它可以在大空間中導航，可以構建周圍世界的地圖，導航到不同地點。它具有非常靈活的避障能力，如果你跳到機器人前面，它會迅速避開。它還具有非常精確的操作能力。例如工廠里的任務，比如將 AirPods 放入保護套中——有人會日以繼夜地重復做這個任務。我們的 Skild Brain 可以完成，而且這是非常精細的操作：拿起保護套，打開它，拿起 AirPods，放入保護套。

DeepTech：你說它可以用于人形機器人和四足機器人。你們需要收集特定類型機器人的數據才能將其納入模擬世界嗎？

Ananye：我們不是將特定機器人放入模擬中。例如，如果你使用宇樹（Unitree）的機器人，我們不會將宇樹放入模擬。相反，我們生成了大量隨機機器人，不是真實的，只是在模擬中隨機生成的，比如隨機化腿的長度、寬度。

因為這與我前面提到的想法一樣，我們的“大腦”已經學會了適應所有這些不同類型的機器人。所以當你看到一個真實的機器人，比如宇樹，即使它以前從未見過這個特定機器人，它仍然能夠穩定地適應并良好工作。

DeepTech：這聽起來有點像人類。你為什么認為機器人的這種大腦是可能實現的？

Ananye：有很多原因。從根本上說，所有機器人都要遵循相同的物理定律，它們都必須遵循牛頓三定律。如果一個模型真正理解了物理定律，原則上它應該能夠控制任何類型的機器人。所以理論上應該可行。

第二點是，我們在自然界中有很多非常強有力的存在性證明，比如動物。有些動物一出生就能學會走路。在短短幾分鐘內，動物即使失去肢體，例如失去一條腿，也能適應并用三條腿走路。

更普遍地說，即使在人腦中，我們也看到了非常強大的適應性。例如，有一種叫“大腦半球切除術”的手術，如果有人癲癇發作，有時需要切除大腦的一個半球。然后你看到的是，像那些失去的部分，比如本來負責聽覺的大腦區域丟失了，另一個半球就會出現新區域來負責聽覺。

所以你看到人腦和動物身上發生的這種極端適應性，這似乎有很強的存在性證明。在 Skild AI，我們也取得了一些非常有希望的早期成果。我們有一篇名為 "Localformer" 的論文，也被提名為 Best Paper。你們肯定看過我們用電鋸鋸機器人腿的視頻，那在 Twitter 上很火。

但我們發現的本質是，我們可以構建一個跨越不同“具身”的單一“大腦”。這個大腦也具有很強的適應性。即使你砍掉機器人的腿，即使它在模擬中從未見過被砍掉腿的機器人，它仍然能夠適應。

另一個非常有趣的結果是，你可以禁用機器人的其中一條腿，它變成三條腿的機器人。同樣，我們在模擬中從未見過三條腿的機器人，我們只模擬四條腿或兩條腿，但它仍然能夠適應并工作得很好。

這些結果對我們來說非常令人驚訝。即使我們訓練了模型，也沒想到它能運作得這么好。我們看到了這種“涌現適應性”的強大早期跡象。所以我認為構建這種能跨越不同“具身”的大腦是可能的。我們稱之為“全具身大腦（omnibodied brain）。

數據來源：模擬、視頻與遠程操作

DeepTech：你提到你們通過模擬工具創建了大量數據。那么這些工具是你們自己制作的，還是使用了像 NVIDIA 這樣的其他平臺？

Ananye：我們使用了一些不同的物理模擬器，但我們有自己的工具集在其之上。物理正向動力學部分我們會使用各種不同模擬器，但其他機器人特有的東西，比如如何從這些數據中訓練、使用什么樣的模型、什么樣的算法，我們有很多專有的軟件和基礎設施。

DeepTech：你認為模擬訓練會存在瓶頸嗎？因為很多公司正試圖建立“數采工廠”，他們使用真人遠程控制來獲取數據。

Ananye：我認為最大的瓶頸在于，很難模擬非常豐富的“語義”。在現實世界中有很多多樣性，每間廚房看起來都不同，每個客廳、每條道路都不同。此外還有很多語義信息，比如錘子應該從手柄抓取，嬰兒知道這一點因為它看到過爸爸媽媽是這樣抓的。所有這些語義信息也很難模擬。

所以模擬數據的局限性在于，你無法模擬所有這種多樣性和語義信息。但模擬數據真正擅長的是：為你提供非常好的數據，用于閉環高頻控制。比如我們人類擁有的反射動作——當我們抓住東西時，如果它快掉了，我們會立即調整并重新抓穩。如果我們走路時有人推我們，可以很快調整過來。這些事情很難通過口頭指令來獲得，每個人都是通過模擬來訓練走路的。

DeepTech：Skild AI 是如何解決這個瓶頸的？

Ananye：我們不只關注模擬。我們還有其他數據來源。一個很大的幫助是“視頻”。視頻很容易收集，你可以從 YouTube 上獲取，或給某人裝上攝像頭。它的可擴展性很高，收集成本非常低。

視頻非常好，因為它能提供模擬所不具備的信息，即“語義”和“多樣性”。例如，你可以給建筑工人裝上攝像頭，你會看到他們如何使用不同種類的工具。你可以清楚看到他們如何抓取電鉆。這將幫助機器人知道：“哦，這是一個新電鉆，但我見過建筑工人像這樣使用它，所以我應該嘗試這樣抓取。”

但視頻數據不包含任何力量信息，所以僅靠視頻是不夠的。一個很好的例子是網球：想象你是費德勒的鐵桿粉絲，你上 YouTube 看費德勒的所有視頻。你可能會在網球策略上變得很厲害，知道“如果對方在這個位置給我一球，我應該斜線回球或直線回球”。但如果有人給你一個球拍，告訴你現在像費德勒那樣發球，你做不到。你甚至可能連球都打不到，因為視頻不包含任何力量信息。所以你需要親身實踐和練習，模擬允許你進行這種練習。

但隨后你可以將兩者結合。一旦你擁有了很好的正手擊球，你觀看的視頻就會幫助你，因為你現在對網球策略有了很好理解。這里的想法和模擬是一樣的。你可以在模擬中學到像抓取這樣的技能，然后觀看大量視頻，知道“哦，這個電鉆應該像這樣被抓取”，然后你就可以利用在模擬中學到的抓取技能，快速、準確、可靠地完成任務。

Ananye：目前使用視頻的一個很好方法是使用“以自我為中心”的視頻——將攝像頭安裝在人類身上，從人類視角錄制。然后你可以看到人類的雙手，現在有很好的模型可以計算出手的位置。這基本上為你提供了人類在做什么、手在哪里抓取物體的信息。

但這顯然存在一些問題，比如如果手就在你臉前，手指可能被遮擋，你就無法確定手指位置。所以目前的方法是不僅使用人類視頻，還使用一些“遠程操作數據”。你會有一個人來精確告訴你如何操作機器人。這是最高質量的數據。

DeepTech：在美國，機器人公司有兩種發展路徑。一種像 Skild AI，使用模擬方式訓練機器人。還有其他公司，他們使用真實數據，比如遠程控制數據來訓練機器人。你對此有什么看法？

Ananye：我的觀點是：幾乎不可能大規模擴展遠程控制數據。想一想，將機器人帶到新家并遠程操作需要做什么。首先，我需要弄清楚如何運輸機器人。然后，我需要說服房主：“請讓我把這臺大機器放在你家里。”然后，我需要確保機器人不會出故障，需要確保網絡連接良好、延遲低，所有這些不同挑戰。

但如果你只是想獲取人類視頻，就很容易了，“你可以戴上這個攝像頭，我們會付錢給你。”它具有無限可擴展性。人類視頻比遠程操作數據更具可擴展性。

所以我們的觀點是，僅僅依賴遠程操作不是成功策略，因為人類視頻中包含了一些非常有用的信號。你絕對應該使用人類視頻，并盡可能擴大其規模。而遠程操作數據就像“櫻桃頂”（錦上添花）。就像語言模型中的 SFT 微調數據集一樣，它與預訓練數據集的規模相比非常小。預訓練不能依賴遠程遙操作，因為它難以擴展。它必須來自視頻，然后遠程操作數據只是錦上添花。

安全與應用場景

DeepTech：你們如何處理“安全問題”？

Ananye：最大的問題在于，經典機器人學界的人非常喜歡談論深度學習沒有“保證”。如果你是經典機器人學家，有些人會試圖通過數學證明“哦，我的系統不會做任何不安全的事情”。但對于深度學習來說，沒有這樣的保證。

那么如何構建安全呢？我們觀察到一個有趣趨勢，這在語言模型中也可以看到：隨著你不斷擴大數據規模，不斷訓練模型，不斷收集越來越多高質量數據，失敗開始變得不那么頻繁，而且失敗也變得更容易解釋。

比如 ChatGPT，兩年前你需要對它進行大量幫助，但現在他們收集了更好的監督微調數據集，它不再那么容易產生幻覺，也不太可能胡言亂語。我認為在機器人學領域也會發生類似事情。隨著你不斷擴大數據規模，不斷向模型提供更多數據，失敗會變得越來越少，模型會變得越來越安全。

最終，構建安全的方式是通過建立“信任”。人類也是如此。假設你雇傭了一個新員工，你不會保證他們是安全的，不會向你的服務器推送糟糕的代碼。但你建立信任的方式是先給他們小任務，然后慢慢地、逐漸地給他們更大更重要的任務。機器人也將如此。你會從簡單任務開始，慢慢地測試它們，并逐步擴大你賦予機器人的責任范圍。

這在自動駕駛汽車上也得到了體現。例如，Waymo 先在幾個城市推出，現在正在擴張。特斯拉仍然有安全駕駛員，但也在努力擴張。機器人也會是這樣。

DeepTech：你認為機器人應用的良好切入點或應用場景是什么？

Ananye：我認為最好的切入點是那些無法用經典機器人技術自動化的“裝配線任務”。今天有很多裝配線機器人，比如你在汽車裝配線上看到的那些，它們進行焊接或噴漆。但它們非常有限，因為這是用經典機器人實現的。有人精確地編碼了機器人：“去這個精確坐標點，焊接半秒，然后移動到那個坐標點。”這只適用于產品完全相同、公差非常小的情況。

但還有很多其他任務，它們的公差沒那么嚴格。所以即使任務本身非常重復, 也需要人來完成。比如 iPhone 的組裝，富士康的 iPhone 組裝就是如此。所有工作都是由人完成的，即使所有 iPhone 都是一樣的，但它們之間存在微小差異。機器無法真正做到這一點，所以需要人來做。

但有了 AI，AI 可以適應這些微小差異。所以希望它能夠自動化所有這些今天人類 24 小時都在做的重復性工作。我認為工廠是機器人最先應該去的地方。好處是通用化問題更容易解決，你沒有那么多多樣性。而且你還能非常快速地創造價值。

未來展望：后稀缺世界

DeepTech：如果 Skild Brain 最終成功了，它將對世界產生什么樣的影響？

Ananye：成功的標志是，你將擁有一個可以放入任何機器的單一模型。而且那臺機器應該能夠完成你可能想要的任何物理任務。今天，AI 擅長編寫代碼或創作藝術。

但即使現在，每天仍有數十億人在進行繁重的體力勞動，人類整體的生產力受到人力勞動的制約。例如，如果人們想要更多的食物、衣服，或任何其他商品，這一切都受到人力勞動的制約，因為我們沒有足夠的熟練勞動力。

但在一個擁有這種基礎模型的世界里，這個瓶頸將不復存在。你基本上只需要投入原材料。比如你想制造新芯片，你只需要弄清楚從哪里獲取硅，然后所有體力勞動都由機器人大腦完成，你就能得到成品。這才是真正能讓你進入那種“后稀缺世界”的方式，你不再受制于物質需求。

DeepTech：那么，機器人取代人類，人們心中會產生一種焦慮。你認為這是一個問題嗎？

Ananye：我不認為這是問題，因為回顧過去，工業革命時期人們也很擔心，“所有工作都會消失，人們會失業”。但最終發生的是，工業革命中被機器取代的工作，又創造了許多其他比以前好得多的工作。所以現在你可以從事營銷或咨詢等各種工作，這些工作如果沒有工業革命創造的財富和效率，是不可能存在的。

有趣的是，在艾薩克·阿西莫夫的小說中，所有機器人就應該為你完成所有體力任務。那么問題是，人類做什么呢？人類會做的事情就是創造藝術、體育運動、寫詩等等。我認為隨著社會變得越來越富裕，人們不再受到限制，不再擔心食物、衣服或住所，越來越多的人會開始從事藝術、音樂、詩歌等活動。我認為這才是人類應該花費時間做的事情，而不是擔心那些沒有人真正喜歡的繁重體力勞動。

DeepTech：你認為離 Skild Brain 的終極模型還有多遠？

Ananye：終極模型？我認為至少還需要 10 年。這似乎是一個非常具有挑戰性的問題。它不僅僅是解決機器人技術問題，而是真正解決 AGI（通用人工智能）。如果你想想，很多 AI 公司都在談論要構建 AGI，但他們所做的都是軟件領域的工作，所有東西都存在于服務器上。

但我們真正關心的大部分問題，如果你想解決物理世界中的問題，比如氣候變化或太空探索，都需要對物理世界有了解。所以你真的需要構建這種能與現實世界互動的大腦。我認為通過機器人技術是實現這一目標的一種方式。

給年輕人的建議

DeepTech：假設終極夢想會在 10 年內實現。如果讓你給那些現在仍在讀高中的年輕人一些建議，你會說什么？他們應該如何準備？

Ananye：要構建這個“大腦”或 AGI，我們還沒有掌握所有“配方”。我們缺少一些關鍵部分，需要更多突破才能實現目標。因此，我們需要真正聰明的人提出新想法。要做到這一點，就是對世界保持好奇心，質疑一切。

在高中，人們通常通過教科書學習，他們會說：“哦，這是某人寫的，你只需要記住它，這是對的。”但你應該真正批判性地思考，并質疑一切。比如，如果有人教你牛頓運動定律是這樣那樣的，為什么會是這樣？我能從第一性原理推導出它們嗎？而不是簡單地接受別人告訴你的東西。

因為今天我們認為理所當然的很多事情，也許十年后會被證明是錯誤的。那些質疑這些假設的人，才是會帶來突破的人。一個很好的例子是深度學習。二十年前，人們認為深度學習根本不酷，會永遠行不通。每個人都有理由解釋為什么行不通。但后來 Geoffrey Hinton 和 Ilya 等人嘗試將其規模化，結果成功了。這引發了深度學習革命。

所以你需要有這種思維方式：質疑他人在做什么，傾聽自己的直覺，但要有所論證，而不是盲目聽從，也不能盲目跟隨他人腳步。

DeepTech：這種批判性思維是你從榜樣或父母那里學來的嗎？

Ananye：我認為很多是在博士階段學到的。我以前也有一些，但大部分是從我的導師 Deepak 那里學到的。他總是告訴我：“你應該喜歡某些東西。”我記得我當時還是個年輕學生，對深度學習基本一無所知。他說：“我們應該做這個項目。”我說：“你看，已經有五篇其他論文嘗試過這個，但都沒有成功。所以這可能行不通。”

他會告訴我：“不，你不應該那樣想。如果別人沒成功，不代表它行不通。你仍然應該去嘗試，除非你有強烈理由相信它行不通。”他是對的。如果你真的去嘗試，并從第一性原理去論證，你通常可以做得比別人更好。

這也是我們第一個項目，就是那個能結合感知、適當避障并在任何地方行走的機器人。之前也有其他論文嘗試過，但結果都沒有我們做得好。

DeepTech：我們聊了很多問題。如果你要用一句話來概括你所有工作的最終目標和使命，你會怎么說？

Ananye：最終目標是建立真正的 AGI，即能夠解決人類所有問題的通用人工智能。

DeepTech：太棒了。我們非常期待那一天的到來。也許十年，也許五年，誰知道呢？