一、机器人起源

1.1 人类对人造生命的追求

希腊神话中，赫菲斯托斯（Hephaestus）——希腊神话中的火神与工匠之神，用黄金打造了能够帮助他锻造金属的机械女仆。中国东汉科学家张衡发明的"木牛流马"被认为是最早的"自动机械"之一。

    1738年，法国发明家雅克·德·沃康松（Jacques de Vaucanson）制作了一只能够活动翅膀、吃东西、排泄的"机械鸭"，随后，瑞士的制表大师们更是制作出能够写字、绘画、弹奏乐器的"自动人偶"，这些装置被收藏在欧洲各大宫廷中，成为当时科技与艺术完美结合的象征。

1.2 "Robot"一词的诞生

        1920年，捷克作家卡雷尔·恰佩克（Karel Čapek）在他的科幻剧作《罗梭的万能工人》（Rossum's Universal Robots，简称R.U.R.）中，首次创造了"Robot"这个词。

 

1920年首演的《罗梭的万能工人》海报，卡雷尔·恰佩克创造了"Robot"一词

       在捷克语中，"robota"意为"强制劳动"或"苦工"，恰佩克用它来描述一种能够不知疲倦地为人类工作的"人造工人"。这部戏剧讲述了一个人造机器人反叛并消灭人类的故事，是最早对人工智能可能带来的风险进行深刻思考的文艺作品之一Robot"一词

      "robotics"（机器人学）这个学科名称，则是由科幻大师艾萨克·阿西莫夫（Isaac Asimov）在1942年首次提出。

二、发展阶段

2.1 三次浪潮

1.第一代示教再现型机器人（1960s-1970s）

1961年，美国通用汽车公司在其新泽西工厂中，安装了世界上第一台工业机器人——尤尼梅特（Unimate）。由工程师约瑟夫·恩格尔伯格（Joseph Engelberger）发明，重达两吨，靠液压驱动，能够精确地完成焊接操作。尤尼梅特的诞生，标志着机器人正式进入工业生产领域。

1961年安装在通用汽车工厂的世界上第一台工业机器人尤尼梅特

这一代机器人的核心特征是"示教再现"——工人需要先手动操作机器人完成一遍任务，机器人会记住整个动作轨迹，然后可以无限次地重复执行。这种方式虽然开启了工业自动化的序幕，但缺点也很明显：无法应对复杂多变的环境，一旦产品型号变化，就需要重新示教。

2.第二代：感知型机器人（1980s-1990s）

1980年代，随着传感器技术的进步，机器人开始拥有"感知"世界的能力。这一代机器人配备了力觉传感器、触觉传感器甚至视觉传感器，能够根据环境变化调整自己的行为。

日本在这个时期成为全球最大的工业机器人生产国。发那科（Fanuc）、安川（Yaskawa）、松下（松下）等日本企业迅速崛起，成为工业机器人领域的巨头。1980年，也因此被业界称为"机器人元年"。

3.第三代：智能机器人（2000s-至今）

进入21世纪，人工智能技术的突破让机器人真正变得"智能"起来。2000年，日本本田公司展示了能够像人类一样行走、跑步、上下楼梯的阿西莫（ASIMO）机器人，这是世界上最早具备双足运动能力的人形机器人之一。2013年，波士顿动力公司（Boston Dynamics）的Atlas双足机器人首次公开亮相，它能够完成跳跃、翻滚、后空翻等高难度动作，刷新了人们对机器人运动能力的认知。

智元机器人（AGIBOT）于2023年由华为前高管创立，专注于通用人形机器人的研发。智元机器人致力于打造具有高度智能化的人形机器人平台，应用于工业制造、商业服务和家庭场景。

逐际动力（LimX Dynamics）是中国领先的足式机器人公司，在双足和多足机器人领域拥有深厚的技术积累。逐际动力发布的P系列双足机器人具备稳定的行走和奔跑能力，在复杂地形适应方面表现突出。

2.2国产机器人与Atlas的对比：

维度	波士顿动力Atlas	中国人形机器人
驱动方式	液压驱动	电机驱动
运动能力	跑酷、后空翻	行走、奔跑
成本	百万级	十万级
应用场景	研究为主	商业化探索
产业链	美国	中国制造

总体来看，中国人形机器人在商业化落地和成本控制方面具有优势。

三、行业应用背景

工业制造——汽车行业的革命性变革

物流仓储——电商时代的幕后英雄

医疗健康——生命的守护者

四、机器人技术发展趋势

                        未来已来——这些趋势正在重塑机器人产业

具身智能全景图

                                                大语言模型（Large Language Model，简称LLM）

五、各种模型和方法在机器人中的应用

1.谷歌于2023年发布的PaLM-E模型是这一领域的里程碑式工作。该模型将PaLM大语言模型与机器人视觉感知系统相融合，能够直接理解"把抽屉里的芯片拿出来放到盒子里"这样的复杂指令，并自主规划完整的动作序列来完成指令（Dadkhahi et al., 2023）。PaLM-E展示了LLM在机器人任务规划中的巨大潜力。

2.SayCan（Ahn et al., 2022）则采用了一种更实用的方法，将LLM作为"大脑"与可学习的技能库相结合。LLM负责理解任务并选择合适的技能，而每个技能则由强化学习训练的子策略执行。这种模块化架构既保留了语言理解的灵活性，又保证了动作执行的可靠性。

3.Code as Policies（Liang et al., 2023）更进一步，提出用代码作为机器人的通用表示形式。LLM可以直接生成Python代码来控制机器人，这些代码能够调用感知API、执行器控制函数，甚至包含反馈循环来实现复杂行为。

4.PaLM-E模型理解自然语言指令并控制机器人执行任务

5.视觉语言模型（Vision-Language Model，简称VLM）则让机器人拥有了"眼睛"。VLM能够同时理解图像和文本信息，实现跨模态的推理和理解，这在机器人感知环境中发挥着至关重要的作用。

6.RT-2（Robotics Transformer 2）是DeepMind在2023年发布的重要工作，它是第一个能够直接从互联网规模的视觉-语言数据中学习泛化能力的机器人操作模型（Brohan et al., 2023）。RT-2将视觉输入和语言指令同时编码，通过Transformer架构直接输出机器人动作。

7.OK-Robot（Liu et al., 2024）专注于开放词汇物体抓取任务。该工作提出了一个简洁而有效的框架，能够在从未见过的环境中抓取任意物体。

8.Manipulate Anything（Song et al., 2024）则探索了在没有人类演示的情况下，如何让机器人通过视觉语言模型泛化操作技能。

9.视觉语言动作模型（Vision-Language-Action Model，简称VLA）是具身智能领域最前沿的研究方向之一。与VLM不同，VLA直接建立从视觉观察到动作输出的映射，实现端到端的学习和推理。

10.在RT-1的基础上，RT-2进一步引入了互联网规模的视觉语言预训练，使得模型具备了推理和泛化的能力（Brohan et al., 2023）。RT-2能够执行"把零食放到最近的人手里"这样的语义推理任务，展现了VLA在理解抽象概念方面的潜力。

VLA的核心优势在于其"端到端"特性：从感知到决策再到执行，整个过程在一个统一的神经网络中完成。这不仅简化了系统架构，更重要的是实现了全局优化。

11.强化学习在机器人控制中的应用

强化学习（Reinforcement Learning，简称RL）是让机器人通过与环境交互、自我试错来学习最优策略的方法。与传统的基于规则的编程不同，强化学习能够让机器人在未知环境中自主发现有效的行为模式。

2013年，DeepMind展示了Deep Q-Network（DQN）能够学习玩Atari游戏（Mnih et al., 2013），这一突破证明了深度强化学习在处理高维感知输入方面的潜力。

深度确定性策略梯度（DDPG）（Lillicrap et al., 2016）及其后续改进算法（如TD3、SAC）成为机器人运动控制的主流方法。

强化学习的核心挑战在于样本效率——机器人需要在真实环境中进行大量试错才能学到有效策略。为了解决这一问题，研究者们发展出了模拟到真实（Sim-to-Real）迁移技术。

12.模仿学习在机器人技能习得中的应用

模仿学习（Imitation Learning）是让机器人从人类演示中学习技能的方法。与强化学习相比，模仿学习更加直观——人类直接展示如何完成任务，机器人通过观察学习执行相同的行为。

行为克隆（Behavior Clone，BC）是最基础的模仿学习方法。机器人直接监督学习的方式，从演示数据中学习从状态到动作的映射。

为了解决分布偏移问题，DAgger（Ross et al., 2011）提出了迭代式的训练方法。该方法让机器人在执行过程中不断收集人类纠正数据，然后用这些数据重新训练策略。

斯坦福大学的ALOHA（Zhao et al., 2024）框架则将模仿学习推向了新的高度。ALOHA使用低成本的可穿戴设备记录人类操作的高精度演示数据，然后通过行为克隆训练机器人执行相同任务。

13.空间智能与3D理解

空间智能是指机器人理解3D空间关系的能力。这是实现通用具身智能的关键技术之一。

PointNet（Qi et al., 2017）是3D深度学习的里程碑工作，它能够直接处理点云数据，实现3D物体的分类和分割。

NVIDIA GR00T是2024年发布的通用机器人基础模型，旨在让机器人具备理解3D空间、执行复杂任务的能力。

李飞飞（Fei-Fei Li）是斯坦福大学教授、斯坦福AI Lab主任，她近年来大力推动"空间智能（Spatial Intelligence）"概念。2024年，李飞飞在多个场合强调：真正的智能不仅仅是语言理解，更重要的是理解3D空间。她领导的团队正在研究如何让AI系统像人类一样理解空间关系、进行物理推理。李飞飞认为，"看"是智能的基础，视觉理解是通往通用智能的关键路径。她的研究涵盖3D场景理解、神经渲染、具身智能等领域。

杨立昆（Yann LeCun）是图灵奖得主、Meta前AI首席科学家。2025年，杨立昆创立了新公司Advanced Machine Intelligence (AMI)，筹集了超过10亿美元用于开发"世界模型"（World Models）。与当前的大语言模型不同，杨立昆认为真正的AI需要理解物理世界，需要具备常识和推理能力。他提出的JEPA（联合嵌入预测架构）是实现这一目标的关键路径。杨立昆多次公开表示："现有的LLM无法实现通用人工智能，我们需要能够理解和预测物理世界的AI系统。"

两者的共识：尽管方法不同，李飞飞和杨立昆都认为空间理解是通往更高级智能的关键。李飞飞从视觉角度出发，杨立昆从世界模型角度出发，两者共同推动具身智能的发展。

六、思考

1.想一想：在你生活的周围，有哪些地方已经或将要使用机器人？它们属于哪一类机器人？

在酒店，送餐机器人、扫地机器人已经使用，属于家用型机器人。

2. 查一查：你最感兴趣的机器人公司或产品是什么？它们使用了哪些核心技术？

公司	代表机器人	特点	核心技术
波士顿动力	Atlas 人形机器人	动作超厉害，能跑、跳、后空翻	运动控制、平衡算法、力学控制
特斯拉	Optimus 擎天柱	适合家用、工厂，量产便宜	大模型、视觉 AI、电机控制
宇树科技（中国）	H1 人形、Go2 四足	性价比高、动作灵活、国产优秀	自研电机、运动算法、足式机器人

最感兴趣的是宇树科技（Unitree），它是全球领先的足式与人形机器人公司，核心产品是Unitree H1、G1 人形机器人与Go2 四足机器人。

产品有：Unitree H1：1.8 米、55kg、34 自由度，可完成后空翻、高速奔跑等高动态动作。 • Unitree G1：127cm、35kg，起售价约 9.9 万元，主打教育与科研场景。 • Unitree Go2：消费级四足机器人，全球市占率超 70%，用于家庭陪伴与巡检。

核心技术有：

1. 硬件核心（机器人的 “肌肉与骨骼”）

1. 自研高性能无框力矩电机：效率 92%、功率密度 3.2kW/kg，成本比进口低 60%。
2. 力控灵巧手 + 力位混合控制：抓取精度接近人手，可完成精细操作。
3. 高精度编码器：关节角度控制精度 ±0.05°，动态稳定性强。

2. 运动控制（机器人的 “小脑”）

1. 模型预测控制（MPC）算法：实时优化全身运动轨迹，复杂地形稳定性强。
2. 全身动力学控制：实现双足 / 四足稳定行走、跳跃、攀爬，台阶落地误差≤2mm。
3. 高动态运动规划：支持后空翻、360° 旋转等高难度动作。

3. 感知系统（机器人的 “眼睛”）

1. 双目 3D 相机 + 激光雷达融合：200 米测距、高密度点云，实现环境 3D 建模与避障。
2. 多传感器融合：视觉、力觉、IMU 协同，提升复杂场景感知可靠性。

4. 智能决策（机器人的 “大脑”）

1. 具身智能大模型：将视觉、语言、动作统一建模，支持自然语言指令执行。
2. 模仿学习 + 强化学习：通过人类示范与自主试错快速掌握新技能。
3. 端到端 VLA 模型：直接从图像 + 文本生成机器人动作序列。

3.议一议：具身智能的发展可能带来哪些伦理问题？人类应该如何应对？具身智能可能带来的伦理问题

1. 机器人失控或被攻击，会带来安全隐患。
2. 收集大量个人信息，容易侵犯隐私。
3. 机器人伤人、出错，责任难以界定。
4. 人们过度依赖机器人，人际关系变冷淡。  

人类的应对措施

1. 制定相关法律，明确责任与安全规范。
2. 加强安全监管，防止机器人失控。
3. 严格保护个人隐私
4. 人们不断学习新技能，适应新时代。
5. 合理使用机器人，不过度依赖。