# 馬克·雷伯特：波士頓動力與機器人的未來 > 波士頓動力創始人雷伯特回顧 Atlas、Spot 等機器人的研發歷程，討論運動智慧與機器人技術的前景。 - 原標題：#412 – Marc Raibert: Boston Dynamics and the Future of Robotics - 期數：第 412 期 - 釋出日期：2024-02-16 - 嘉賓 / 主題：馬克·雷伯特 - 網頁版：https://lex.qiaomu.ai/tw/ep/marc-raibert/ - 官方頁面：https://lexfridman.com/marc-raibert/ - 精讀字數：約 10884 字（閱讀約 24 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 波士頓動力（Boston Dynamics）有一句貫穿公司早期的座右銘，叫“你必須先會跑，才能學會走”。聽著像抖機靈，它其實是這家公司所有機器人動作看起來那麼自然的原因。 人類學走路的路數是反過來的。先扶著牆站穩，再一點點邁步。馬克·雷伯特（Marc Raibert）在四十多年前做了一個相反的判斷：如果機器人也像人一樣小心翼翼、每一步都用三角支撐穩住，那它永遠做不出跑和跳的動作。所以他先做會跑的，先做會跳的，先做會摔的。走路放到最後磨。 這個順序背後有他自己的邏輯。人走路的過程，本質上是一個不斷摔倒又被接住的過程，跑步更是如此。不先把“在空中失去平衡然後重新找回”這件事做通，就沒有真正理解運動。 ## 一個在麻省理工實驗室裡拐彎的下午 雷伯特是從電子工程師轉行做神經生理學的研究生。他當年在腦與認知科學系（BCS）讀書，方向是看單個神經元怎麼工作。讀了一段時間他發現這條路走不通。他看不到如何透過觀察單個神經元，去理解控制系統、去理解思維。他的原話是，那不夠概念化。 1974 年 1 月的某個獨立活動期，他去聽一門課。課後他跟著授課教授巴索德·霍恩（Berthold Horn）走回實驗室。實驗室桌上擺著一臺機械臂，被拆成大概一千個零件，還沒拼起來。 > “看到那隻胳膊的那一天起，我就成了一個機器人學家。”（馬克·雷伯特） 細節有意思的地方在於他當時看見的東西。桌上只有零件，沒有任何能運轉的成品，可他看見的是拼起來之後可能會變成什麼。吸引他的是可能性本身，那隻胳膊此刻能做什麼並不重要。 ## 為什麼波士頓動力的機器人動起來像活的 雷伯特對“功能”有一種近乎偏執的堅持。他年輕時候有個柏拉圖式的理想：一臺機器人，如果靜止不動，最好看上去像一堆廢鐵，這樣當它開始動起來的時候，你會強烈感受到某種生命感。 所以他早期設計機器人的時候，根本不管外殼好不好看。結構本身就是零件，液壓、電機、連桿全暴露在外面。他的邏輯是，美感來自運動本身，外觀造型並不在考慮範圍之內。 這個思路一直延續到今天的 Atlas 和 Spot。你去看波士頓動力發的影片，幾乎沒有多餘剪輯、沒有轉場、沒有字幕解說，一臺機器人在那跑、跳、翻跟頭。雷伯特自己長期是這些影片的終剪。他的理論非常樸素： > “別解釋。如果觀眾看不出來，那就是你東西不對。你只要做點值得展示的事，然後展示它。”（馬克·雷伯特） 他甚至會刻意把機器人摔倒的片段放進影片。早年做第一臺三維跳躍機器人時，他第一次放出去的影片觀眾反應平平。後來他把機器人摔倒的片段剪進去，觀眾立刻理解了機器人在站立時做的事有多難。失敗讓成功有了刻度。 ## 那臺價值 25 萬美元的獨腿跳跳機 真正讓跳躍機器人從草圖變成專案的，是一場非常老派的“走動式銷售”，技術論證在其中幾乎沒起什麼作用。 當時雷伯特在 JPL（噴氣推進實驗室）工作，認識了伊萬·薩瑟蘭（Ivan Sutherland），後者被認為是計算機圖形學之父。薩瑟蘭有筆自主支配的資金，他讓雷伯特列幾個可以做的專案。雷伯特故意把最上面和最下面的專案寫得非常無聊，中間那個寫的是“彈簧單腳跳機器人（Pogo stick robot）”。薩瑟蘭一眼就看出來中間那個值得做，給了他一筆錢做初代模型。 然後兩個人提著一個薩姆森手提箱，裡面裝著那臺還沒成型的獨腿機器人的骨架，走進了 DARPA 的走廊。那個年代，你只要能走進去，挨個辦公室看誰在，就能見到人。他們找到了克雷格·菲爾茲（Craig Fields），後來的 DARPA 局長，當時還是專案經理。菲爾茲看到那副骨架，激動得下巴都快掉下來了，當場給了 25 萬美元。 1980 年的 25 萬美元，是一筆真正的研究經費。有意思的是，雷伯特當時根本不知道這個方向最後能走向哪兒。他後來被問到有沒有預見到實用價值時，回答非常乾脆： > “沒有。我那時候只是個學者，就想著做下一件事，做出點進展，如果能驚豔到同行就更好。”（馬克·雷伯特） ## 一臺會跳的機器人，到底在控什麼 跳躍機器人的控制，簡單講就分三件事，但每件事都非常精巧。 第一件是讓它持續跳。能量在彈簧單腳跳機器人的系統裡有三個儲存位置：彈簧裡、高度裡和速度裡。跳到最高點的時候，能量全部在高度裡。所以只要測量它跳了多高，就能知道整個能量迴圈的狀態，再決定往系統裡注入多一點還是少一點能量。 第二件是決定腳落在哪裡。雷伯特舉了一個撐杆跳的例子。撐杆跳運動員最難處理的那一刻，是杆子插進坑裡、身體必須處在正確位置的瞬間。身體太靠前，會被彈回來。太靠後，會過杆失敗。運動員要做的是在那一刻讓身體儘量向上。跳高也是同樣的物理。所以機器人在落地前要算清楚，腳該放在相對質心的哪個位置。 第三件是保持身體姿態直立。這個只能在腳著地的時候做，在空中做不了，因為物理上不成立。機器人每落地一次，就在腿和身體之間施加一個扭矩來校正姿態。 雷伯特提到一個細節：他們當年根本沒有做最優控制。他們只是找到一個能跑通的大致方案，然後最佳化了一點點。後來幾十年裡，他的學生和別人的學生，才把方程寫得更細，讓機器人跑得更快、能上臺階、能應對真實地形。 有個問題他回答得很有意思。Lex 問他，機器人要傾斜到多少度才會失去平衡、再也救不回來。雷伯特說，當年他們沒做過這種最佳化，機器人其實能比他們試出來的走得更遠、效能更高，只是他們拿到一個大致的解法就沿著那條路往前推了。這也解釋了為什麼後來那麼多學生能做出的提升，遠超他當年在實驗室裡的版本。 ## 從模擬公司，到重新發現自己的靈魂 1992 年雷伯特創立波士頓動力時，那本來不打算做成一家機器人公司。公司的初衷是拿他們開發的動力學模擬工具去做機器人相關的諮詢業務。 所以早期他們做過一個非常不“波士頓動力”的產品，一臺外科手術模擬器，本質上是一套力反饋裝置。你對著鏡子看下去，看到的是人體，手在鏡面下方握著連線到力反饋裝置上的器械。他們做 3D 圖形渲染，寫評分系統，記錄下外科醫生做血管吻合術（anastomosis）時犯的錯。分數打在螢幕上，結果參加展會的醫生們競爭心極強，看到別人分數高就回去反覆練。 商業模式沒跑通。他們原本以為醫生會付錢來練習，結果醫生覺得應該是廠家付錢請他們來教。他們又想過賣給醫院，但公司當時只有十幾號人，根本沒錢做市場。那間會議室裡的決定非常簡單：砍掉。 > “一旦做了這個決定，我們就覺得對了。”（馬克·雷伯特） 那成了公司歷程上的分水嶺。他們透過砍掉一個技術上非常迷人的專案，第一次真正搞清楚了自己是誰，以及什麼能成、什麼不能成。這句話聽起來輕，實際上很少有團隊能做到。技術迷人和商業可行之間經常隔著一條很寬的溝，而承認這條溝存在，需要一點冷靜。 之後的故事是索尼的機器狗。波士頓動力幫索尼做了 Aibo 的跑步版本，還把 Aibo 的腿拆掉，換上自己做的腿。這段合作有一個非常 90 年代的細節：那時候沒有網際網路，沒有 Zoom，他們裝了六條 ISDN 線，每週和日本開一次大約 10 赫茲幀率的視訊會議。聽得懂對方在說什麼就已經要很用力了，這樣的會一開就是好幾年。 雷伯特說，正是那個專案把他們帶回了機器人這條正路。Aibo 那臺小機器人的問題是，它跑起來太小了，小到在取景框裡一點都不震撼。它看起來像在碎步快跑，必須慢放才顯得有意思。這件事直接影響了後面的所有判斷：機器人必須夠大，動作幅度必須夠大，才能讓人一眼就感到衝擊。 ## BigDog 把它拖出了實驗室 BigDog 是波士頓動力真正把自己“打進地圖”的那臺機器。它來自 DARPA 的生物動力學專案，當時一共收到 42 份提案，其中 3 份獲得資助，BigDog 是其中之一。 在 BigDog 之前，MIT 腿實驗室裡的四足機器人其實已經能做很多動作了。但那臺機器的液壓泵放在房間裡，透過軟管連到機器人身上；旁邊的 VAX 計算機佔了一個單獨房間，還要空調；機器人身上只有執行器和陀螺儀，電源和算力全在體外。 BigDog 的突破是把這一切裝到一臺平臺上：汽油發動機、把旋轉動力轉成液壓動力的系統、所有的計算和感測。這意味著它真的可以被帶到野外去。 雷伯特他們花了大量時間在匡蒂科（Quantico）海軍陸戰隊基地的一條叫瓜達爾卡納爾（Guadalcanal）的小徑上測試。這條小徑是 DARPA 指定的里程碑。團隊就天天陪著機器人上山下山。 很多人以為森林是最難的環境。雷伯特說，在辦公室或者家裡做，其實比在樹林裡難得多。在樹林裡，你可以隨便選一條路上山，只要避開障礙就行，樹林不會因為你踩了就壞掉。但在家裡，你不能留刮痕，不能撞牆，早期的機器人一撞牆就出問題。 還有一個細節值得記住：那時候上瓜達爾卡納爾小徑，操作員是坐著人工視覺的。機器人在自己保持平衡、自己放腳，但前方怎麼看，還是要靠一個熟練的操作員。多年以後，他們帶著 Spot 的前身回到同一條小徑，一個完全沒受過訓練的人第一次就能操控機器人上上下下。這中間隔著的進化，就是波士頓動力這些年真正做成的事。 BigDog 後來演進成了 LS3（Legged Squad Support System，負重版）。LS3 設計載荷是 400 磅，但雷伯特說他們有一次讓它背了大約 1000 磅。他的原話是，他們有兩臺，一臺揹著另一臺。 ## 拉里·佩奇的一句話，誕生了 Spot LS3 之後，波士頓動力做了一臺電驅動機器人，電池驅動電機，電機驅動泵，但仍然是液壓執行。真正的轉折是拉里·佩奇（Larry Page）在一次會議上問的一句話： > “你們能不能做一個 60 磅重的小一點的版本？如果是放在有人的房子裡，不至於像 BigDog 那樣嚇人。”（拉里·佩奇） 雷伯特說可以，然後就做了。那就是今天的 Spot。 從液壓到電動，概念上不難，難的是液壓系統本身不被市場看好。**雷伯特對液壓是有感情的。** 他說如果看效能，液壓在輕量化下能提供的力矩非常強，而且他們做了大量創新。大量液壓控制閥是 50 年代為飛機設計的，之後幾十年基本結構沒怎麼變，只是被造得足夠安全、足夠可靠，讓人可以坐在飛機上。波士頓動力的工程師重新設計了閥的電路，把一部分計算整合進去，讓能效、體積、重量都大幅改進。他們還做了一個足球大小、5 公斤重、能提供 5 千瓦功率的液壓動力單元，裡面整合了電機、泵、過濾器、熱交換器和閥。 最終讓 Spot 走電動路線的，主要還是使用場景。液壓再強，也很難完全避免偶爾滴一點油，而這在家庭裡是致命的。 ## 一個動作看起來自然，需要多大的提前量 波士頓動力的機器人動起來之所以“漂亮”，雷伯特認為一半功勞在硬體。他很直白地說，那些認為硬體不需要再創新的觀點是錯的。 另一半在控制方法。他把它概括為“動態方法”：你要預測機器人未來幾十毫秒到一兩秒後會在什麼狀態，在你當下發出控制訊號的那一刻，就要考慮那個未來。基於當前狀態的伺服控制永遠是“往後看”的，它只能問我現在在哪裡，然後調整。真正流暢的運動必須往前看。 他給了一個具體數字：Spot 的前瞻視窗大概在一到兩秒之間，是一個滾動時域（receding horizon）的邏輯，每一百毫秒就重新算一次。你要同時管住腳放哪、障礙在哪、身體平衡，這些都在這幾百毫秒的計算裡被協調。 但如果做後空翻這樣的動作，前瞻就要拉長得多。起跳那一刻，你就要把所有動量、角動量、落地時機都協調好，讓落地在可及範圍內。這已經超出兩秒鐘的視窗，屬於起跳之前的規劃。 有意思的是，雷伯特承認，Atlas 到現在走路還不像人，跑步反而更接近人。人走路比跑步簡單，機器人領域正好倒過來：跑步是更激進、更依賴動態的運動，反而更容易做出“自然感”；走路那種精細的、帶膝蓋來回摺疊的、需要恰到好處的柔順性（compliance）的動作，反而更磨人。 這也許能解釋為什麼波士頓動力早期的座右銘是“先跑再走”。激進的動作暴露更多物理規律，也逼著工程師把最難的部分先解決。 ## 109 次嘗試，和一臺經得起摔的機器 Atlas 有一段非常著名的爬三級大臺階的影片，動作動感十足。雷伯特透露，那段影片是拍了 109 次才成功的。他補了一句很重要的話：**成功之後，成功率就很高了。** 剪輯裡沒有作弊的成分，展示的是已經進化出來的穩定效能。中間那 109 次嘗試，每一次都被錄下來了。 失敗的形式非常多樣：機器人剛被喊“開始”就原地塌了，這和臺階沒關係；視覺感知出問題，跳躍落點偏了；某個零件壞掉，油噴得到處都是。花了六週，邊調程式邊試。這裡的“機器人學習”其實是資料驅動加上人的反饋在環裡。 那臺機器為什麼沒被摔壞？雷伯特說，這是 Atlas 團隊的一大成就：機身設計得足夠皮實，摔 109 次還能繼續用。當然還是會壞，所以他們預算裡必須留出備件和修理團隊。他特意批評了一種人，叫“鍍金玩家”：把寶貝機器人放進櫃子裡，不敢碰，怕弄壞。他的判斷很直接，這樣是沒法推進技術的。 > “你得準備好它會壞，然後走進去修。這就是這份工作的一部分。”（馬克·雷伯特） ## AI 研究院：為機器人補上另一半智力 雷伯特現在擔任波士頓動力 AI 研究院（Boston Dynamics AI Institute）的執行董事。他喜歡把智慧分成兩部分：**運動智慧（athletic intelligence）和認知智慧（cognitive intelligence）。** 波士頓動力在運動智慧上已經設定了行業標準。機械設計、實時控制、能量管理，這些是他們過去三十年的立足點。但人類和動物還有另一種智慧：會做計劃，會看著地圖算一下走過去要 20 分鐘然後決定 9 點出門。雷伯特說，這種智慧在機器人上非常稀缺。大多數機器人還很笨，需要大量熟練工程師花很長時間去程式設計，才能完成它們做的事。 AI 研究院的立意就是把這兩半接起來。他舉了一個核心專案，叫“觀察、理解、執行”（Watch, Understand, Do）。讓機器人看一個人做任務，理解它在看什麼，然後自己把任務做出來。他把這叫機器人的 OJT，在職培訓。 這非常難。人看一個人做事，會自動把動作切分成有意義的片段：拿起這個、放在那、把那個疊上去。但如果給機器人看原始資料，這個切分本身就是一個非常智慧的行為。你得先解決“有意義地觀察”是什麼，再把觀察翻譯成對動作的描述，再把這個描述對映到機器人已經掌握的技能上。他們的切入點是腳踏車的簡單維修，比如把座管插進另一根管子裡再扣上鎖釦。 第二個專案叫“檢查、診斷、修復”（Inspect, Diagnose, Fix）。現在 Spot 已經能在工廠裡採集機器的溫度、儀表讀數、聲音，但這些資料是不是健康，是人來判斷的。診斷和修復還完全在人手裡。雷伯特認為機器人應該把這一整條鏈都接上。 研究院的方法論叫“通往登月目標的墊腳石”（stepping stones to moonshots）。這句話寫在他給研究院的原始提案裡。他的原則是：**如果超過一年沒有可以拿出來的階段性成果，團隊就會失去反饋和動力。** 終極目標可以做好幾年，但中間必須有踏腳石，哪怕只是一個簡化版的問題被解決。 ## 機器學習與傳統控制，誰在支撐今天的機器人 從 ChatGPT 出現之後，整個行業對機器人學習的樂觀情緒非常高。雷伯特承認這一點，但他也指出，機器人領域和語言模型有一個本質區別：語言的 token 是明確的，而物理世界的畫素值並不等於單詞。讓機器人用物理身體做事，和做語言推理不在同一個難度層級上。 研究院在蘇黎世開了辦公室，由 Marco Hutter 領導，他是強化學習用於機器人的領軍人物之一，同時在蘇黎世聯邦理工（ETH）保留一半時間。研究院裡也有好幾個做機器學習的人。 但雷伯特非常坦率：**今天世界上最驚豔的機器人表演，大部分仍然出自“傳統”控制方法，特別是模型預測控制（MPC）。** Atlas 那些你在影片裡看到的動作，主體是 MPC 做出來的。他們最近也開始用學習的方法做了很多，只是還沒全部放出來。 他的判斷是最終會走向融合，兩邊的優勢都用上。研究院正在做這件事。 ## 構建偉大團隊的四樣東西 雷伯特把打造偉大工程團隊拆成四件事：技術上的無畏、勤勉、堅毅（intrepidness）和樂趣。 **技術上的無畏**，指的是願意接手一個你不知道怎麼解決的問題。你要先研究它，找到一個切入點，可能是一個簡化版本，從簡化版本里學到東西，再回去做最終符合原目標的解法。像 Watch Understand Do 這種專案，本質上就是一座山，如果沒有這種無畏，根本不會開始。 **勤勉**，是說不接受一個窄解。真實世界的機器人方案不能只在實驗室裡跑通，一遇到變化就崩掉。波士頓動力那些“工程師在機器人開門時去推門”、“拉著繩子把上樓梯的機器人往後拽”的影片，就是這種勤勉的具象化。它展示的是問題被解決到了多大範圍，炫技的成分很少。 **堅毅**，可能最重要。機器人非常難做，一開始做不出來是常態。雷伯特說，如果一段影片背後有 109 次落空，你得有勇氣一次次重來，才可能在一次成功之後繼續往前。他在演講裡經常放一長串失敗集錦，因為那是這份工作的真實面貌。 **樂趣**，他喜歡加個形容詞，叫“技術樂趣”。工程師這份工作有一種手藝人的滿足感，你自己設計、自己動手，做出一個以前不存在的東西。此外還有第二種樂趣：如果你做的事被別人認可，它就超出了手藝本身。第三種是團隊樂趣，沒有人能一個人擁有做這些專案所需的全部技能，能在一個互相補位的團隊裡工作，那種滿足感很難替代。第四種是，你還能拿到薪水。四樣加起來，一位工程師可以在一份工作裡被“付四次錢”。 ## 工程師和科學家，誰才是更高一層的召喚 雷伯特對工程有一個非常個人化的定義：工程是同時做科學家和做藝術家。科學家只能研究已經存在的東西，工程師能造出以前不存在的東西。他認為大眾普遍覺得科學高於工程，他的排序正好相反。 他舉的例子聽起來很具體也很美：你設計一個連桿結構，結果發現它的重量減半而強度不變，那個瞬間非常令人滿足。這是一種創造，和畫畫或者作曲屬於同一類行為。 他說機器人最讓他心動的一刻，是把金屬帶進生命。這話他說得非常字面，一個本來靜止的、毫無生氣的金屬結構忽然開始動，並且動的方式讓你聯想到生命。這件事在他看來至今仍然神奇。這也是他最開始執迷於“讓機器人動起來像活的”這項工作的深層原因，它做的實驗關於生命感，工程只是手段。 他還有一句自我評價傳得很廣。他說波士頓動力那些真正讓東西跑起來的優秀工程師，把技術真正做成的是他們；雷伯特給自己的定位是那個做夢的人。這話有他一貫的謙遜，也點出了一種真實的團隊分工：有人負責把技術做出來，有人負責讓大家相信值得做。 ## 關於競爭、Optimus 和成本曲線 雷伯特對埃隆·馬斯克的評價很高。他說馬斯克在特斯拉做到了讓全世界幾乎所有車廠都在追的事，在 SpaceX 幾乎是接管了 NASA 的角色。他不認為今天的 Optimus 追上了 Atlas，但也絕對不會低估馬斯克。 > “我有時候想，我是不是能對他的野心負一點點責任。很難不去想，他看到 Atlas 做的那些事，可能給了一點啟發。我希望是這樣。”（馬克·雷伯特） 他也提到 Figure 和 Apptronik，覺得他們有不錯的團隊。他甚至開玩笑說，很想組織一次 Atlas 和 Optimus 的“機器人聚會”，現在他不在波士頓動力任職（雖然在董事會），正好可以做這種中立的事。 在競爭這件事上，他的視角很有意思。他說在波士頓動力那麼多年，根本沒怎麼想過競爭，因為那個年代根本沒有可以對比的商業產品。後來又有幾次看起來像競爭的機會，最後他們還是變成了機器人供應商：LittleDog 專案裡他們只造機器，不參賽；DARPA 機器人挑戰賽他們也沒參賽，只是提供 Atlas。到了 AI 研究院做認知智慧，他第一次真正感受到競爭，招人、算力、團隊能力，全都更緊張。 對於四足機器人，他甚至認為競爭者出現是件好事。因為使用者心裡問的問題從“我要不要一臺四足機器人”，變成了“我要哪一臺四足機器人”。一個行業真正成立的標誌，是使用者開始在這些產品裡挑。還在懷疑品類本身的階段，就說明品類還沒成立。 成本方面，他非常樂觀：**遠遠沒到底。** Spot 現在還是很貴，但他認為不需要這麼貴。他提到現代（Hyundai）作為主要股東，把造車的能力帶進造機器人，在降本和提可靠性上有先天優勢。同時他也指出，即便到今天，真正賺錢的機器人應用幾乎只有倉儲物流這一類，加上傳統工業機械臂。要在社會場景裡跑出真正賺錢的產品，效能、安全和成本必須同時達標，這是非常難的三件事。 他提到家用機器人的歷史裡已經有一批公司倒下過，某一年就有三家一起關門。這裡面沒有單一原因，效能不夠、安全邊界不清、成本壓不下來，任何一環出問題都會讓整個產品線停擺。 關於家庭裡的攝像頭和隱私，雷伯特的態度很平淡。他說我們每個人都隨身帶著一臺有兩三個甚至四個攝像頭的智慧手機，它還在聽我們說話，但幾乎沒有人真的因此感到不安。人們把它當成了日常。機器人大機率會走上同一條路，前提是產品形態做得對、邊界說得清。 ## AGI 的擔心，和汽車這個類比 聊到大語言模型和通用人工智慧會不會威脅人類時，雷伯特先反問了一句：你覺得這世界上有人比你聰明嗎？你因此感到被威脅嗎？ 他的觀點是，即便計算機比人聰明，也不必然構成威脅，尤其它們通常仍然在我們能使用和控制的範圍內。他把這放進一個更寬的框架裡：任何技術都是機會和風險的組合。汽車每年在全球造成大約 125 萬人死亡，還有汙染，但大多數人依然認為汽車是人類的福祉，並且這些技術問題可以逐步被解決，事實上汽車確實在變得更安全、更清潔。 “這件事像不像奧本海默電影裡那段，他們第一次引爆之前，討論會不會點燃整個大氣層？”他這麼說，然後加了一句，**我個人不覺得這件事值得去那樣擔心。** 雷伯特的判斷方式一貫如此：先看歷史上所有技術走過的路徑，再決定花多少注意力在極端情形上。這種態度在當下這個節點尤其值得注意，因為行業裡最響的聲音往往站在兩個極端。 ## 夏威夷襯衫，和一個“為什麼不”的習慣 那件標誌性的夏威夷襯衫，起因很私人。很多年前他只有一兩件，有人跟他說，這玩意兒太老土了，馬克，你不能穿這個。他停了一週，然後決定不讓別人告訴他該穿什麼。從那之後，基本上每天都穿。 > “我想了很久才意識到自己是個反著來的人，但這個特性可以變成一個有用的工具。”（馬克·雷伯特） 他把這種“反著來”用在了很多地方。在 DARPA 專案時期，他遇到一個海軍陸戰隊員叫 Ed Tovar，此人有一句口頭禪：當有人說“你做不到”時，他會問“為什麼不行？”雷伯特說這句話對他影響極大，他現在凡事都會問一句“為什麼不行”。 給年輕人建議時，他的思路和這句話一脈相承：先問自己，如果沒有任何資源、機會和技能限制，你想做什麼？從那個地方開始，看看自己能走到離它多近。**很多人以為自己被關在一條窄通道里，其實通道比他們想的寬得多。** 他在麻省理工帶本科生的時候，每學期要和學生見一次面，學生最常問的問題就是自己該做什麼。他給出的答案就是上面那個版本，先假設所有約束都不存在，再往現實收。這個辦法不解決具體決策，但它能把人從“我只有這幾個選項”的錯覺裡拉出來。 他也承認自己在這條路上待得太久了，久到有人說他陷在一條轍裡出不來。AI 研究院的一部分動機就是換一件事做：運動控制做了幾十年，去做認知，去碰一個完全不同的山頭。四十多年做同一件事並不等於停在原地，但如果連他自己都覺得該換，那就真的該換了。 ## 做機器人的過程，本身就是一面鏡子 訪談最後有一段對話特別值得記下來。Lex 提到，看機器人做事之所以動人，是因為它反過來照見了人有多特別。一件事你覺得理所當然，比如從桌上拿起一個杯子，等你看工程師花十年去讓機器人做這件事，才會意識到人類的身體到底有多複雜。 雷伯特對此的回應是，他至今也說不清人是怎麼做到這些的。他現場拿起幾個東西，翻過來轉過去，不看也能操作，從口袋裡掏出東西也知道是哪一個。這套能力的機制，人自己也說不明白。 他提到一個我印象很深的事實：體操運動員並不知道自己是怎麼完成動作的。他們被教練教，靠反覆練習形成感覺，但他們沒法用物理語言解釋自己在空中的每一個瞬間做了什麼。而他的學生 Robert Playter（後來成為波士頓動力 CEO）當年就是一名體操運動員，他能把身體的感覺翻譯成數學和演算法。這件事說明，具身知識可以被轉譯，但轉譯這一步非常難，需要一個人同時具備兩種能力。 還有一段關於被動動力學（passive dynamics）的討論值得單獨拎出來。80 年代 Tad McGeer 做過一臺完全沒有計算機的行走機構，靠重力和彈簧、阻尼器，自己就能沿著斜坡走下去。它本質上是一臺機械計算機。**這個實驗的意義在於，身體也在參與運算。** 好的機器人設計會把一部分智慧交給機械結構，讓大腦只需要處理機械做不了的部分。能量在系統裡迴圈，不必每一步都被電機強行重置。 雷伯特說，現在大多數機器人並不這麼做，絕大多數系統還是用計算機主導一切。但他相信，把機器本身的傾向算進去，最後得到的動作會更高效、更優雅。這條思路放在今天看，仍然是很多團隊忽略的一層。 關於舞蹈也是同樣的道理。他們請了一位知名芭蕾舞者來給機器人程式設計，同時在做一套更好用的編排工具，讓她用舞蹈行業自己的語言來表達，而不用翻譯成工程術語。現在已經做出來的機器人舞蹈基本都跟著固定節拍走，按下開始，機器人就演到底。雷伯特想要的是會聽、會看的機器人，能和人一起跳，能對人做出反應。他甚至說過一個反向的思路：讓機器人做 popping 那一類動作，用人做不到的高頻振盪去“贏”人類。這在技術上是成立的，只是他還沒做。 ## 如果只帶走幾條具體的東西 這期對話資訊密度很高，但如果一個做技術的人只帶走幾條能用的東西，大概是這些： - **先做最難的版本。** 波士頓動力的經驗是先跑再走，先把激進動作做通，反而更容易做出自然感。很多工程任務如果先做安全版本，會形成路徑依賴，最後走不出來。 - **給自己設一條“一年內必須有可展示成果”的線。** 雷伯特的墊腳石原則裡，最硬的一條是超過一年拿不出階段性成果，團隊就會失去反饋。把一個幾年的目標切成能演示的碎片，是對團隊最實際的保護。 - **在演示裡放失敗片段。** 展示失敗能給成功建立刻度。觀眾看到摔了多少次，才會真正理解做到有多難。只放最好的一條，反而讓人低估問題的難度。 - **不要把樣機鎖進櫃子。** Atlas 摔了 109 次還能繼續用。要在預算裡預留備件和維修人力，把損壞當成正常成本，不要當成事故。 - **硬體仍然能構成壁壘。** 那些幾十年沒變過的基礎件裡，往往還壓著大量的改進空間。波士頓動力重新設計液壓閥，換來了整機體積和重量的大幅下降。 - **控制系統要往前看一到兩秒。** 只根據當前狀態做矯正的伺服邏輯，永遠做不出流暢的運動。這條原則適用於所有連續控制系統，不只是機器人。 - **做“看人做事”的專案時，先從動作切分入手。** 把一段連續動作分成有意義的片段，本身就是最難的一步，繞不過去。技能對映可以慢慢補，切分錯了後面全錯。 - **招人時留出“非科班”的位置。** 波士頓動力早期招過修腳踏車、做皮划艇、在車庫裡修摩托的人。那批人帶來的動手能力，是純學術背景很難替代的。 - **對“為什麼不行”保持敏感。** 遇到內部或外部的“不可能”，先問一句為什麼，再決定要不要退讓。這條建議便宜，但絕大多數人不會真的去問。 - **承認砍專案的價值。** 外科手術模擬器技術上很迷人，商業上走不通，砍掉之後公司才認清自己是誰。一個決定能定義公司，往往是因為它砍掉了什麼。