How robots learn: A brief, contemporary history

2025 年投入人形機器人的資金高達 61 億美元，是 2024 年的四倍。這波爆發並非硬體奇蹟，而是機器學習方式的根本革命。工程師不再逐條編寫規則，改用海量數據與 AI 模型，讓機器人自行從試錯與預測中摸索生存之道。

2025 年 61 億美元熱潮：機器人拋棄預寫規則

打造一台能像科幻小說般在真實世界穿梭、適應各種環境並與人類安全互動的機器，一直是多數研究人員的終極野心。這種機器人可以協助行動不便者、緩解孤獨，或承擔對人類過於危險的工作。對講求經濟效益的企業來說，它更代表著無窮無盡的免薪勞動力。然而過去屢戰屢敗的歷史，曾讓矽谷對投資實用型機器人猶豫不決，多數人原本期盼打造出 C-3PO，最後卻只能端出 Roomba 掃地機器人。

情況在近期發生了徹底翻轉。儘管完美的機器人尚未完全問世，資金卻已大舉湧入，推動這場變革的核心在於機器學習模式的根本轉換。想像一下，如果你想在家裡安裝一雙專門折衣服的機器手臂，早期工程師的作法是寫滿規則：先檢查布料能承受多少拉扯、辨識襯衫領口、將夾爪移到左袖並向內摺疊精確的距離。一旦衣服旋轉或袖子扭曲，規則數量就會爆炸性增長，這正是傳統機器人學的困境——試圖預先設想所有可能性並寫成程式碼。

大約在 2015 年，尖端實驗室開始改變策略，在數位環境中建立機器手臂與衣服的模擬系統。程式每次成功折疊就能獲得獎勵信號，失敗則扣分，透過數百萬次的試錯來提升技術，原理就如同 AI 學會玩遊戲一樣。2022 年 ChatGPT 的出現進一步催化了當前的繁榮，類似的 LLM（大型語言模型） 架構被應用到機器人領域。這類模型開始吸收影像、感測器數據以及機器人關節的即時位置，預測機器下一步該做什麼，甚至能每秒發出數十次馬達指令，讓矽谷再次燃起打造通用機器的龐大夢想。

2014 年 Jibo 獲 370 萬美元卻敗於寫死腳本

遠在 LLM 時代來臨前，麻省理工學院（MIT）機器人研究員 Cynthia Breazeal 就曾試圖解決人機互動的問題。她在 2014 年向大眾展示了一款名為 Jibo 的機器人，這台裝置沒有手臂、雙腿或臉孔，外觀上其實更像一盞檯燈。團隊的目標是打造一款適合家庭的社交機器人，這個概念在群眾募資平台上大受歡迎，成功吸引約 4,800 筆預購，每台早鳥價高達 749 美元，總計籌得 370 萬美元。

初期的 Jibo 能夠自我介紹並跳舞逗樂孩子，但功能也僅止於此。開發團隊原本的願景是讓它成為一個具備實體型態的助理，包辦從安排行程、處理電子郵件到說故事等各種任務。它確實贏得了一批忠實用戶，但母公司最終仍在 2019 年黯然關閉。

事後回顧，Jibo 當時最欠缺的正是更強大的語言處理能力。它當時的競爭對手是蘋果的 Siri 與亞馬遜的 Alexa，而那個年代的所有語音技術都極度依賴繁重的預編寫腳本。當你對著裝置說話時，軟體會將語音轉為文字，分析你的需求，接著從預先核准的文字庫中抽取出回應。這些腳本或許偶有巧思，但本質上非常重複且枯燥，對於一款主打家庭社交的機器人而言是個致命傷。如今，主流 AI 供應商的語音模式早已變得生動有趣，雖然帶來了新機遇，卻也伴隨著 AI 幻覺與不當發言的新風險。

OpenAI 於 2018 年用百萬次模擬訓練機器手

時間來到 2018 年，幾乎每一間頂尖的機器人實驗室都在設法拋棄舊有的腳本規則，轉而透過試錯法來訓練機器人。OpenAI 當時嘗試在虛擬環境中訓練其機器手 Dactyl，他們建立了手部以及手掌大小方塊的數位模型。這些方塊的表面印有字母與數字，模型會下達諸如「旋轉方塊，讓印有字母 O 的紅色面朝上」的任務指令。

這項計畫遇到了一個核心難題。機器手在模擬世界裡或許能表現得極為出色，但當你將這套程式搬到現實世界控制實體機器手時，兩者之間的微小差異就會導致任務失敗。舉例來說，真實世界中的顏色可能略有偏差，或者機器人指尖上可變形的橡膠實際上比模擬環境中更具彈性。

工程師提出的解決方案稱為領域隨機化（引入隨機變數的模擬）。研究人員會創建數百萬個彼此存在微小、隨機差異的模擬世界，在某些世界裡摩擦力較小，有些燈光較刺眼，或者顏色較暗。讓機器人暴露在足夠多的變異中，意味著它們在現實世界操作方塊時能具備更高的適應力。這種方法在 Dactyl 上奏效了，一年後它使用相同的核心技術挑戰更高難度的任務：解開魔術方塊。儘管它只有 60% 的成功率，在初始狀態特別混亂時成功率更降至 20%，這仍是模擬訓練的一大里程碑。不過，OpenAI 隨後在 2021 年關閉了機器人部門，近期才重新啟動並轉而聚焦於人形機器人。

Google 花 17 個月錄製 700 項任務推動 RT-2

2022 年前後，Google 的機器人團隊展開了一項看似異常繁瑣的工程。他們花了整整 17 個月，把機器人控制器交給人類，並錄下人類操作機器人執行各種動作的畫面，從拿起洋芋片包裝袋到轉開水瓶蓋無所不包。團隊最終將這些數據整理成涵蓋 700 種不同任務的龐大目錄。

這項苦工的目的，是為了建立並測試首批具備大規模數據基礎的機器人基礎模型。如同大型語言模型的運作方式，核心概念是輸入大量文字，將其標記化成演算法能理解的格式，接著生成輸出。Google 的第一代模型 RT-1 會接收機器人當下視覺畫面與各關節位置的輸入資訊，隨後接收指令並將其轉化為移動機器的馬達指令。在測試中，RT-1 面對曾經學習過的任務時成功率高達 97%，即使面對未見過的新指令，也有 76% 的成功率。

隔年推出的第二代模型 RT-2 走得更遠。它不再侷限於機器人專屬的訓練資料，而是擴大範圍，吸收了網際網路上更廣泛的一般圖像，如同當時正熱門的視覺語言模型。這讓機器人具備了解讀場景中特定物體位置的能力。帶領這兩代模型開發的 Google DeepMind 機器人學家 Kanishka Rao 表示，這解鎖了諸如「把可樂罐放在泰勒絲照片旁邊」這類複雜指令。到了 2025 年，Google 進一步發表了 Gemini Robotics 模型，大幅改善理解自然語言的能力。

Covariant 推 RFM-1 吸引亞馬遜千座倉儲目光

在 OpenAI 首支機器人團隊解散前的 2017 年，一群工程師帶著一個名為 Covariant 的專案選擇獨立創業。他們的目標不是打造科幻電影裡的人形機器人，而是最具實用價值的設備：能在倉庫裡撿拾與搬運物品的機器手臂。在建立了一個類似 Google 概念的基礎模型系統後，Covariant 將這套平台部署到如 Crate & Barrel 等企業營運的物流中心，並將這些實際運作的場域視為資料收集的管線。

到了 2024 年，Covariant 正式發表了名為 RFM-1 的機器人模型，這套系統讓你能夠像對待人類同事般與之互動。例如，如果你向機器手臂展示好幾排網球，接著指示它將每一排移到不同的區域，機器人不僅能執行，甚至還會給予回饋——它可能會預測自己無法抓牢該物品，並主動詢問人類建議該使用哪一種特定的吸盤。

類似的互動過去只存在於實驗室中，但 Covariant 成功將其推向大規模商業應用。該公司現在於每個客戶的據點都裝設了攝影機與資料收集設備，不斷將更多數據回傳給模型進行訓練。儘管並非完美無缺，共同創辦人 Peter Chen 坦言，模型在缺乏良好訓練數據的地方可能表現不佳。不過，這種實用導向的技術很快獲得電商巨頭的青睞，亞馬遜隨後延攬了團隊創辦人，目前正在取得 Covariant 模型的授權，有望應用於亞馬遜光在美國就多達約 1,300 座的倉儲設施中。

Agility 開發 Digit 機器人進駐豐田與物流巨頭

目前湧入機器人新創公司的新一波投資資金，主要瞄準的不再是長得像檯燈或單純手臂的設備，而是具有人類輪廓的機器人。設計人形機器人的出發點，在於它們應該能無縫融入人類目前工作與活動的空間。企業無需為了容納巨大的機器手臂而重新改造整條裝配線。

然知易行難，在極少數人形機器人實際出現在真實倉庫的案例中，它們通常被限制在測試區與試點專案內。業界亟需一款能真正落地的產品。儘管如此，Agility Robotics 開發的人形機器人 Digit 似乎已經開始承接真正的工作。Digit 的設計完全以功能性為導向，關節外露且頭部設計並不擬人，拋棄了多餘的科幻美學。包含亞馬遜、豐田汽車以及物流巨頭 GXO 皆已導入這款機器人。它成為首批讓企業看見實質成本節省效益，而不僅是當成新奇玩具的人形機器人之一。它們每天的任務就是在廠房內撿拾、移動並堆疊物流搬運箱。

目前的 Digit 距離矽谷所押注的那種全能類人助手還有一段路要走。例如它目前最多只能舉起 35 磅的重物，且每當開發團隊試圖讓它變得更強壯時，電池重量就會增加，導致需要更頻繁地充電。此外，標準化組織指出，由於人形機器人具備移動能力且會長時間近距離接觸人類，因此需要比多數工業機器人更嚴格的安全規範。Digit 的進展證明了這場機器人訓練革命並未侷限於單一方法，它結合了虛擬模擬技術以及 Google Gemini 模型的環境適應力，展示了業界累積十多年的實驗成果，正一步步走向規模化實踐。

從寫死規則到海量數據驅動，機器人學正迎來軟體層面的文藝復興，硬體商用化終將隨之起飛。