谢谢你！
我们已收到您的询问。专家将在 1 个工作日内与您联系。
消息
本文中的所有信息和数据仅供参考。欲了解更多信息，请查看此处的条形图披露政策
分享
早在 2000 年代初，人工智能 (AI) 还完全是科幻小说中的东西。当然，有一些公司正在研究它，但任何有意义的开发都是……不太可能的，至少在当时是这样。
20 多年过去了，人工智能几乎接管了一切。它存在于您的智能手机、网络浏览器和烤面包机中。严肃地说，企业正在使用它来编写代码、生成内容、分析数据——凡是你能想到的，人工智能都在做。
然而，尽管最近取得了所有进展，今天的人工智能仍然有一个主要局限性：它只存在于屏幕后面。
当然，它可以回答问题、识别图像、总结文档和编写代码。但在大多数情况下，它无法储存货架、组装汽车、运送包裹、照顾病人或维修基础设施。
但如果可以呢？
如果今天的公司正在努力赋予人工智能更大的东西，比如身体，结果会怎样？这对于它所涉及的行业、开发技术的公司以及试图找出最大赢家的投资者来说意味着什么？
让我们看看机器人技术的现状，哪些公司处于该行业的前沿，以及投资者如何考虑进入人工智能的下一个主要前沿领域之一。
欢迎来到物理人工智能时代。
机器人技术将在 2022 年迎来人工智能时刻吗？
机器人技术并不是一个新行业。第一个工业机器人是一个名为 Unimate 的笨重液压臂，早在 1961 年就开始在通用汽车 (GM) 的装配线上运输热压铸件。
从那时起，机械臂就开始用于焊接、喷漆和组装汽车、电子产品以及几乎所有你能想到的其他制成品。走进任何一家现代汽车工厂，您都会发现数百家汽车工厂，它们的移动精度和一致性是人类装配线无法比拟的。
机器人辅助手术也遵循类似的路径。像 Intuitive Surgical (ISRG) 的达芬奇这样的系统已经从一个新奇事物变成了世界各地医院的主要设备，让外科医生在精细手术过程中双手更加稳定，视野更加清晰。
但所有这些机器人都存在一个问题：它们很僵化。除非它们是由人类直接控制的，比如切除阑尾或胆囊，否则这些机器只能做它们被编程的事情，它们被编程的地方。
将该零件向左移动两英寸，装配线机器人将不知道如何处理它。更糟糕的是，它可能只是尝试做它一直在做的事情，并在此过程中破坏了一些东西。
现在情况正在改变。
公司在人工智能与机器人技术的集成方面取得了越来越多的成功。但这并不是一种即插即用类型的交易，他们只是将人工智能芯片连接到机器人的头部并告诉它堆放盒子。集成比这复杂得多 - 但有一个基本概念可以帮助将两者结合在一起。
我们来谈谈VLA。
什么是视觉-语言-动作 (VLA) 人工智能？智能机器人背后的技术
VLA（即视觉语言动作）与大型语言模型 (LLM) 为人工智能聊天机器人所做的事情相同，但它不仅仅限于文本。 VLA 使机器能够看到周围的世界，理解人类的指令，并将这种理解转化为身体动作。
这个名字本身就解释了该技术的工作原理。视觉允许机器人通过摄像头和传感器观察周围环境。语言使其能够聆听和解释口头命令。行动将两者结合在一起。结果是机器人可以看到周围的环境，了解需要做什么，并按照指示执行任务。
想想典型的机器人真空吸尘器。它可以在您的家中导航、避开障碍物并清洁地板。它通过传感器、摄像头和地图技术的结合来完成这一切——同时有时还能让你的猫开心。
但告诉它“请先清理电视附近的溢出物”或“请先清理厨房区域”，你会立即想起与砖墙（或你的猫）交谈的感觉。
问题是，真空甚至没有能力理解你刚才所说的话。但 VLA 解决了这个问题。当然，它的应用不仅仅限于清洁布满灰尘的地板。
借助 VLA，机器人可以识别和分类数千种不同的产品，而不仅仅是处理少数预定义的物品。他们可以适应不断变化的生产线，而无需关闭每一条生产线来进行大型软件更新。
可以说，VLA 开发的应用可能是巨大的。因此，当发现 Alphabet (GOOG) 已经与 Google DeepMind 的 Gemini Robotics 合作开发这一项目时，我们应该不会感到惊讶。
Google DeepMind 开发了独立但互补的系统：Gemini Robotics（一种将视觉信息和指令转换为运动命令的 VLA 模型）和 Gemini Robotics-ER（一种专为空间推理、规划和决策而设计的具身推理模型）。但这两个平台都在朝着同一个目标努力：让人工智能在机器人体内工作。
在早期的迭代中，该平台证明机器人可以将电线缠绕在耳机上。
现在，由于数百万年的（选择性）进化，我们人类凭借我们的拇指和奇特的思考能力，可能会认为这项任务距离呼吸只有一步之遥。我的意思是，拿起一根电线并将其缠绕在另一个物体上有多难？
但对于机器人来说，这是最难自行操纵的任务之一。机器人必须识别不断改变形状的柔性物体，预测它在移动时如何弯曲和扭曲，检查电线是否缠绕得太松或太紧，实时调整其抓地力，并在电线滑脱时恢复。
每一个微小的动作都会改变下一个动作。这意味着每一项动议都会导致一系列随时可能改变的决策。这需要适应和调整的能力——人们认为这是理所当然的，因为这对我们来说是多么容易。
这正是谷歌的演示如此令人印象深刻的原因。该编程并不适合在受控环境中执行具有一组参数的严格任务，就像我们今天拥有的典型自动化一样。相反，机器人会听指令，执行动作，观察发生的情况，并根据需要进行调整。
Nvidia (NVDA) 也在做类似的事情，不过它更专注于通过其 Isaac 平台大规模提供、培训和部署技术。
Isaac 将 Nvidia 的加速计算硬件、模拟软件和人工智能模型整合到一个机器人平台中。
在机器人进入仓库或工厂之前，它可能会在虚拟环境中花费数百万个小时，学习如何导航障碍、操纵物体以及从错误中恢复。
训练完成后，相同的人工智能模型可以部署到 Nvidia 的 Jetson 边缘计算机上，让机器人能够处理传感器数据、理解自然语言指令，并在没有完整互联网连接的情况下实时做出决策。
该公司通过 Isaac GR00T 更进一步，这是一个开放式开发平台，其中包括专为人形机器人设计的基础模型。
就像大型语言模型充当聊天机器人的通用大脑一样，GR00T 为机器人提供了理解物理世界的共同起点。这可以帮助所述机器人执行新任务，而无需开发人员从头开始对每个动作进行编程。
但仅靠大脑并不能制造出机器人。眼睛、神经和关节仍然需要有人来制造——而这才是真正的机会可能隐藏的地方。
值得关注的最佳机器人股票：为物理人工智能提供动力的视觉、传感器和运动控制公司
虽然英伟达和 Alphabet 正在为物理人工智能奠定基础，但它们并不是唯一准备受益的公司。事实上，他们并不是唯一突破行业界限的人。
但尽管它们很大，但它们可能会被拉得太细。而且两家都不是真正的制造公司。
每个机器人，无论它是否存在，都需要观察、移动并与世界互动，以使这一切变得有价值。因此，必须有人制造这些零件，而且最好是一家在特定领域拥有专业知识的公司。
以机器视觉为例。人形机器人可能携带有史以来最先进的人工智能模型，但如果没有可靠的摄像头和视觉软件，它实际上是盲目的。
这就是像康耐视 (CGNX) 这样的公司在该行业取得一些成功的原因。
他们的视觉系统使机器人能够以人类无法比拟的速度和一致性来识别物体、检查产品、读取条形码和检测缺陷。康耐视在这方面已经投入了 40 多年，事实也证明了这一点。
该公司最近推出的 In-Sight 3900 视觉系统和 In-Sight 6900 视觉控制器将 AI 处理直接推向边缘，这意味着机器人可以在工厂车间检查零件并做出决策，而无需等待往返某些服务器场。
但仅有相机还不够。有人必须实时处理这些摄像机捕获的所有内容，而无需耗尽电池或需要将整个服务器机架固定在机器人的背面。 Ambarella (AMBA) 正是提供了这一点。
该公司设计低功耗边缘视觉芯片，使人工智能能够在本地运行。其最新产品 CV7 片上系统旨在处理多个摄像头流并运行用于对象识别的相同深度学习模型，同时将功耗保持在最低限度。
但除了摄像头和人工智能芯片之外，机器人还需要具有深度感知能力。相机非常擅长识别某物是什么，但它们并不总是擅长准确地知道它有多远，尤其是在光线不佳或杂乱的环境中。 （哦，生活在三维世界中的许多痛苦。）
值得庆幸的是，Ouster ( OUST ) 以其数字激光雷达（光探测和测距）单元填补了这一空白。该公司围绕固态硅芯片制造传感器，使一切变得更小、更便宜、更耐用。其最新的 Rev8 系列甚至还增加了原生色彩传感功能，让机器人能够生成周围环境的 3D 地图，并嵌入真实的深度数据。
然后我们进行运动控制。可以思考但不能移动的机器人只是一个聊天机器人。一个可以移动但缺乏精度、可重复性或控制力的机器人可能不足以证明其成本的合理性。这就是为什么精密运动组件对机器人制造商如此重要。
他们经常求助于 Harmonic Drive Systems (HSYDF) 等公司，这是一家领先的精密减速器和用于机器人关节和其他高精度定位系统的相关机电一体化产品制造商。
更高质量的运动部件可以提高定位精度、重复性、扭矩传递和控制。这些改进可以扩大其有效应用范围，从简单的举重和行走到更清晰和复杂的任务。
但比这更深层次的是，还有另一层大多数人从未考虑过：传感器芯片告诉机器人的关节和电机它们的确切位置以及它们在任何给定时刻消耗的电流量。这就是 Allegro MicroSystems ( ALGM ) 所从事的业务。
它的磁性位置传感器、电流传感器和电机驱动器可以让机械臂准确地知道它指向的位置，或者让移动机器人的电机控制器动态调整扭矩。
我知道;它不是技术堆栈中最华丽的部分。它不像英伟达或谷歌的精美人工智能大脑那么迷人，当然也不像康耐视的人工智能眼睛或 Ouster 的深度感知相机那么重要。
但如果没有这些微型传感器，那个奇特的人工智能机器人就可能是一个没有神经的大脑。它可以计划完美的移动到最后一刻的细节，但它不知道它的手臂是否真的到达了正确的位置，电机是否紧张，或者它是否即将压碎它试图拾取的物体。
那么谁真正试图将所有这些部件组装成一个成品的工作机器人呢？首先想到的是一家公司。
特斯拉擎天柱：这个人形机器人是机器人的未来吗？
当然，如果不提及特斯拉（TSLA），关于机器人和物理人工智能的讨论就不完整。
Optimus 程序是特斯拉的人形机器人，旨在执行重复、危险或体力消耗大的任务。最终目标是打造一款通用、大众市场的机器人，能够在仓库、制造工厂、企业、甚至家庭中工作。
在这一点上，特斯拉与英伟达和 Alphabet 截然不同。这两家公司正在建造大脑及其组成部分和程序。特斯拉正在建造整个东西：一个旨在自主操作的集成人形机器人。这可能是特斯拉在该领域拥有最大竞争优势之一的地方。
特斯拉已经运营着一些世界上最大、自动化程度最高的制造工厂。拥有多年规模化生产供应管理经验。它可以将基础设施和专业知识转变为成熟的 Optimus 工厂。
它对人工智能也不陌生，因为它将相关的计算机视觉、神经网络和规划技术应用到自动驾驶汽车中。
特斯拉还在内部开发机器人的大部分技术。从定制人工智能芯片和电池系统到电动机、执行器、软件和控制系统，该公司拥有并控制着自己技术堆栈的很大一部分。这样做的明显好处是公司可以自行开发和优化组件，而不是依赖第三方供应商。这可能意味着更快的开发时间、更严格的成本控制和更高的质量性能。
也许特斯拉最大的优势在于它不必等待外部客户来验证 Optimus。它已经在世界各地拥有工厂，这些工厂的工作完全符合人形机器人的设计目的。
重复性任务？查看。体力消耗大的工作？查看。工作环境有潜在危险吗？三重检查。
这为特斯拉提供了一个现实世界的试验场，工程师可以在将其提供给外部客户之前不断完善 Optimus 的硬件和软件。每一项改进都可以在生产中进行测试，这使得公司能够比一次为一个客户部署机器人的初创公司更快地发现问题、收集数据和迭代。
但这是这里的关键词：可以。
所有这些都是理论上的。 Optimus 是特斯拉长期愿景的一部分，而不是当前的现实。当然，该计划向我们展示了一些令人印象深刻的进展，但它仍在走向生产。目前还没有明确的证据表明 Optimus 机器人能够兑现所有承诺。更重要的是，制造数百万个负担得起的人形机器人是一项工程挑战，不同于该行业以前尝试过的任何事情。因此，未来几年我们不太可能看到重大进展。
尽管如此，如果该公司能够实现其目标，并且机器人行业正如首席执行官埃隆·马斯克（Elon Musk）所设想的那样发展，Optimus 最终可能成为特斯拉的下一个增长平台，与其鼎盛时期的电动汽车业务相媲美。
但在你陷入人形机器人的白日梦之前，这项技术的另一面还有一个不太舒服的问题在等待着你。
人工智能机器人和自动化对人类的影响
人类会发生什么？
从印刷机到工业革命再到数字时代的诞生，每一次彻底的技术进步都对当时的体力劳动和现有企业产生了巨大影响。
想一想。你最后一次在周六早上出去散步拿报纸是什么时候？报纸——我指的是实际的、物理的、印刷的报纸——还存在吗？我有一段时间没见到一个了。
这就是问题所在。当技术进步的新方面时，总会有人被抛在后面。我们在报纸上看到过。哎呀，如果报告准确的话，我们现在就看到客户服务人员正在被人工智能热线取代。
更糟糕的是，这一次看起来有很大不同。
与之前的自动化浪潮不同——老实说，它们主要局限于工厂车间或电脑屏幕——智能、高度移动的机器人的出现有可能蔓延到蓝领和服务行业。
仓库工人。看门人。勤务兵。零售库存职员。建筑工人。所有这些以及更多的东西很快就会被自动化机器所取代。这一切都归功于更好的经济。
机器人不会要求加班。他们不会在重要交易的早上请病假。没有带薪休假，没有健康保险，没有附加福利。他们不需要漂亮、开放的环境和乒乓球桌来优化工作流程和提高士气。他们当然不会在 17 楼与贾妮丝打架。
给机器人供电、进行日常维护并执行任务，理论上它可以全天候运行。
对于面临劳动力成本上升、长期工人短缺以及提高生产率压力日益增大的企业来说，这是一个极具吸引力的提议。
那么，我们现在可以期待机器人接管我们的工作吗？哪些行业是安全的，哪些行业是正确的？您需要担心未来几年的工作保障吗？
嗯……这些实际上是错误的问题。
历史表明，技术很少会在一夜之间消除整个职业。
以会计师为例。电子表格软件并没有消灭会计行业。会计师仍然做这项工作，但自己使用了新工具。
自动取款机并没有让银行出纳员消失。事实上，我上次去银行时，根据排队的人数量，银行非常需要柜员。即使柜员不再像以前那样在柜台处理那么多现金，他们也可以转向客户服务、提供其他金融产品和一般关系管理。
但这是我的乐观态度。 （我的另一半可能会说，太乐观了。）
因为事实是，几乎完全需要重复性、可预测性工作的体力工作正是机器人行业的目标。
因此，如果您的一天包括在大致相同的环境中执行数百次相同的动作序列，并且始终存在非常小的变化，那么，是的，您正站在自动化的十字准线中。如果物理人工智能革命成功，这些工作就会消失。
随着时间的推移，这个黑名单可能会扩大。
VLA 模型将变得更加强大。我们在人工智能聊天机器人中看到了这一点。我们从 2000 年代初期 SimSimi 的胡言乱语转变为法学硕士，就任何选定的主题撰写整本书。
唯一的区别是 ChatGPT、Gemini、Claude 和 Grok 都致力于严重依赖人性化和创造力的工作。因此，结果是……有说服力的。
书面人工智能工作有明显的痛苦标记。即使我们转向图像或视频，它们看起来都那么可塑。就像会动的芭比娃娃和肯娃娃一样。
但如果你看到仓库里整齐地堆放着一个架子，你能分辨出这是人做的还是机器人做的吗？
这就是物理人工智能与生成人工智能如此不同的原因。
机器人移动库存、卸货或清洁工厂车间不会留下那些明显的指纹。如果它正确执行任务，结果是完全相同的。
对于企业来说，这才是最重要的。
最终，公司会在工作完成后获得报酬。这就是为什么机器人技术吸引了世界上一些最大的科技公司如此多的关注。这也是为什么十年后全球劳动力的面貌可能会大不相同。
这个未来是否会在 5 年后或 15 年后到来仍有争议。但方向越来越明确。
但这对投资者来说意味着什么呢？
人们很容易忘记五年前，英伟达还是一家无聊的显卡公司，而人工智能仍然是一个科学项目。但是，与人工智能热潮不同的是，英伟达在早期就成为了明显的赢家，机器人技术正在形成一个更广泛的生态系统。将会有制造机器人的公司、供应芯片的公司、开发软件的公司，以及无数其他制造传感器、执行器、齿轮、电机和视觉系统的公司，所有这些都使物理人工智能成为可能。
特斯拉能否成为新的英伟达？没有人真正知道。但具有讽刺意味的是，就像人工智能热潮一样，机器人革命可能会给整个供应链的公司带来回报。
相关符号
最热门新闻