這是一段人類與機器人之間的對話。焦繼超首次聽到這段對話時非常激動，因為以往機器人是不會這樣回應的，機器人可能會嘗試解釋口渴的原因，或者干脆沒有任何反應。
焦繼超是深圳市優必選科技股份有限公司（09880.HK，下稱“優必選”）的科技副總裁、研究院執行院長。他說，過去，即使一個機器人詞匯量再大，也無法真正聽懂人類的語言，只會響應預設的關鍵詞。這種情況在實際互動中的局限非常明顯，例如，機器人能理解具體的命令“給我倒杯水”，但無法理解更抽象地表述“我口渴了”。
焦繼超說：“即使是三歲的小孩也知道‘口渴’意味著需要喝水。”2016年，優必選啟動了第一代人形機器人的研發工作。盡管研發團隊能夠讓機器人的骨架和關節實現非常精準地運動，但提升其“大腦”的智能性始終是個難題。
機器人之所以能夠完成這段對話，是因為它采用了像ChatGPT（OpenAI研發的一款聊天機器人程序）這樣的人工智能大型語言模型。
大語言模型技術第一次成功模擬了人類的語言系統，讓機器人實現與人類自然對話。AI（人工智能）大模型技術的快速更新又讓機器人陸續擁有了類似人類的“眼睛”和“耳朵”等感官。通過視覺和語音大模型，機器人能夠更好地感知和理解周圍環境。當大模型演進到更高級的階段，不僅能夠處理和響應各種信息，還能夠自主決策和執行任務，模擬出越來越接近人類大腦的功能。
人工智能技術起源于20世紀50年代，它朝著模仿人類大腦的方向演進了七十多年，卻始終游走于數字世界；機器人技術起源于更早的20世紀20年代，并經歷了超過一個世紀的發展，機器人已經擁有了靈活的身軀和骨架，但一直未能獲得一個聰明的大腦。
在長期發展和“雙向奔赴”后，這兩大技術終于在當前的時間點交匯，這讓人工智能以實體之軀步入現實，去觸摸和改變世界；而機器人也不再只是執行簡單命令的機械，而是變得能夠思考、學習和適應環境，像人類一樣在工業生產線、醫療手術臺上工作。
焦繼超說：“這是一次質的躍遷，人形機器人的iPhone時刻到來了。”
讓機器人像人一樣說話
機器人“成為”人的第一關是語言。
起初，優必選嘗試使用傳統的處理方法和AI小模型來實現這一目標：先給機器人預設一些關鍵詞，然后再利用傳統的小語言模型（SLM）進行語義分割，通過識別關鍵詞來讓機器人觸發相應的指令。
焦繼超將這個過程描述為“類似于條件反射”。盡管這種方法能夠讓機器人熟悉特定的語言命令，但對于未預設過的關鍵詞和命令，機器人很難給出正確的反應。
為了擴展機器人的“詞匯量”，企業不得不通過編程不斷添加預設程序和關鍵詞，以模擬更多的條件反射，讓機器人能響應更多的人類語言。這一過程既煩瑣又復雜，涉及數據采集、標注、訓練以及驗證推理等多個環節，工程師們還需要不斷地調整參數。
盡管團隊付出了巨大的努力，但機器人在語言理解上始終存在局限，無法達到與人類自然對話的水平。反應慢、缺乏思考和推理能力，對于預設之外的新情況和問題，機器人往往無法給出合適的反應。焦繼超說，這無疑給團隊帶來了巨大的挑戰。
面對這種情況，他們轉而探索另一種技術——知識圖譜技術。他們構建了一個龐大的知識圖譜庫，希望通過命中關鍵詞來搜索數據庫中的知識，并據此生成回答。這種方法在一定程度上提升了機器人對自然語言的理解能力，但仍然存在局限性，機器人的回答往往預設性強，缺乏靈活性和人性化，這與團隊追求的自然、流暢的人機交互體驗仍有很大的差距。
經歷了一系列的嘗試后，焦繼超認識到，要實現真正的突破，需要更先進的技術。
機器人有了嘴巴、眼睛和耳朵
2021年底，OpenAI發布了具有里程碑意義的ChatGPT模型。ChatGPT以其強大的語言理解和生成能力引起了廣泛關注，它在自然語言處理技術上取得了飛躍式的進步，開啟了人工智能的“大模型時代”。
商湯科技智能產業研究院院長田豐對經濟觀察報說，在IT時代，人類通過編程語言開發軟件、實現人機對話，而大語言模型的出現簡化了這一流程，通過“人類母語”就能實現人機對話，這顯著降低了軟硬件開發和使用AI的門檻。
焦繼超首次使用ChatGPT時感到非常興奮，因為這種技術為解決機器人的語言交互問題提供了新的可能性。2022年初，焦繼超團隊通過開源的方式引入了大語言模型，并嘗試將其與機器人現有的系統集成，利用多年積累的數據和場景來提升機器人的語言交互能力。
結果令焦繼超驚喜，他舉例稱，當用戶說“我有口腔潰瘍”時，機器能夠理解其含義并推理出“緩解癥狀需要補充維生素”“水果里有維生素”，然后詢問用戶要不要吃水果，在用戶同意的前提下去為其拿取水果。
田豐說，AI大模型不僅能讀懂語言、文字，還能讀懂語氣、情緒，能敏感地捕捉和理解上下文信息。
但這還遠遠不夠。人類有五官，大語言模型僅僅作為機器人的語言系統而存在，機器人還需要多種感官能力。焦繼超注意到，處理圖像和語音的大模型也相繼被開發出來，這些模型的能力可以處理和理解機器人采集的視頻、音頻，像人的大腦能夠處理眼睛和耳朵收集到的外部信息一樣。
2023年9月，OpenAI根據ChatGPT進一步發明出了具備圖像和語音識別功能的GPT-4V，這意味著AI開始模擬人腦中復雜的神經網絡來識別圖像和聲音，并將其轉換為語言指令。
田豐稱，正如人類有視覺、聽覺、觸覺、味覺、嗅覺五感，這種多模態大模型帶來了多種感知能力。
焦繼超和團隊運用技術的手段將“嘴巴”“眼睛”和“耳朵”串聯起來，并實現互通協作，機器人變得能看懂、聽懂人類的指令，也就能夠更加準確地執行命令。
焦繼超說，當一個機器人具備了類似人類的眼睛，只要它進門在你家轉一圈，觀察一下，便會自主在“大腦”中形成一幅房屋的空間格局與陳設的地圖，過程中無須人為干預，而在過去，一個機器人觀察環境之后，還需要工程師做大量的建模和編程，才能在機器人的“大腦”中“畫”出一幅空間地圖，為后期的行動提供導航。
機器人的避障反應也更快了。
北京云跡科技股份有限公司（下稱“云跡科技”）CPO李全印稱，遇到障礙物的機器人的反應步驟非常多，要判斷是不是要減速、是不是要躲開、向右躲還是向左躲?，F在，公司運用AI大模型的強大計算能力和更精細化的算法，開發了先進的動態避障算法，能夠讓機器人理解環境，并快速作出正確決策。
然而，要將語言、視覺、語音等多類大模型集成在一起，組成一個完整的大腦，這并非易事。
田豐稱，多模態大模型的挑戰之一是如何統一處理差異化的跨模態數據，以保證時間的同步和空間的對齊。
焦繼超說，人類感官收集信息的路徑是通過語言形式傳輸到大腦，機器人也應該按照這種思路來串聯它的“眼睛”“耳朵”和“嘴巴”。因此，團隊將不同維度的信息接入到AI大模型的框架里，機器人看到的圖像和聽到的聲音以語言的形式傳入“大腦”，并讓“大腦”中的語言、視覺、聽覺系統彼此協作，以更好地作出決策。
僅僅能看、能聽、能說還不夠，人工智能距離真正模擬出人類大腦，還有最后一步要走——使用工具、自主執行任務。
田豐稱，當人工智能技術從單模態發展到多模態，并可以將AI大模型、記憶庫、執行體組合到一起的時候，就進化出了一種新形態——智能體（AIAgent）。
在形態上，智能體可以是純軟件的，也可以嵌入到硬件中。相較于AI大模型，它的升級之處在于進一步模擬了人類的決策和行動過程。如果AI大模型是一臺發動機，智能體就是一輛汽車。智能體不僅依賴于AI大模型的計算能力，還需要調用各種工具和執行部件來完成任務。