特斯拉AI Day：车企能造好机器人吗？
作者 | 洪泽鑫
编辑 | 德新
很多人肯定都看过上面这个对比视频。
不少吃瓜群众感慨，小米比特斯拉领先整整60年。
左边的特斯拉机器人像20岁，右边的小米机器人看起来像80岁。
但事实上，特斯拉的这个机器人是人扮的。
而在中国国庆假期的第一天，我们终于看到了特斯拉人形机器人Optimus的原型机。
这...我硬生生把到嘴边的欢呼声吞了回去。
看起来顶多比小米机器人年轻个两岁，不能再多了！
这机器人老态龙钟到上下台都需要三四个大汉抬着。
一下子仿佛看到了老龄化社会。
除了机器人，这场长达三个小时的直播还讲了些什么？
马斯克一开始就预警了这次AI day有大量专业名词，主要是给技术人才看的。
今天简单总结点普通人能看懂的。
1.为什么选择人形机器人？
首先，特斯拉强调机器人Optimus从初代开发平台到现在只过去了6个月，潜台词是：
做成这样已经很可以了。
特斯拉选择做“人形”机器人的出发点是：人体是最灵活的架构。
在理解人形机器人的优势之前，需要先弄懂“自由度”这个概念。
大学学过机械原理应该不陌生，通俗来说，自由度（Degree of Freedom）是指机器人身上能够运动的关节方向的数目，自由度越多，活动越灵活。
举个例子，下图的这类机械臂只有6个自由度，这意味着，在A点和B点被固定住的前提下，它无法从左边直接变换为右边状态。
而换做7个自由度的机械臂，就跟人类手臂类似了，把肩膀A点和手指尖B点固定住，也能变换很多种状态。
Optimus的全身自由度数量是28个，分布如下图所示。
以下则是波士顿动力的机器人Atlas的自由度分布，基本是一致的。
而Optimus的手部自由度有11个，6个驱动器（Actuator），号称可以提20磅的袋子（9.07公斤），既有足够的抓取力，又能抓取又细又薄的东西。
此外，本次的原型机并没有公布身高体重，但特斯拉此前曾说过高1.72米，重56.6千克。
造价方面，预估量产价格不超过2万美元——前提是产量达数百万台。
相比人类，人形机器人确实可以“取其精华去其糟粕”，做到比人体更高效——人类就算坐着不动也在消耗能量。
但自由度越多，结构就会越复杂，难度越大。
自由度的设计是要贴合落地场景的，否则很容易闭门造车——换句话说，精准的场景定位是人形机器人商业化的基础。
特斯拉的官方说法是：Optimus短期应用于个人/家庭场景，中期有望进入商业服务场景和非结构化&轻量化工业场景，长期待交互技术进一步突破后有望满足情感、陪伴等需求...造福人类...替代人类从事危险、重复、无聊的工作。
问答环节，马斯克被问到Optimus有什么使命、未来会不会跟人对话，他反复在说：
“我也不知道Optimus最终会是什么样子的...但肯定很有意思...肯定不会是终结者那样...肯定不会无聊。”
就是没想好到底能用在哪里呗？
也是，这老态龙钟的机器人，是还不太用得上。
2.造车的公司造机器人可行么？
在人形机器人的研发上，特斯拉在四个轮子的汽车上抄了不少作业。
第一，上图的橙色部位是Optimus的驱动器（Actuator），简单理解就是让机器人发出动作的动力机构，可以比作汽车的电机；蓝色部位是电气系统（Electrical System），可以比作汽车的电子电气架构。
2.3 kWh、52V的电池包是在胸口的位置，保证电池高效和安全方面用的是电动汽车的技术。
第二，计算机跟电池包是放在一起的，计算单元跟的车载计算单元是一致的。
此外还有无线通讯模块、语音模块和安全保护模块，充电管理、传感器和冷却系统高度集成。为了最大化地降低汽车碰撞带来的损伤，车企一般会通过仿真来优化和改进车辆溃缩、保护电池，同样的方法也被特斯拉用在防止机器人摔倒上——摔跤时优先保障“大脑”以及躯干电池组的安全。
试着在脑海里把Optimus放倒，再看它的这些电池包位置、电气架构，是不是有点眼熟？
这样的架构也并不新颖，之前日本的HRP-5p建筑机器人以及慕尼黑工业大学的LOLA机器人都是把电池包和集成电路背在身后。
很多人拿波士顿动力Atlas来比较，但Atlas更偏向腿足式机器人，采用液压驱动控制，单台造价差不多200万美金。
你看小米的腿足式机器人CyberDog走得也挺溜的。
第三，Optimus的行走模块算法也跟自动驾驶汽车的规控模块类似，不是简单制定规则，而是设定目标，通过奖励函数，让Optimus自行适应动态的环境变化。
第四，在Optimus执行器的配合上，也像汽车一样，考虑到了能量成本。因为电动车有前后两套电驱，当车辆加速时，需要考虑前后电机如何配合才能达到效能最大化。Optimus在执行各种动作时，也需要有多个执行器配合，特斯拉会通过仿真优化，来保证工作执行时达到最低能耗。
第五，Optimus的视觉感知也可以看成是一辆装上脚立起来的汽车，用的也是FSD的Occupancy Network，需要做的就是再收集更多数据。室内GPS信号比较差，所以视觉导航定位也需要像汽车进入地下停车场般精准。
最后，在运动规划上，特斯拉先是表示：很难。
拥有四肢的机器人要想动起来，比四个轮子的汽车确实复杂多了。
因为汽车的行动路径只有横线和纵向两个方向，而人形机器人的运动除了前进后退、左转右转，还需要考虑平衡、弯腰、踩踏、下坡等等情况。
现在特斯拉的做法是通过捕捉现实生活里人类的动作，把这些动作简化成轨迹，借助运动学来实现机器人的轨迹优化。
综上所述，造车的公司造机器人确实有很多优势，但也不完全相通。
很多自动驾驶公司一开始都是基于ROS做的自动驾驶系统——ROS是一个用于开发机器人应用程序的、类似操作系统的机器人软件平台。
可以说自动驾驶源于机器人，很多自动驾驶做决策规划的工程师都是从机器人赛道出来的，只是ROS无法满足大数据量传输、实时及稳定的需求，所以自动驾驶公司逐渐迁移或自研其他架构。
3.特斯拉FSD成绩单漂亮么？
目前，特斯拉FSD的用户已经从2021年的2000人增长到16万人。
期间，FSD版本更新了35次，训练了75778个模型，共收集了有480万个Clip（场景数据），现在已经实现从一个停车场自动驾驶到另一个停车场。
马斯克还说FSD早就可以在很多国家推出了，没有推出是因为很多国家法规不让。
特斯拉用下面这个图概括了FSD的核心技术栈，并且分别介绍了各个模块的最新技术进展，技术门槛挺高，没法一一介绍，只列我看到的几个亮点：
感知方面，基于attention的transformer做前融合，去年特斯拉AI Day 之后，transformer就在业内火了起来，国内的毫末和轻舟也一直在提。
仿真方面，不用NeRF方案，从地图上的线到网，从网到面，就能生成基于真实数据构建的虚拟城市。生成整个旧金山地区的仿真环境，只需要一个人两周时间就能搞定。
自动标注方面，特斯拉将训练场景的标注速度提升了1000倍，在人工操作的情况下这些或许需要一两周甚至几个月时间。
4.Dojo超级计算机想成为全球最强超算系统？
要想得到更好的神经网络训练结果，就离不开高效率的芯片。
Dojo超级计算机已经给特斯拉在代码、设计方面实现了30%的训练速度提升。
比如，Dojo运行“Stable Diffusion”模型生成火星上的Cybertruck，只需要几分钟。
比如，只使用一个由25个D1芯片组成的训练块，就能实现6个GPU机箱的性能，且成本低于一个GPU机箱。
再比如，只需要4个Dojo超级计算机机柜的算力，就能实现72个GPU机柜的自动标注性能。
特斯拉会在2023年第一季度布置第一批10个Dojo超级计算机机柜，即算力超过1.1EFLOPS的ExaPOD，将自动标注能力提升2.5倍。
将来，特斯拉要在帕罗奥图布置7个这样的集群。
马斯克还提到，Dojo超级计算机未来也有可能跟亚马逊AWS一样，作为一个基础服务设施来卖钱。
5.结语
因为Optimus机器人一年来的成绩单交得过于老实，这个AI Day的开头很让人失望。
但整场AI Day确实很有“招聘会”的氛围，是由不同模块工程师的内容无缝串讲起来的，分享的内容很硬核。而且员工群体十分具备多样性，里头还有好几位让人印象深刻的华人。
活动展现出来的这种自由和平等，确实是工程师所向往的企业文化。
至于对Optimus的评价，马斯克自己说出了大家的声音：
我们希望不仅仅有好的想法，还要有好的结果。
参考资料：
DARPA'S ATLAS Robot Needs A Brain
https://www.i-programmer.info/news/169-robotics/6095-darpas-atlas-robot-needs-a-brain.html
Development of a Humanoid Robot Prototype, HRP-5P, Capable of Heavy Labor
https://www.aist.go.jp/aist_e/list/latest_research/2018/20181116/en20181116.html
Making Atlas Dance, Run, and Jump
https://www.youtube.com/watch?v=yagQG_b_hfs