機械人唔係加 AI 就得？由定位、SLAM 到世界模型

※ 本文由 AI 根據影片內容整理，如有錯漏敬請指正。
📺 觀看完整影片：[一片講解機械人學：由定位、SLAM 到世界模型。機械人唔係加 AI 就得？｜學識AI EP6]

---------------

近年 AI 的能力突飛猛進，識寫文、識寫程式、識整圖整片，於是好多人都會問：如果 AI 真係咁聰明，點解仲唔可以幫手煮飯、洗衫？點解唔可以將 AI 直接安裝落一個機械人度，佢就自然一樣咁醒？

由江啟明主持的《學識AI》EP6 指出，呢個問題嘅根源，係我哋平時用嘅 AI 面對嘅主要係「資訊世界」，而機械人面對嘅係「真實世界」——喺資訊世界聰明嘅 AI，唔代表去到真實世界一樣咁叻。

## 資訊世界 vs 真實世界

我哋平時用 AI，多數時候只係打一段 prompt，AI 嘅工作就係理解語言，然後喺資訊世界入面生成一個答案，最多都係喺電腦或者網絡世界上發生。但對機械人嚟講，事情完全唔同。如果你叫機械人「幫我攞杯水過嚟」，呢句說話背後包含好多層現實世界問題：杯喺邊、你喺邊、機械人自己喺邊；隻手點樣伸出去、用幾多力先攞得起個杯；廚房喺邊、水喺邊、點樣沖水入杯；點樣行去廚房再行返嚟、中間有冇障礙物；杯入面有冇水、會唔會倒瀉；如果冇水或者個杯爛咗，又應該點應對。

呢一連串問題，對人類嚟講近乎本能，但對機械人嚟講就係一整套要拆解嘅難題。江啟明用「know-why」同「know-how」嚟形容呢種分別：大型語言模型嘅智慧建基於概念知識（know-why），而現實世界嘅知識係實用層面嘅 know-how。就好似睇完一本教人踩單車嘅書，就算背晒書入面每一句話，都唔代表你識踩單車——呢兩種係完全唔同層次嘅知識。

## 機械人點樣感知世界

人類行入一間房，幾乎唔使諗都即刻知道桌子喺邊、門喺邊、有冇人行過嚟、行唔行得過去。但呢種能力，其實係人類由嬰兒到小朋友階段，累積咗好多年經驗先轉化成嘅「唔使諗」嘅知識。

機械人一開始收到嘅唔係一間房，而係一堆感測器信號——相機影像、距離感應器、雷射掃描、機械手嘅觸覺信號等等，全部要集合埋一齊分析先可以用。而且呢啲信號永遠都唔完美：相機受光線影響會反光或者睇唔清；玻璃、鏡面、透明膠會令距離感測器出錯；物件又可能被遮住，令機械人淨係見到一部分。所以機械人係由一堆不完整、甚至可能有錯嘅信號，去猜整個世界究竟係點。而家嘅 AI 已經好識辨認相片入面嘅物件，但對機械人嚟講呢淨係第一步——仲要判斷距離幾遠、有冇耳仔可以攞、用咩物料整、會唔會打爛，一大堆實際物理問題。

## 定位、被綁架嘅機械人，同 SLAM

下一個問題係機械人點知自己喺邊。人喺屋企一眼就知自己喺廳定廚房，仲知道自己面向邊個方向；機械人就要靠自己嘅感測器嚟估計位置。室外可以用 GPS，但誤差都有成幾米至十米，喺屋企行動遠遠唔夠準。所以機械人要不斷靠自己睇到嘅嘢同行過幾遠去估計位置，但每一步都可能計錯——被人推一推、相機睇唔清、傢俬被搬過、地圖過時，都會令機械人嘅位置估計出錯。所以機械人嘅位置永遠只係一個估計，唔係絕對答案。

呢度江啟明分享咗一個經典嘅機械人學問題——「Kidnapped Robot Problem」（被綁架嘅機械人問題）：如果你走去一個機械人度，關咗佢、抱起佢、放去第二個位置，再開返佢，佢會點？由於中間嗰段路唔係機械人自己行嘅，佢嘅「腦」仍然以為自己喺原本嘅 A 位置，但實際上已經喺 B 位置。呢個時候佢就要靠即時睇到嘅嘢，重新喺地圖上定位——呢種情況喺現實入面經常發生，尤其係小朋友最鍾意咁樣「玩」機械人。

呢個問題帶出一個「雞先定係蛋先」嘅矛盾：要畫一張好地圖，機械人要知道自己喺邊；但要知道自己喺邊，又要有一張準確地圖。解決方法就係兩樣一齊猜——呢個正正就係機械人學入面嘅經典難題 SLAM（Simultaneous Localization and Mapping，同時定位與建圖）。江啟明提到，呢個問題正正就係佢自己嘅博士研究題目，二十幾年前開始已經係一個極度困難嘅問題，因為計算量複雜到爆炸；直到近年靠住各種新興 AI 技術，先算有可靠嘅解決方法。

## 身體控制：由行路到攞嘢

有咗地圖同定位，仲只係開始。真正困難嘅係機械人要喺一個會變嘅世界入面，一路感知、一路修正地圖同定位，再一路執行任務。

身體控制方面，傳統四輪機械人相對簡單，因為唔會跌低，但只可以行平路，上唔到樓梯；人形機械人就困難好多——每次拎起一隻腳都係一個恐怖嘅平衡問題，全身幾十個關節要同時計算移動幾多，仲要考慮力度、重量、慣性。喺唔同環境，出力嘅效果又唔同：階磚地可能會滑、地毯可能影響摩打效率、地面可能唔平，呢啲都會影響實際行動效果。而且呢啲姿勢選擇要平衡安全、省力同可行，每次都要因應環境即時計算同調節——所以機械人學嘅計算並唔係「由一個地方去另一個地方」咁簡單，而係要落實到全身幾十個關節每一秒每一刻嘅出力，要喺即時實時嘅情況下運算，相當唔容易。

## AI 可以點樣幫機械人

感知、定位、建圖、路線規劃、控制身體、執行任務，呢啲獨特問題唔係單靠大型語言模型就可以即刻搞掂。江啟明歸納咗 AI 可以喺四個範疇幫到機械人：

第一，AI 可以幫機械人理解物件嘅意義——由淨係知道「前面有障礙物」，變成知道「呢個係門」、「呢個係杯」、「呢個係人」，從而知道門可以打開、杯可以攞起、遇到人要保持距離同減慢動作，令地圖由「有咩喺嗰度」變成一張有唔同意義嘅地圖。

第二，AI 可以幫機械人理解自然語言任務——人類唔會同機械人講座標、角度、力度，只會話「幫我攞杯水」，AI 就可以將呢啲自然語言目標拆解成一連串具體步驟，再交返俾傳統方法執行運算。

第三，AI 可以從示範中學習——好似摺衫、開袋、拉櫃桶呢啲好難用規則寫死嘅動作，AI 可以由唔同例子搵出規律，反過嚟變成機械人各種角度嘅參數。

第四，AI 可以幫機械人處理失敗後嘅補救——現實世界唔完美，杯可能跌、門可能打唔開、路可能忽然被擋，如果機械人淨係識跟原定程序，好容易卡死甚至出意外；有咗 AI，就可以作出高層次判斷，估計下一步點補救，再變返做細指令去指揮機械人執行。傳統方法負責精準即時嘅計算，AI 就輔助高層次、複雜嘅判斷——兩者其實缺一不可。

## 世界模型：由感知到預測

節目最後講到近年大型 AI 公司經常提起嘅概念——世界模型。前面講嘅感知、定位、建圖、控制身體同執行任務，其實都仲未夠。如果機械人真係夠聰明，佢應該再問深一層：如果我做咗某個行動，呢個世界將會點變化？

知道呢啲變化，對機械人可唔可以持續執行下一個任務相當重要。如果機械人淨係被動咁等事情發生咗先反應，往往太慢；相反如果佢有世界模型，就可以喺事情發生之前已經預測得到，早啲做相應措施。可以咁講，世界模型就係將傳統靜態嘅地圖，變成一個同現實世界對應嘅動態模型——例如推門會點開、杯跌落地會點——呢啲預測全部需要物理甚至化學知識。穩定可靠嘅世界模型對機械人嚟講非常重要，因為一部真正有用嘅機械人唔可以每件事都靠亂試、等事情發生先至應對；相反如果佢可以預測到下一步，就可以做到似人一樣嘅行為舉動——喺現實世界入面同各種事物互動，知道世界點變化，呢件事用傳統方法係好難做到。

## 總結：三層理解

江啟明將今集內容歸納成三層理解：第一層係認知世界——機械人要睇到周圍事物，判斷自己喺邊，慢慢建立地圖；第二層係喺世界執行任務——除咗避開障礙物、控制身體、執行任務，仲要明白人類俾嘅語言任務，透過示範學識點完成；第三層係預測世界嘅各種變化——機械人身處呢個世界，一定要知道自己嘅每個動作會令世界點變化，同埋世界本身嘅物件又會自己點變化。三層接埋一齊，先至成為一個真正有用嘅 AI 機械人。

所以，並唔係將 AI 放入機械人咁簡單，而係要將傳統計算方式同現在嘅 AI 合併，先至可以有效率咁處理機械人要面對嘅現實世界問題。現時嘅 AI 喺資訊世界已經表現得好聰明，但要幫到機械人喺真實世界行動，就要獲取另一個層次嘅知識——並唔係要 AI 識更多概念知識，而係要學識點樣走出呢個世界、睇呢個世界。

如果 AI 真係要走出螢幕，呢一步，先至係關鍵。