全球顶级对冲基金Coatue最近发布了一篇关于"具身智能"的重要报告，标题为《通用机器人的发展路径》。
Coatue认为，AI机器人是一股颠覆性的力量，有望成为人类历史上最大的科技浪潮之一，值得高度重视。
这篇报告亮点很多，不仅详细分析了当前AI机器人面临的挑战，同时也对行业发展做出了合理展望，从投资的角度给出了专业意见。无论你是科技投资人、AI从业者、还是对机器人感兴趣的朋友，都值得一读。
下面我给大家解读一下这篇大报告。报告链接放在文末，欢迎感兴趣的朋友去看原文。
（1）理想很丰满，现实很骨感
机器人行业可能是Demo与现实差距最大的行业之一。
1961年，第一台工业机器人诞生于通用汽车公司，用于汽车生产流水线。
经过50多年的发展，机器人的形态变得越来越多样，功能场景也丰富了起来，有扫地机器人、四足机器人、人型机器人等。
纵观历史，机器人渗透率其实是线性提升的。
以工业机器人为例，每万名制造业员工对应机器人的数量从2013年的53台增长到2022年的151台，复合年增长率达到12%。
虽然机器人行业整体发展稳中向好，但具体公司的表现并不尽如人意。
机器人公司普遍存在商业化困难的问题，加之前期资本开支巨大，22-23年大量机器人公司破产倒闭。
（2）空间智能，让通用机器人成为可能
上一代机器人更多是执行某些单一任务的，比如扫地机器人只负责扫地，农业无人机只负责灌溉农田，工业机器人只负责机械焊接等。
但随着AI泛化智能的涌现，下一代机器人有望成为"通用机器人"，胜任各式各样的任务与环境。
正如大语言模型让语言推理成为现实，空间大模型有望打破第四面墙，让AI真正理解物理世界，从而与之交互。
（3）机器人面临的核心挑战：缺乏训练数据
对人类来说很简单的任务，对机器人来说可能并不容易。
Coatue举了三个具体例子。
灵巧性：
空间感知能力：
平衡恢复能力：
为了克服这些问题，需要用海量数据进行训练，使机器人变得更加智能。
但机器人是一个非常新的领域，严重缺乏训练数据的积累。
对比不同模态下的最大数据集，文本模态约15T tokens，图片模态有6B图文配对数据，视频模态有2.6B视听特征数据。
然而机器人模态只有240万个数据片段，相比其他模态而言，数据积累远远不够。
（4）机器人训练数据的四种采集方式
既然数据是机器人发展的核心瓶颈，那么有什么方法可以快速积累机器人训练数据呢？
近年来，这方面的研究层出不穷，逐渐形成了四种流派。
机器人数据采集方法1：远程操作（Teleoperation）
顾名思义，由实验人员操作机械手柄，远程控制机器人做出相同动作，以此来积累数据。
机器人数据采集方法2：AR
在一项名为《通过增强现实实现可解释的人机训练与合作》的研究中，研究人员通过AR（增强现实）技术让人机交互过程具备更强的可解释性，从而进行数据积累。
机器人数据采集方法3：仿真
通过海量算力进行模拟运算，计算得出海量机器人训练数据集。
仿真可能是目前最有可能做到规模化数据生成的路径，背后需要巨大的算力支持。
目前Nvidia的Jim Fan团队采取的就是这条技术路径。
机器人数据采集方法4：视频学习
通过多模态大模型，直接让机器人通过视频学习人类动作，从而积累训练数据。
（5）机器人成本与人类工资的黄金交叉
随着GPU成本的下降，大模型训练的成本大幅降低。
过去一年中，Azure云平台上的A100显卡租赁价格从6美元/小时下降到1.5美元/小时，降幅达到75%。