机器人要走出实验室进入现实环境,仅有一个聪明的“大脑”并不够。帕西尼(PaXini AI)创始人兼CEO许晋诚博士在ALIGNMENT大会现场围绕“物理AI的PIE”展开分享,讨论机器人如何借触觉感知、智能决策与执行能力形成完整闭环。
人体皮肤内有多种触觉感受器,其中帕西尼小体与纹理及高频振动感知相关。帕西尼公司名称正由此而来,团队希望做出类似帕西尼小体的传感皮肤。许晋诚用握水杯和拿鸡蛋说明触觉对力度控制的价值:人脑根据手指传来的密集信息调节抓握,既不让鸡蛋滑落,也不至于将其捏碎。
机器人做同样清洁动作时是否真的理解接触状态,是许晋诚提出的问题。人操作吸尘器需要依据力觉反馈判断吸嘴与地面的贴合程度,并随时调整下压力;若机器人缺少这种物理理解,就只能停留在“会做动作”层面,难以稳定可靠地完成任务。智能若只处理指令和提示词,而不与物理世界发生作用,能力便不完整。
许晋诚将机器人需要的能力概括为PIE:感知、智能和执行。感知让机器人捕捉接触与受力变化;智能负责把数据转化为理解与决策;执行则依托本体和末端执行器把动作落到现实。三者在机器人身上缺一不可,只有连通起来,机器人才能从看见走向互动,从被动接收信息走向主动理解物理世界。
感知层依托自研传感器芯片。帕西尼通过GEN FUSE传感器芯片架构开发指尖触觉传感器、关节扭矩传感器、末端六维力/力矩传感器,以及覆盖手掌、机器人皮肤和脚底的触觉产品。演讲展示的灵巧手可捏住细针,当人轻触针体,指尖传感器迅速识别外部接触和受力变化,驱动手部后撤。这样的反馈使机器人不仅能完成捏取,还能在与人接触时作出安全反应。
为让机器人积累经验,帕西尼建设数据工厂,采集人类与物体互动的数据。许晋诚介绍,OmniSharing DB已积累超过100万小时高精度人类数据,其中包含触觉信息,可用于仓库、家庭、工厂等场景的预训练、后训练和终身学习。公司布局五座数据工厂,并开发Omni VTLA 2.0飞轮算法模型,把数据工厂数据和机器人自身产生的数据纳入训练;Feelix World则对触觉信息进行编码,配合语言、视觉和交互信息,支持少样本乃至零样本泛化。
除固定场所采集外,帕西尼还提供让用户在家中教机器人的设备。演讲中的手套并非遥操作,而是用来记录操作数据,再以这些数据训练小模型,使机器人较精确地复现动作。每一次人与物体的互动,都可能成为物理智能飞轮的输入,把接触经验转化为机器人能力。
执行环节同样关键。即使感知和决策能力完备,机器人仍需可靠的本体和手部来完成闭环。帕西尼设计多种机器人手,并开源灵巧手设计供其他机器人公司使用。其DexH13灵巧手经过大量测试,累计使用测试时间超过2万小时。
许晋诚还提出另一组PIE:Platform、Integration和Ecosystem。前者指向机器人感知、智能、执行与物理世界的连接,后者强调平台、集成和开放生态,让更多开发者能基于自身技术开发机器人,共同构建可参与的机器人系统。
如何判断机器人是否具备真正的物理智能?许晋诚给出的直观方法是看它能否处理此前从未见过或从未操作过的物体。若能应对这些陌生物体,机器人才可能在现实世界中体现智能。许晋诚把现实世界中可衡量的交互视为检验机器人和物理AI的重要依据。


