TDK Ventures创始人兼总裁Nicolas Sauvage与ANYbotics的四足机器人。| 来源：TDK Ventures
一个机器人拿起一个物体，移动它，然后成功地把它放下。它灵巧吗？也许吧。但现在让它成功地做这件事数百次，同时物体轻微移动、它的抓握发生变化、部件磨损，并且出现意外故障。那是对灵巧性难得多的考验，也是衡量一个机器人是否足够灵巧以应对现实世界的更好标准。
我们在机器人能够操作什么方面正在取得快速进展。然而，有用的灵巧性不仅仅是完成一次单个动作的能力。它是感知、抓取、移动、调整和恢复的能力，且可靠性足以在无需持续人工协助的情况下完成整个工作流程。
一个99%成功率成功的机器人听起来已经可以投入工作了，但一项工作很少只包含单个动作。设想一个需要按顺序完成100个物理动作的工作流程。在每个动作99%的成功率下，全部100个动作在第一次尝试中成功的概率仅为36.6%。将成功率提高到99.9%，完成该工作流程的概率升至90.5%。达到99.99%时，则达到99.0%。
当然，这是一个简化的例子，假设各成功率相等且相互独立，但它说明了一个重要观点。一个99%成功率的机器人并不一定就是99%自动化的。
当在整个工作流程中反复出现时，小的可靠性差距会变得大得多。这意味着一个在演示中看起来几乎完美无缺的机器人，仍可能远未准备好进行自主部署。两个9和四个9之间的差异，最终可能决定一个机器人是否准备好独自工作。
机器人灵巧性的下一个重大挑战，不仅仅是教机器人做更多的事，而是让整个系统足够可靠，从而将这些能力转化为有用的工作。
灵巧性是一个系统，而不是一只手
机器人灵巧性常常被当作一场硬件竞赛来讨论：更多手指、更多关节、更多运动自由度。虽然这些能力显然重要，但客户买的不是自由度。客户买的是有用的工作。
完成这项工作需要一个跨越视觉、位置、接触、力、压力、抓握、移动和调整的闭环。动力、安全性、灵活性和恢复也很重要。
并非每个工作流程都需要触觉，因为在某些情况下，视觉和运动数据可能提供足够的信息。但触觉也可以有用地告诉机器人物体正在滑落、接触不稳定、施加的压力过大，或某个部件已正确就位。
因此，目标不是把每一种感知都堆到每个机器人上，而是给系统足够多正确的信息，以便可靠地行动和恢复。
TDK Ventures帮助早期阶段的材料、能源、清洁技术、工业5.0、出行和健康科技初创企业扩张。| 来源：TDK Ventures
更多的9来自学习
恢复是灵巧性的重要组成部分。如果机器人开始失去对物体的抓握，有用的衡量标准不是最初的抓握是否完美；而是系统能否足够早地检测到滑落，以便在小错误导致整个任务失败之前加以纠正。
在部署过程中发现的故障可能暴露软件、感知或控制方面的问题，也可能揭示硬件本身需要重新设计。改变手部会改变运动、感知和校准，因此用一种物理设计收集的数据可能无法直接迁移到另一种设计。因此，现实世界部署是开发过程的关键部分。
部署会揭示滑落、糟糕的抓握、磨损和失败的恢复。这些经验成为可以改进软件、仿真、感知、控制和硬件的数据。每个循环都可以让下一次部署更可靠、成本更低。
一项技术突破可能开启这段旅程，但真正放大其影响的是围绕它的学习系统。机器人灵巧性也应以大致相同的方式来看待。额外的9来自反复部署、学习和改进。
合适的身体取决于工作
可靠性还要求我们抵制将更像人类的机器人等同于更好的机器人的诱惑。出发点应该是工作。从那里出发，倒推确定执行该工作所需的环境、物理形态和系统。
灵巧性也应遵循同样的逻辑。最像人类的手可能并不是特定工作流程的最佳手。目标不是最大化的灵巧性。而是可靠完成有价值工作所需的最低足够灵巧性，我们已经开始看到这一原则被成功部署。
Agility的Digit是一款为物流和工业工作设计的双足机器人。Digit可以直接连接适合该工作的专用工具，而不需要五指手，也不必被做得尽可能像人类。它具备工作实际所需的形态和灵巧性。
ANYbotics将同样的原则应用于不同的环境。其四足机器人可以在工业场所的楼梯和不平坦表面上导航，同时检查危险区域减少了人员暴露的需要。在一次部署中，据报道其技术已在450个检查点完成了超过33,000次检查。
Starship Technologies采取了不同的方法。其配送机器人需要沿着人行道行驶，因此小型轮式形态比腿更适合这项工作。这种专门构建的方法帮助Starship报告了超过1000万次自主配送。
这些机器人看起来和运行方式非常不同，因为它们执行非常不同的工作。然而它们展示了同样的原则：正确的物理形态是适合工作、并能在真实环境中反复执行该工作的形态。
我们对Agility、ANYbotics和Starship的投资改变了我作为投资者所提出的问题，尤其是在我们持续深入探索灵巧性的过程中。比起哪个机器人看起来最像人类，我更感兴趣的是哪个完整系统能够达到其客户实际所需的可靠性。
Sauvage与Agility Robotics的Digit人形机器人。| 来源：TDK Ventures
衡量工作，而不是演示
这改变了我们应该如何衡量物理AI的进展。演示中展示的单个动作的成功率，几乎不能告诉我们一个机器人是否真正准备好自主地在现实世界中工作。
我想知道，有多大比例的完整工作流程能在无人协助的情况下完成。当出现问题时，机器人能在多大比例下无需帮助自行恢复？当物体、光照、位置、磨损或周围环境发生变化时，性能会如何变化？
接下来是一些不那么光鲜、但在规模化时变得极其重要的问题。在反复使用下，最先损坏的是什么？能以多快的速度诊断、修复并重新投入使用？每项成功完成的工作的速度、正常运行时间和成本是多少？
归根结底，这些是比机器人一次性展示更能衡量灵巧性的指标。机器人不需要最像人的手、最多的关节或尽可能最广泛的技能范围来创造价值。它需要的是物理形态、传感、控制和恢复能力的正确组合，以便在它实际工作的环境中可靠地完成一项有价值的工作。
我认为，机器人灵巧性下一阶段的进展将在这里决出胜负。该行业在机器人能够做到的事情上已取得非凡进步。如今的挑战在于，将这些能力转化为客户可以信赖的系统，使其能够反复执行有用的工作，在出现问题时恢复，并通过部署不断改进。
关于作者
Nicolas Sauvage是TDK Ventures的创始人兼总裁，该公司是TDK Corp.的全球企业风险投资部门。他于2019年创立了这家公司，其核心理念很简单：创业者优先。
如今，TDK Ventures管理着4只基金共计5亿美元，并在全球范围内投资早期初创企业，涵盖AI与计算、能源、工业与机器人、出行以及先进材料领域。