为什么机器人改变了方向，投资者也随之投入数十亿美元

机器人热潮本质上是一场学习方法的故事

人形机器人再次吸引了大量资本，但最重要的转变并不是审美抱负或科幻式营销，而是方法论层面的变化。最新一轮热情源于机器人被教导如何在世界中运作的方式发生了改变，而这一变化正帮助把一个长期以来的愿景转化为一个更具投资价值的领域。

根据原始材料，公司和投资者在2025年向人形机器人投入了61亿美元，是2024年投资额的四倍。单看这个数字就已经相当惊人。但这一激增背后更有力的解释，正是文章所强调的那一点：机器人技术已经从主要依赖费力的手工编码规则，转向更适合复杂现实环境的学习形式。

为什么旧方法遇到了瓶颈

多年来，机器人技术在概念上目标很高，但在实践中范围更窄。研究人员希望打造能够适应不同环境并与人安全互动的灵活、有用机器。然而，该领域在现实世界中的许多成果仍然是专门化且受限的。文章用科幻式雄心与工业机械臂、家用机器人的现实之间的鲜明对比，准确捕捉了这种错位。

早期的机器人开发需要工程师事先预判各种可能性，并将其明确编码。如果一台机器人需要叠衣服，工程师可能会尝试定义识别衣领、定位袖子、处理旋转、纠正褶皱以及控制形变的规则。这种方法对于边界清晰的任务有效，但随着环境变得更加多变，规则数量会迅速膨胀。

这种方法在结构化环境中能产生可靠系统，但难以泛化。机器人需要处理不确定的物体、变化的条件和不完整的信息时，手工编写的指令集就会变得越来越脆弱。

向学习的转变

文章指出，2015年前后出现了一个转折点，先进机器人技术越来越多地转向模拟训练和试错式改进。研究人员不再手动编写每条指令，而是可以构建数字环境，为成功设定奖励信号，并让系统通过反复尝试不断改进。这在概念上类似于某些早期人工智能系统学习游戏的方式。

这一转变之所以重要，是因为它改变了努力投入的方向。工程师不必试图枚举物理世界中的每一种可能情况，而是可以专注于设计环境、目标和能够通过经验学习有用行为的模型。这并没有消除困难。真实世界的机器人技术依然严苛。但它让这个领域与更广泛的机器学习革命更加契合。

下一次加速发生在2022年之后，当时大语言模型展示了经过大规模数据集训练的系统可以成为强大的预测器。原文指出，适配到机器人领域的相关模型可以输入图像、传感器读数和关节位置，然后预测机器人下一步应该采取的动作。这比基于规则的编程和纯粹的试错循环都更进一步。

为什么投资者如今看重这一点

资本通常会追随能力的变化，而不仅仅是叙事的变化。文章表明，投资者之所以回应，是因为他们相信机器人现在能够以更符合物理环境不可预测性的方式进行学习。一个能够吸收多模态输入并推断下一步动作的系统，看起来比那种依赖工程师事先编写每个边缘情况的系统，更接近真正的适应性。

在人形机器人类别中，这一点尤其重要。投资者支持人形机器人，并不只是因为它们看起来熟悉，而是因为他们押注更通用的学习方法终于可能支持更通用的机器。

但这仍然只是一个判断，而不是已经完成的事实。文章明确指出，许多人所想象的那些机器尚未完全建成。不过，这轮融资热潮表明，市场认为理想与落地之间的差距，已经比几年前小得多。

更深层的意义

当前这一时刻的真正意义在于，机器人正在更紧密地融入现代AI技术栈。依靠预测运行的模型、在模拟中训练的系统，以及更丰富的传感器融合，都在推动机器人走向一种进程：进步可以比主要依赖手工方法时更快地累积。

这并不意味着在某个固定时间表上就能实现大规模家庭部署或劳动形态的彻底改变。机器人仍然必须面对硬件成本、安全性、耐久性、部署复杂性，以及在受控环境之外可靠运行的挑战。但原文所描述的学习突破，改变了这个领域的重心。

它也重塑了关于实用性的讨论。一台机器人不需要一开始就是完美无缺的通用服务者，才能变得有经济价值。如果新的学习方法能让机器在较少脆弱编程的情况下处理更广泛的任务，那么它们就可以逐步创造价值，先在受限但不那么僵化的环境中发挥作用，然后再有可能走向更广阔的场景。

新的篇章，而非 заверш结的故事

2025年的机器人热潮，与其说是一场突然的奇迹，不如说是多年技术重新定向的结果。这个领域正从预判每一种意外情况，转向构建能够从数据、模拟和多模态上下文中学习行动模式的系统。投资者已经注意到了这一点，61亿美元的数字也突显了这种变化。

这笔资金最终能否产生持久成果，将取决于这些学习方法能在多大程度上从有前景的演示转化为可靠的物理系统。但文章有力地表明，一些根本性的东西已经改变。机器人技术不再只是靠编写更好的规则向前发展，而是在通过改变机器学习下一步该做什么的方式来前进。

本文基于 MIT Technology Review 的报道。阅读原文。