Vijay Kumar 为什么不肯把它们叫作“无人机”

当 Lex Fridman 问起 Vijay Kumar 参与制造的第一台机器人时，答案并不是一台小小的四旋翼机。Kumar 读研究生时研究的是一台六足机器，重将近 7000 磅，靠液压驱动。18 个液压电机各自由一块 Intel 8085 或 8086 处理器控制，另有第 19 台计算机负责协调各个关节。他的论文要解决的，是如何统筹这 18 条腿，尤其是气缸里的压力，好让机器高效地移动。

当时的时钟频率大约只有 0.5 兆赫，而关节与关节之间的消息，每秒仍要传递数百次。Kumar 说，那个项目的人在 1980 年代写出了他相信是最早的多处理器操作系统之一。他回忆说，看到那个庞然大物动起来很惊人，不过回过头看，整个东西本该小得多。如今波士顿动力和宾大衍生公司 Ghost Robotics 的机器，说明了底层技术已经缩小了多少。

那时候，计算能力和传感器迫使一切都大得不必要。人的心理仍然把大看作宏伟：人们对纳米技术的敬畏，远不及对航天飞机或波音 747 的敬畏。Kumar 后来的职业生涯，则是朝着相反方向的论证。他用几十年的时间证明：小，也可以是更美的机器。

被问到他见过的最优雅的机器人动作时，Kumar 没有挑出某一台特定的机器。他最引以为傲的，是那些能在狭小空间里机动、并协同形成三维图案的小型载具。一旦它们能做到这一点，就能在天空中构造物体，并随时重塑它们。实验室此前已经用地面机器人做过二维版本；把同样的想法挂在半空中，又是另一回事。2011 年，这还能上新闻。八年之后，他说，它看起来几乎成了标准做法。

他说，对工程师而言，美不同于外人看到的美。他指的是物理形态：让一个形状在空中成形，并让它变形。每台载具的敏捷性固然重要，但美是在分布式协作中涌现出来的。Fridman 接着问，应该把这些机器叫什么：UAV、四旋翼，还是 drone？

Kumar 不喜欢“drone”这个词。在他看来，这是一种贬称：指一台愚蠢、预先编好程序、只会做一件小事的东西。他认为，机器人远不止于此。“无人驾驶”也不太准确，因为无线电遥控飞机同样没有飞手。准确的说法是空中机器人，最好前面再加两个形容词：敏捷的、自主的。Kumar 是宾大教授、宾大工程学院院长，也曾担任 GRASP 实验室主任。GRASP 全称是 General Robotics, Automation, Sensing and Perception（通用机器人、自动化、传感与感知），实验室成立于 1979 年，比现在许多正在造飞行器的工程师都要早。

为他的工程提供指引的生命系统是蚂蚁。单只蚂蚁结构简单，却很稳健：就算拿掉它六条腿中的一条，它仍能走路，可能根本没察觉。蚁群则增加了第二个层次。洪水来时，它们会连成一个筏子；它们会招募同伴搬运大块食物；它们朝不同方向觅食，直到达成一致，而且不用像人那样交谈。“在某种意义上，它们可能也比我们更懂得怎么做民主。”Kumar 说。

Fridman 问，是否应该把蜂群当作一个活的生命体来对待，就像有人把人类文明看作一个单一的生物。Kumar 的回答是工程师式的。这门学科的要点，是超越单个单元，把群体当作一个有凝聚力的整体来对待。如果沉迷于每一个构件，数学就会爆炸：十个智能体意味着十重笛卡尔积，在这样的高维空间里设计，几乎毫无意义。

正确的做法，是设计个体，使它们在更高的层次上坍缩为一个低维抽象。这意味着两个具体选择：让每个智能体对世界的感知尽可能局部化，并让每个智能体能抵抗碰撞，这样一个单元失效，就不至于让整个蜂群瓦解。工程师在飞机和 iPhone 上已经这样做了：规范清晰的接口，可预测的组件。蜂群还额外提出了一个要求：群体本身必须有韧性，能够重新与邻居建立通信、重新思考群体策略、重新组织。Kumar 说，许多难题正在这里。

一群飞行中的蜂群需要多少信息？它能否在没有中央控制器的情况下自行形成？Kumar 说，如果你是纯粹主义者，就会尝试复现自然。生物聚在一起，是为了庇护、觅食和繁殖。它们的互动是有机的、局部的；共享的信息大多是间接的，目的只是让群体活下去。相比之下，工程师有任务，而涉及移动的任务，几乎总是在全局坐标系中给出的。

“包围这座建筑，保护它不受入侵者侵害”，这是一条以建筑为中心的命令。必须有人告诉机器人建筑在哪里，它们还得在一张关于建筑的地图上协同工作。这些信息是被明确构建出来的，而大自然则让结构自行涌现。Kumar 说，自然很精妙，但它解决的问题，与工程师被迫面对的人造任务截然不同。你会被推进一种他所说的“不自然”的情境，这并不是自然界的做法。

自然对失去个体的敏感度也较低。机器人学依然很敏感，因为机器人很昂贵。不过这里有一个经济上的前提：机器人部件的性价比正在急剧下降，Kumar 认为，这个领域正在渐近地接近一个点，在那里，单个个体的成本将变得微不足道。只有在这条成本曲线持续下降的情况下，那些容忍牺牲的蜂群战术，才会看起来像工程，而不再像实验室里的游戏。

Kumar 勾勒了自主飞行载具的版图。军用飞机最受关注：它们从一个基站操控，有大量人类监督，自主程度有限，大多只是从 A 点飞到 B 点。更复杂的类型能够自行起飞和降落，通常是固定翼的重型机。军方已经在部署自主直升机，而民用自动驾驶仪是它的近亲。他甚至问道：如果飞机真正实现了自主，能避免多少起航空安全事故？他怀疑，许多事故来自飞行员失误，因为人会做出愚蠢的决定。

在实验室里，他们可以更激进。他们想回答的问题是，机器人能否在没有任何外部基础设施的情况下做出决定。最常见的拐杖是 GPS，Kumar 称它是一种粗暴的信息形式：开进高楼林立的地方，它就会失灵。第二种是通信，而通信很容易被干扰：Wi-Fi 和蜂窝信号经常掉线。第三种，他不愿称之为基础设施，是人：无线电另一端能为你驾驶飞机的某个人。

把这三样全部去掉：没有飞手，没有与基站的链接，不知道自己的位置，没有事先的地图，也不掌握环境接下来会如何变化。机器人还能导航吗？他说，这才是真正的自主。敏捷性也属于这幅图景，因为机器人应当能在受限的地方工作，那是全球鹰从来看不到的地方：在搜救或处理持枪行凶事件时进入建筑内部；在果园的树冠下数果子、测量树干，他的团队在农业领域确实这样做过。敏捷性不是一百米赛跑的成绩。它是看见意外、安全机动，并以能收集任务所需信息的方式行动。

Kumar 或许是唯一一个在 TED 演讲中放了数学公式的人。策展人 Chris Anderson 叫他不要放，他还是放了，因为那就是他的工作，而观众应当尝尝这种味道。公式背后更基本的实际问题是：要让四个电机飞起来，需要什么？他的团队从 2000 年起就一直在尝试，却始终做不到，部分原因是传感器和计算机还没有准备好。2000 年到 2007 年间，几件事情同时到来：摩尔定律、iPhone、云计算，而惯性测量单元（IMU）也日趋成熟。

美国国防高级研究计划局（DARPA）曾投入大笔资金在惯性测量单元上，但并不打算催生小型飞行器的繁荣。真正把加速度计的成本压下去的，是一条法规：每辆汽车都必须装安全气囊，而每个安全气囊都需要一个加速度计。联邦政府在一个问题上的投入，意外地让小型飞行机器人成为可能。Kumar 说，如果直接去申请低成本惯性测量单元的经费，他绝不可能筹到那么多钱。在他看来，这正是研究中有意思的部分：结果极难预料。

到 2007 和 2008 年，他们已经能够造出这些载具。如今，一个高中生只要有一套树莓派（Raspberry Pi）套件，就能让底层控制回路跑起来，因为大量东西已经商品化。物理原理没有变：让电机转到合适的转速，产生合适的推力，并且把机身定位、调整到合适的姿态。反馈来自机载传感器。惯性测量单元报告加速度和角速度；你仍然需要局部位置或速度，就像一个走路的人，要综合步幅、视网膜上的光流，以及内耳的加速度感知。如果机器人要在世界坐标中行动，它还需要一个摄像头或类似的测速传感器，外加一个全局坐标系。

这种构型是欠驱动的：有六个自由度，却只有四个输入。横向飞行并不神秘，偏航则是靠让旋翼以不同的转速旋转，产生反作用力矩。从工程角度看，它简单、巧妙，也用途广泛。四旋翼的想法已有大约一百年的历史；Kumar 的实验室最初尝试过球形布局的八个旋翼，以实现全向飞行，但遇到了推重比和传感的限制。熟悉旋翼飞行器的人早就知道，四个旋翼是行得通的。真正能灵活地在室内飞行的机器，是在 2007 到 2009 年间，随着机载传感和计算能力跟上，才在他们的实验室里变得可能。

从 A 点到 B 点，首先要有一条轨迹。Kumar 说，规划过去听起来很玄妙，自动驾驶汽车让它变得平常。一辆车要看懂场景、保持车道，或者右转，就必须规划出一条既安全又高效的路径。安全不能妥协，最优性则可以打折：时间是有预算的，所以全局最优解只需“够好”即可。效率可能意味着最快、最优雅，或者最省能量，但始终要在安全边界之内。实验室关注的，是满足这些约束的平滑轨迹。

Fridman 问，深度学习和强化学习是否应该用在飞行机器人身上，并指出到目前为止，大多数飞行上的成功，除了视觉之外都不是机器学习。Kumar 反驳说：他们很少把这项工作称为“学习”，但多年来一直在用它。第一次尝试在受限空间中飞行，几乎总是会失败，因为完美执行需要对环境中的一切建模，而空气动力学出了名地难。就在访谈前，他还在和一位学生讨论桨叶挥舞：模型把桨叶当作刚体，但它们会弯曲，在高速下，这对角加速度的影响很显著。

靠近地面时，载具会被推开，这就是地面效应，每个飞行员都知道。靠近天花板时，它会被吸向上方，这一点几乎没人想过。墙壁会产生墙面效应；两列火车交错而过时，会互相晃荡。这些微气候并非不可建模，但所需的精细程度既惊人又繁琐。所以团队会随时间做出调整。早期，他们使用迭代学习：在多次尝试之间微调几个参数，直到任务能够完成。你可以说这是策略梯度或强化学习，但它其实就是迭代学习。

在今天的自动驾驶车辆中，学习可以出现在感知环节，也可以出现在行动环节。Kumar 见过的、在现场成功的一切，都属于感知一侧：检测、分类、标注，这是计算机视觉十年来的进步。在行动一侧，他不知道有哪个已投入使用的系统，能在一次示范之外学会正确的行为；实验室里的结果不算数。从像素直接到电机电流的端到端方案，是圣杯，但“真的、真的很难”。展望未来，数据驱动的方法应该与基于模型的方法协同工作，而不是取代后者。

Fridman 追问纯视觉感知的局限，并提到了马斯克对摄像头的押注。Kumar 的衍生公司 Exyn Technologies 在矿井地下工作：黑暗、肮脏，螺旋桨的下洗气流会卷起灰尘。他向任何人发起挑战，看谁能在那里跑起计算机视觉算法；他们自己用的是激光雷达。在室内和田野里，他认为单靠视觉确实有真正的潜力。更深层的问题是，单一传感模态加上学习，能否识别每一种边角情况。

遇到边角情况，本能的反应是收集数据、打补丁。但到了某个节点，这种方法就会饱和。视觉系统可能有 90% 的时间能检测到物体，网上的猫也许能到 95%。从 90% 提升到 99%，需要多得多的数据。对于安全关键的应用来说，99% 远远不够；99.9% 需要的数据更多。若把准确率放在横轴、数据量放在纵轴，Kumar 认为这条曲线是指数式的。即便是线性曲线，也已经很痛苦了。

还有第二条轴：这个过程极其耗电，而且指的是电力，不是比喻。2014 年，数据中心耗用了美国用电量的 2%。即使在访谈时，这也是五年前的数字，但足以说明问题。人们把这看作信息处理问题；它其实是能量处理问题。没有更高效的方法，他认为这条路走不通。

自主飞行是否比自主驾驶更难？飞行有一个非常安全的默认路径：垂直爬升到最大高度，水平飞向目的地，再垂直下降，这种轨迹可以预先编程。地面车辆没有干净利落的对应物。它们在二维平面上移动，那里的路径更容易碰到障碍物，这一点既直观，也有数学依据。飞行的缺点在于，你必须对三维世界建模并在其中工作，这要难得多，而且你还得应付空气动力学的种种古怪之处。

他看好的应用是配送。在香港这样的城市，过一条河可能要半个小时；而飞行器只需五分钟。他与非营利组织 WeRobotics 合作，在秘鲁亚马逊地区，河流就是公路：乘船要五个小时，空运只需三十分钟。去程运送药品，回程带回用于疫苗检测的样本。他认为，瓶颈在经济，而非技术。

几乎没有人会深究真正限制的那个约束：电池技术并没有出现巨大的突破。电池包因为超级工厂而变便宜了，但它们仍然是锂电池。两个数字最为根本：能量密度和功率密度。功率之所以重要，是因为这些载具大多没有跑道，要垂直起飞。在小尺度下，垂直起飞大约消耗每公斤 200 瓦，而整个人脑的功耗不到 80 瓦。他说，把自己举到空中，就相当于打开两三个灯泡，“这说不通”。功率决定你能否离开地面，储存的能量决定你能飞多远。

那些承诺自动驾驶、电动、清洁的飞行汽车的公司，在“清洁”这一点上是过度承诺。自主可以做到；电动化则不行，除非是短途。他合作的另一家公司造的是小型喷气发动机，轻松就能达到每小时约 80 公里，并能举起 50 公斤。效率高，比电动的噪音大，如果你接受化石燃料，它立即就能落地。他不会去跟 Sebastian Thrun 这样的人打赌唱反调，也不认为飞行汽车必须是旋翼飞行器：先垂直起飞，再变形为前飞。真正的问题在于经济上的可行性。

许多机器人学家把人当作需要设计掉的麻烦：太难建模，是不确定性的来源。Kumar 不这么看。他认为，我们永远不应该在不把人放进画面的前提下思考机器人。机器人存在，是为了替人解决问题，但目前并没有通用理论。他把交互分为三种模式：人类指挥机器人；真正的协作，比如机器人和人一起抬东西、搬东西；以及人作为旁观者，就像自动驾驶汽车那样，只需承认附近有人。不同的任务会选择不同的模式。在他看来，把机器人当作独立于人的东西，同样愚蠢。人机交互几乎是他们做的每件事里的必修部分。

二级与四级自动驾驶之争，让交接问题变得具体。把控制权交给机器，并在需要时收回来，比听起来要难；Kumar 在高速公路上就亲身感受过。特斯拉的做法很有意思，因为它迫使驾驶员定期与车辆接触。丰田谈论的是共享或协作式自主。他认为，这两者仍然只是简单形式的协作，因为坐在车里从 A 点开到 B 点，是件无聊的事。搜救才是有意思的那一类：人类与机器人共同担任急救人员，面对一栋着火或倒塌的建筑，时间只剩两分钟，场景高度无结构。

他还把建模问题倒过来看。驾驶员始终在估计汽车和世界的状态；如果汽车反过来估计驾驶员的状态呢？手机已经会猜你在做什么，并推送提醒。一辆能观察眼睛和方向盘的汽车，可以让驾驶员更安全。这是对人的建模，而不是对机器人的建模，他认为机器人完全可以做得很好：驾驶舱里的人被传感器包围，车外还有更多传感器，双方彼此双向注视。Fridman 称之为一种新的、由 AI 驱动的心理学。

Fridman 问起，公众对像波士顿动力那样行走的机器，以及像 Kumar 这样飞行的机器，是否心存恐惧。Kumar 没有轻视这种担心。任何为善而设计的技术，都可能被颠覆；机器人学也不例外，而且机器人很容易被武器化。让蜂群可靠地完成某件事，极其困难。如果目标是破坏，而且只需要蜂群中的一个成员抵达，问题就变得容易做得多。“完全成功”与“只需成功一次”之间的差距，正是他对大规模自主性感到担忧的原因。

如果总有人要发展这项技术，他宁愿由好人来做，这样他们就能理解它会如何被滥用，以及如何防御。他的团队既研究蜂群本身，也研究如何防御蜂群。美国国家科学院发布过一份关于反无人机技术的报告，他把这种威胁当作真实存在的。了解蜂群和自主性如何运作，是进行防御的前提。工程师应当参与这样的讨论。“政治家可以对技术保持超然的日子，已经一去不复返了。”他把技术称为新的博雅教育（liberal art）：不只是专家，每个人都应当理解它会如何改变自己的生活。他半开玩笑地补充说，我们或许该选几个工程师来当政客。

用他重新表述的话说，最大的未解问题不是某一个算法。今天的机器人仍然是为特定任务和特定环境量身定制的。它们如何在更广泛、不断变化、无结构的环境中运作，尚未解决。你可以在停车场里做到五级自动驾驶。能在那不勒斯或孟买的街道上做到吗？不能。机器人学必须同时讨论机器在哪里工作、环境是什么、任务是什么，而这个领域没有系统的方法，能把这三者放在一起。棋类游戏并不能证明我们理解了智能：它们的结构化程度，堪比福特的流水线。结构化的场景是容易的那种，而我们早已知道怎样应付它们。

对于一名对机器人学或工程感兴趣的大一学生，Kumar 给了三条建议。第一，习惯这样一个事实：你毕业时，四五年后的世界已经不再一样。预测未来很难，你也不会擅长，但这种习惯能磨练你的感知力，让你变得更聪明。第二，一个推论：你不知道什么会变得重要，所以只专精于一条路径是不够的。当重要的问题发生变化时，广博的知识会给你一个新的起点。

第三，他称赞宾大把工程学放在文理通识之中，也放在社会之中，这是工程师承受不起失去的一种视角。他认为人们低估了一件事：数学基础，以及表示（representation）的重要性。并非每个问题都会屈服于网上随便找来的 ROS 包，或者恰好能用的深度网络。即便在机器学习中，表示也是关键：如果你希望可解释的 AI，就需要人能理解的表示。“如果你想做机器人，那你也应该做数学。”Fridman 问，这是否也包括陀思妥耶夫斯基。Kumar 表示同意。