把食物舀进餐盒，占了工厂人工的 70%

Nathan Labenz 介绍 Chef Robotics 的创始人兼首席执行官 Rajat Bhageria，称他是一位难得的嘉宾：这期节目讲的是一款已在真实环境中大规模部署的产品，不是又一场机器人研究的讨论。Chef 为食品行业开发具备 AI 能力的机器人，首先切入制造业，这样既能收集训练数据，又能带来投资回报（ROI）。借用自动驾驶的说法，这就是 L2 级自主。机器人越多，数据集就越好，系统就越灵巧，之后有望打开幽灵厨房和快餐休闲连锁的市场。最终目标是每个商业厨房里都有一台 AI 机器人。

开场最让人意外的是人工的分配比例。Labenz 得知，食品装配在制造工厂的人工成本中约占 70%，比食材备料和烹饪加起来还多，这让他颇为吃惊。Chef 的机器人已经装配了约 2000 万份餐食。展望未来，Bhageria 看到的是各种商业厨房，然后是整个行业的重组：幽灵厨房用机器人做出更便宜、更能定制的餐食，再由小型自动驾驶车送达。与《杰森一家》里那位家用厨师的设想相比，他预期高品质食物的成本将接近食材本身的价格，而家庭厨房会变成爱好者的可选配置。

对大多数人来说，“食品制造”想到的是已经在卡夫亨氏专用产线上生产的番茄酱。那是品种很少的生产：十个 SKU（最小库存单位），十条线，全天运转。餐食则是品种繁多的生产：预制三明治、沙拉、派对拼盘，还有开市客（Costco）或 Trader Joe’s 卖的冷冻晚餐、医院餐盘、学校午餐——素食、纯素、无麸质、肉食爱好者版本，每一类下面大约还有 20 个 SKU——一家工厂要生产的 SKU 有数百个。现状是一条长长的输送带，工人们从大桶里把食物舀进一个个容器。Chef 首先要攻克的，就是这个舀取动作。

硬件设计刻意保持朴素。模块装在脚轮上，这是一台移动式机械臂，客户一天大约只挪动一两次，所以它不需要自主移动。感知靠一台六轴协作机械臂、RGB-D 相机、力矩传感器和秤。不同的餐具装在气动末端执行器上。模块的占地面积和一个人相当，因此无需改造就能滑进现有产线。统一量产一种设计，大部分零部件用现成的，然后把全部心血都投在自主能力上。

每个商业厨房都有三道工序：备料、烹饪，以及装配或装盘——也就是 Chipotle 那种把食物从酒店用的大锅舀进卷饼、碗或托盘的动作。除了高级餐饮，备料和烹饪都是次线性增长的：产量增加，并不需要成比例地增加人手。装配则不然。餐车、快休闲餐厅、监狱、酒店、大学、K-12 学校、航空配餐、制造业——这些地方的人工大头，都是“从大桶舀进盒子”。Labenz 设想的那种整天切洋葱的机器人，选错了工位。现阶段每个模块配一只机械臂，需要时再配多种餐具。光做装配，市场就已经非常巨大。

走进生产车间，你会看到输送带两侧各站着二十个人，每人手里一个料桶、一把餐具或直接用手，把食物舀进托盘、卷饼、卷筒、三明治里。车间温度常常只有华氏 34 度（约 1 摄氏度）。工人要接触冷冻食材，五分钟后手指就没了知觉。人员流动极大，这份工作很难招到人。Chef 这一市场打法的推销说辞是：机器人能做人的等效工作，从而让工厂把员工调去做附加值更高的事，比如持续改进、物料搬运，这些才是人应该做的工作。那个 70% 的数据让 Labenz 想起一位编程工具的创始人，他说开发者真正写代码的时间大约只有三分之一。人工消耗的大头，就藏在直觉看不到的地方。

机器人以木箱发货，底座已经装好轮子。滑到产线上，冲洗干净，再取一份细菌拭子，确保不会给工厂带来病原体。它需要两种设施条件，都很常见：110 伏交流电，以及给气动工具供气的压缩空气。当天操作的人往往不是技术人员，也不一定有四年制大学学历，甚至不一定说英语，所以界面设计得要和家用烤箱一样简单。戴着手套操作触摸屏：今天的餐食是泰式炒河粉（pad thai），一号机器人负责面条。装上推荐的餐具，装好托盘，系统就会自行微调，比如从一个锅往另一个锅挑拣、倾倒，在有人按下开始之前就已经调好。界面可以用西班牙语，也可以用车间需要的任何语言。

这种上班后的现场微调，并不是可有可无的花样。食物是有机的，由人切好、煮好，每个人、每天、每一批都不一样。厨师炒的时间长一点或短一点；咖喱在锅的一侧比较稠；今天的面条比昨天更黏或更油。世上没有两批完全一样的食物。微调，按下开始，就可以把食物放上产线。首次部署时，Chef 的解决方案工程师会负责原料录入，让客户第一天就能正常运转。之后，软件的目标是让生产或计划经理自己完成录入，为下周甚至明天要运行的餐食自己就能搞定。

客户现在已经在用“餐食卡”了：一份 PDF，上面写着面条、附上图片、这一份量、放进第二个隔间，每张卡片七八种原料。把卡片上传到网页应用。视觉语言模型会把非结构化的元数据解析成 Chef 数据库里的格式。只靠名称和分量，就能让机器人运转起来，但一致性会很差：会洒出来，摆放也会乱。因此，一个大语言模型会用生成的对比图和一个滑块问几个问题：颗粒有多长，从一口大小的小块到长面条；有多黏，从奶油奶酪到水。花一分钟回答这些问题，再加上图片、名称、分量和隔间，再加上数千种过去的原料数据，以及录制本期节目时约 1800 万份生产餐食，就能得到一个初始策略。部署之后，把这个客户的锅推进来，再针对这一批、他们自己切好煮好的食物微调一次。

Labenz 听到的是一个针对外形的基础模型，它的权重会在面条没有落在正确位置时真正发生改变。Bhageria 把它拆开来讲。Chef 在基础模型还不流行的时候就已经投入生产了，所以部分组件是卷积神经网络（CNN）和更早的深度网络；现在他们正在泛化一个食品操作模型，再在具体工位上微调。闭环指标用来判断策略是否在收敛：按目标重量拣取的偏差（均值偏差与离散度），摆放质量检查（分布范围，以及是否洒进错误的隔间），以及可靠性指标，比如力矩路径要避开 150 牛顿的保护停机——那会让产线暂停 30 秒，不算天大的事，但也谈不上好；还有压力和流量，确保工具不会把食物压碎。拣取重量，是客户最在意的指标。

人们期望机器人像期望无人出租车那样完美无缺，也习惯性地认为“AI”就意味着毫无瑕疵。食物却不能做到这一点。因此，解决方案工程团队在首次部署时，会尽可能照单全收人工基线。客户往往不相信，自家员工对照他们心中那条严格界线，表现得有多糟糕。这个基线就成了 Chef 必须达到或超过的标杆。FDA、USDA 和食客都会因为分量不足而罚款、流失客户，所以管理层要求产线经理一律多拣一些。目标 1 盎司的，通常会以 1.2 盎司的重量离开传送带。在食品行业，原材料占销货成本的 40% 到 50%，业内把多出来的部分称为“赠送量”（giveaway）。补上这个缺口，就是直接的利润。如果制造业、幽灵厨房、快休闲餐厅、监狱和酒店里都有数以百万计的机器人，那也会是一个关于减少浪费的宏观故事。

数字取决于客户和原料。西兰花块很大，一勺只有四五块，多一朵或少一朵，重量就会偏离很多。人工可能偏差 25% 到 30%，Chef 大约是 5%，但仍然偏向多拣，以避免漏拣。土豆泥、酱料、切丁蔬菜：人工大约高出均值 4% 到 5%，Chef 大约是 1%，而且由于有控制闭环，必然会更低。至于离散程度，他们用的是变异系数（CV），也就是标准差除以目标值，这样大份量就不会默认显得更差。人工大约落在 16% 到 18%，Chef 最好的是 5% 到 6%，平均则在 7% 到 8% 左右。

即插即用和“与人等效”并不意味着速度变慢。客户的产线通常每分钟跑 15 到 20 个托盘；老手会一次抓一把，分几次放下，以分摊运输的时间。Chef 大约每分钟跑 20 趟，需要时还可以配多餐具系统。为什么不用工业机械臂？理念是部分自动化。整条线的完全自动化必须覆盖每一个 SKU，否则产线仍然需要人，那样销售周期长，部署风险高，技术门槛也高得不现实。如果 Chef 做不了虾，就由人来做虾。这样销售和部署都保持短周期，飞轮就能转动，而且机器人始终站在人与人之间，所以协作机器人及其力度和速度限制是硬性要求，并不是可选项。每趟三到四秒，相当于每小时约 1000 份；2000 万份大约需要 20000 小时，约十个人年。自 2022 年年中以来，他们在美国和加拿大的六座城市、五个州运行。收入从 2022 年到 2023 年增长了 4 倍，今年预计增长 3 倍左右。一座工厂往往要雇 50 个或 100 个人来舀食物，大客户还有多座工厂。Bhageria 说，如果客户成功团队能守住，一亿美元的 ARR（年度经常性收入）大约对应 20 到 30 个客户。

Bhageria 认为，基础模型极大地释放了机器人技术的潜力，因为世界是高维的：拿一只酒杯，和拿一只茶杯，根本不是一回事。每个客户切菜、烹饪的方式都不同，每班不同，每个国家也不同。视觉语言模型和大语言模型擅长高层次的场景理解，因为它们是用互联网上的图文对训练出来的。但没有运动数据。Chef 无法把互联网当成食品操作语料库来下载，因为这种语料库根本不存在。模拟在自动驾驶上能帮上一部分忙，刚性的码垛也可以放在物理引擎里做。食物却是湿润、黏稠、会变形的，有时还是非牛顿流体。抓取是最难的部分，而抓取恰恰是模拟器无法模拟的。这 2000 万份餐食之所以重要，是因为训练数据只能从生产中获得。

新技术栈真正有帮助的地方，在于用于模仿学习的 Transformer，以及在不同原料之间迁移知识：把一位客户的黏米饭编码下来，然后在另一家用不同方式烹饪的工厂里检索出一个相似的样本。一个由谷歌牵头、多个实验室参与的机械臂数据集，可能对网页应用的录入步骤有帮助；Bhageria 还没有试过，也不会为了显得肯定而假装已经验证。只在刚体上训练，就做不了柔性物体的操作；而食物演示视频，很少会展示滴汁、黏腻、可压缩、压缩后无法复原的生鲜原料的主要处理过程。公司自己的押注是：模仿学习、强化学习，再加上真实的生产数据，去构建一个通用的食品操作模型。他们从装配起步，因为那是大部分人工所在，之后或许还能把烘焙托盘推进架子里。

Labenz 问起英伟达的 Eureka 项目：GPT-4 为机器人手写的奖励函数，比回路中的人类还要好。Bhageria 把这个问题转换成参数化策略与非参数化策略的对比。2019 年的做法是自动驾驶式的规则加 CNN：每种原料一套策略，大约 200 个由人工设定的参数——压力、流量、停留时间、抖动次数和幅度——再加上一个基于拣取重量、洒落、摆放和可靠性的控制闭环，而且并不知道自己是在局部最优还是全局最优。模仿学习则是把两台完全一样的机器人放在一起。一台模仿人类的舀取动作，和产线上的工人是同样的形态，所以不存在接地错配的问题；策略是端到端的：没有人工编写的参数，没有堆成山的代码，也没有那种戏剧化的“Eureka”时刻，而且它真的能用。衡量标准是上线一种新原料所需的时间，因为覆盖率就是利用率，利用率就是机器人的数量，机器人越多，数据就越多。外层的飞轮——案例研究、物料清单、更密集的现场支持网络——全都取决于原料的覆盖范围。

每个模块有两台计算机：一台是经第三方认证、符合安全标准的机器人控制器，负责关节和电机电压；另一台是 Chef 自己的软件栈，负责高层任务规划、轨迹与摆放策略，以及与机械臂控制器通信的闭环。场景虽然不像无人出租车那样复杂，但极其忙乱。一个六小时的班次要经过几百个酒店用的大锅，每个锅都是由不完美的人做出来的；同一锅里，拆下的肉在不同位置的密度也不一样。人会以奇怪的角度和距离摆放托盘。传送带的颜色、宽度和高度各不相同。为了排水，地面有坡度；传送带本身是一个长长的、略带起伏的平面，会震动，机器人自己也会跟着震动。有人碰了一下产线，它就会歪斜，所以得放得更远、更高。早上，线长会把速度拧快。旁边的人不断拉出和装载托盘，场景一直在变。在实验室里舀食物很容易。两千万份餐食，靠的是在全国几十台系统上扛过这些边缘情况。

训练在云端的 A100 上进行，推理全部在设备端完成，因为工厂的 Wi-Fi 信号不稳定，LTE 信号常常在厂房里就断了。机械臂功耗约 200 瓦，CPU 约 35 瓦，GPU 约 50 瓦。早期客户曾问电费会不会暴涨；算下来，即便全天 24 小时运行，每天也只有约 5 美元的量级。Labenz 在底特律地区电价略低于每千瓦时 20 美分的背景下算了一笔账：300 瓦运行 24 小时，电费只要几美元。他把这视为一个证据，说明相对于那些领导者所暗示的采用规模，对 AI 能耗的恐慌被夸大了。

他们并不像人们想象的那样远程操作。生产客户没有耐心：要么好用，要么把机器人撤下，换上一个人。最坏的情况是表现不稳定、漏拣或洒落，而不会造成伤害。其余的问题由四层机制处理。第一层是自主能力：适应材料、托盘姿态、传送带，以及中途抢托盘的人。第二层是 3D 视图，展示机器人认为自己看到了什么，让经理一眼看出传送带超出了作业范围，或者托盘够不着，而不必去读一大段报错文字。第三层是几个粗粒度的拣取和摆放调节旋钮，数量少到操作员无法把它调得太糟。第四层是遥测，它会自动标注事件：严重超拣、漏拣、重复放置、拣取犹豫，并在事件前后各保存 20 秒的 ROS 录包。白天通过 Slack 通知，晚上通过 PagerDuty 呼叫，并从客户支持逐级升级到应用团队，再到工程团队。机器人之间的模仿学习仍在 Chef 办公室进行，针对的是新的、难处理的原料，客户要做的日常杂务则不在其中。

前沿仍然是食品操作。没有其他人拥有认真的训练数据集，模拟器也救不了他们。这个机器人几乎可以拿到任何原料并移动它。一致性才是差距所在：软的东西会被压坏，会粘在工具上，会洒出来，会错过隔间。灵活性通常以可靠性为代价，而 Chef 两者都需要，还要速度，还要适配任何传送带和任何容器。Labenz 问，特斯拉、Figure 和其他人形机器人公司是不是“祝你好运，食品排在清单最后”。Bhageria 说是的。在产线或幽灵厨房里走动，几乎没有任何价值。工位就是工位，轮子一天只挪动一两次。人形机器人要把一半算力用在不摔倒上，还会继承一整套新的安全认证。拆掉一张备料台，把模块推进去就行。他想象的 2050 年，有点像《机器人总动员》（WALL-E）：数以千万、希望是数以亿计的机器人，各自把一件事做得非常好，就像冰箱不会洗衣服一样；另外有一支规模较小的通用机器人队伍，服务医院和家庭，要完成五十种截然不同的任务。优步是一门生意，而优步的自动驾驶部门（Uber ATG）总是还要再等十年。人形机器人可能也要二十年，就像自动驾驶用了二十到三十年、至今仍未完成一样。软件从第一天起就与硬件无关，所以即便他判断错了，食品模型也能搭载在别人的机身上。他认为用人形机器人去装车门没有道理。Chef 眼前的市场已经足够大，可以现在就去执行。

商业模式是机器人即服务：每年收取一笔费用，且始终低于现状下的工人成本。客户避免了大笔前期投入，从工资预算里支出，不计入资本支出，也无须经过资本委员会的审批。Chef 承担 GPU、云计算，以及持续升级软硬件的成本。没有资本支出式的销售。这一愿景的第一层仍然是制造业：一个人手短缺、需求旺盛、又有机会减少浪费的行业。Bhageria 认为，更大的影响在于日常生活。早期，他给朋友出了两个选项。A：家里有一台《杰森一家》式的机器人，想做什么就做什么。B：由幽灵厨房里的机器人做出的食物——更便宜、稳定，没人会对着鳄梨酱打喷嚏，而且完全可以定制——场地成本也更低，因为餐厅或外卖食品的成本中约三分之一是房租，送餐也能比人工骑手更快、更便宜。所有人都选了 B。

他们希望保留 Sweetgreen 这样的品牌。他们不想维护一台会坏的机器。他们宁愿租餐，也不愿买机器人，这是爱彼迎式的逻辑。他们不想自己补货。他承认，清洁这件事是没法外包到家门之外的。纺织业曾经是家庭手工业，后来工厂终结了这一切。他认为食品也会走同样的路，只不过这里的“工厂”会变成幽灵厨房。一个界面让你指定盐量和其他配料；机器人负责烹饪，机器人负责送达；价格接近于在家做饭的成本。他引用的研究说，80% 到 90% 的美国人不喜欢做饭。无厨房的公寓，以及更多的机器人配送，是他愿意明确指出的顺风因素。Labenz 认为，无厨房住宅是 AI 未来中最少有人猜到的一环，也提醒人们，赋能技术可能会以一种与最初的朴素想象相去甚远的方式重组日常生活。

再把视野放大一步，他的论断是：AI 最大的影响在物理世界。软件很棒，但相对于全球 GDP 而言规模很小。劳动力市场规模约为 50 万亿美元。以雇员人数计，食品业是美国的第三大雇主；零售店员和护理助手分列第一、第二，他们的工作更偏向人际互动，也更难自动化。数千万食品行业工人将最先感受到这一波浪潮。如果 Chef 能成为这个时代的 Facebook（打败了 Friendster 和 MySpace）或英特尔（打败了其他芯片创业公司）那样的公司，Bhageria 希望它留下的遗产是：下一代工程师、创始人和投资人做的是 AI 加机器人，不只是纯软件。他最后呼吁更多人投身具身 AI，去迎接《杰森一家》式的未来——即便他自己的赌注是，那位管家始终不会搬进来。