机器人利用生成式AI实现自主编程获突破

加州大学欧文分校计算机科学家Peter Burke近日展示了一项突破性研究：机器人可以利用生成式AI模型和硬件系统为自己编程"大脑"。

在这项名为"机器人构建机器人大脑：AI生成的无人机指挥控制站空中托管系统"的研究中，Burke教授使用了两种"机器人"定义：一种是运行在本地笔记本电脑和云端的各种生成式AI模型，负责编程；另一种是配备Raspberry Pi Zero 2W的无人机，作为运行控制系统代码的服务器。

Burke的创新在于展示生成式AI模型可以通过提示词编写创建实时、自托管无人机地面控制站（GCS）所需的全部代码。更准确地说是WebGCS，因为代码在无人机上的Raspberry Pi Zero 2W卡上运行Flask网络服务器。无人机在空中时可以托管自己的AI编写的控制网站，通过互联网访问。

该项目采用了多轮开发冲刺，使用了多种AI模型（Claude、Gemini、ChatGPT）和AI集成开发环境（VS Code、Cursor、Windsurf）。每个模型都在实现不断演进的功能集方面发挥了作用。

初始冲刺专注于使用浏览器中的Claude编写地面GCS。包含以下提示词：

"编写Python程序，向Raspberry Pi上的飞行控制器发送MAVLink命令。告诉无人机起飞并在50英尺高度悬停。"

"在Pi上创建一个网站，带有按钮，点击后使无人机起飞悬停。"

"现在为网页添加功能。添加显示无人机位置的地图。使用MAVLink GPS消息在地图上放置无人机。"

"现在添加以下功能：用户可以点击地图，网页将记录用户点击地图位置的GPS坐标，然后通过MAVLink向无人机发送'引导模式'飞行命令。"

最初的尝试遇到了挑战。Claude在约12个提示词后停止工作，因为对话消耗的Token超过了上下文窗口限制。随后使用Gemini 2.5和Cursor的尝试也遇到问题。最终使用Windsurf的第四次冲刺获得成功。

AI生成的WebGCS耗费约100小时人工劳动，历时2.5周，产生了10000行代码。这比Burke估计创建类似项目Cloudstation所需时间少约20倍。

研究观察发现，当前AI模型无法处理超过10000行的代码。Burke引用最近研究显示，当上下文长度从32K增加到256K Token时，Claude 3.5 Sonnet在LongSWEBench上的准确率从29%下降到3%。

空间数据公司Geolava的CEO Hantz Févry表示，这个无人机项目令人着迷："无人机系统通过生成式AI自主搭建自己的指挥控制中心的想法不仅雄心勃勃，而且与前沿空间智能的发展方向高度一致。"他同时强调应该设置严格的安全检查和边界。

研究论文指出，在无人机项目期间保持了人工控制的冗余发射器，以防需要手动干预。

Févry认为这些系统的出现标志着航空成像业务的转变："航空成像变得更加容易获取。自主捕获不再是奢侈品，而是空间AI的基础。"

他表示，这些系统的真正考验将是生成式AI系统如何处理对抗性或模糊环境："在模拟或先验假设中搭建控制回路是一回事，在地形、任务目标或系统拓扑在飞行中发生变化时进行适应则是另一回事。但长期影响是重大的：这种工作预示着通用自主性，而不仅仅是特定任务的机器人技术。"

Burke在论文开头提到《终结者》电影，并在结尾表达了希望"终结者的结局永远不会发生"的愿望。

Q&A

Q1：生成式AI如何帮助机器人实现自主编程？

A：生成式AI模型通过接收特定提示词，可以自动编写创建无人机地面控制站所需的全部代码。在Burke的研究中，AI模型生成了10000行代码，创建了可以在空中自托管的控制网站，无人机可以通过互联网访问这个AI编写的控制系统。

Q2：这项无人机自主编程技术有什么实际应用价值？

A：该技术将航空成像变得更加容易获取，自主捕获已成为空间AI的基础。系统可以实现传感、规划和推理的近实时融合，大大提高了环境感知和理解能力，为通用自主性而非特定任务机器人技术奠定基础。

Q3：当前AI模型在代码生成方面有什么局限性？

A：研究发现当前AI模型无法处理超过10000行的代码。当上下文长度从32K增加到256K Token时，Claude 3.5 Sonnet的准确率从29%下降到3%。此外，AI系统在处理对抗性或模糊环境，以及应对飞行中地形、任务目标变化方面仍面临挑战。