现在的机器人已经令人印象深刻,但等到6G技术普及后,它们将变得更加强大。在今年的世界移动通信大会上,机器人展示随处可见,这并非偶然。
6G将为机器人技术带来革命性变革
要理解6G如何为机器人开启新可能,需要先了解这项网络技术的特殊能力。
首先,6G将充当传感器网络,传感器将嵌入到机器人和环境中。高通机器人部门执行副总裁Nakul Duggal表示,这使得6G无线电能够像雷达一样工作,持续扫描和实时映射周围环境以检测障碍物。想象一个机器人试图在拥挤环境中导航,6G网络将快速且经济地帮助创建一种虚拟地图,让机器人安全导航。
其次,6G通信处理大量数据的纯粹速度优势显著。当前使用的5G网络并不是专门为处理AI请求而构建的,但6G网络将是,它提供一致、低延迟、相对低功耗的方式来处理智能并将其传递给机器人。
剑桥咨询公司智能服务副总监Frank Long解释说,私有5G网络结合边缘AI目前可以填补这一空白,但公共网络还不行。相比之下,"使用6G你几乎可以获得服务质量保证"。
机器人协作的新时代
无论机器人是连接到云端,还是在点对点网络中相互连接,网络都需要快速处理它们的智能需求。高通机器人部门总经理Anshuman Saxena举例说,在零售环境中,两个机器人协作工作,一个从卡车上卸载汽水罐,另一个补充货架。它们需要协调如何理解周围空间以完成各自任务,包括了解需要放置多少罐头以及何时准备就绪。
这被称为长期规划,机器人不仅专注于眼前任务,还要考虑该任务如何在动态和非结构化环境中适应更长时间范围内的更广泛背景。换句话说,它正在执行人类每天进行的持续心理多任务处理,快速反应周围发生的事情,同时考虑下一步。
家庭环境中的智能生态系统
在家庭环境中,你可能只有一个人形机器人,但这与零售场景的差异可能比你想象的要小。因为你拥有的许多设备,包括手机和安全摄像头,已经可以相互通信,机器人将只是其中的另一个设备。
Duggal说:"我们使用的产品中存在网络协作方面,你感觉不到,但这正是产品的工作方式。"
这种持续学习可能是6G预期在机器人技术中帮助解决的最大挑战之一。机器人和AI需要大量现实世界数据,而当今的网络无法跟上,即使是平凡的任务也是如此。
例如,拿起并为你端上一杯咖啡,这涉及灵巧性和平衡性,还有温度因素。机械臂可能不在乎温度,"但如果很烫,我们会如何反应?"Saxena说,"我们会快速放下它,这是一个非常快的反应时间。"
当前技术的过渡期
但6G预计要到至少2030年才会广泛推出。那么公司目前正在构建和部署的机器人在此之前要做什么?
它们正在利用当今的网络实现力所能及的飞跃。Saxena说:"所以你不需要等待6G,但当连接性到来时,你谈论的体验将远远超出机器人技术今天能做的。"
虽然机器人技术和6G的融合确实将开启一些前所未见的下一级机器人技术,但机器人在此期间还有很多可以学习的地方,特别是在提高灵巧性方面,为利用更好的连接性做好准备。如果我们要考虑邀请人形机器人进入我们的家中,这个想法至少现在感觉值得推迟到至少启用6G的2030年代,甚至更晚。
Q&A
Q1:6G网络为机器人技术带来了哪些新能力?
A:6G将为机器人带来两大核心能力:一是作为传感器网络,像雷达一样实时扫描和映射环境;二是提供超高速、低延迟的数据处理能力,专门为AI请求而优化,让机器人能够快速做出决策并与其他设备协作。
Q2:机器人如何通过6G网络进行协作?
A:通过6G网络,多个机器人可以实时通信和协调工作。例如在零售环境中,卸货机器人和补货机器人可以共享信息,进行长期规划。它们不仅关注眼前任务,还能考虑更广泛的工作背景,就像人类的多任务处理一样。
Q3:6G机器人什么时候能进入普通家庭?
A:6G网络预计要到2030年才会广泛推出,而机器人进入家庭的时间可能更晚。目前机器人仍在学习基础技能如灵巧性操作,即使是开门这样的简单任务也具有挑战性。专家认为至少要等到2030年代甚至更晚才适合考虑家用人形机器人。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。