三菱电机研究实验室CEO专访：直面真实世界的不确定性

随着机器人技术持续从受控环境迈向更为复杂的现实场景，研究机构在塑造下一代系统方面所扮演的角色愈发举足轻重。

三菱电机研究实验室（MERL）正是活跃于这一交叉领域的代表性机构之一。作为三菱电机设在北美的研发部门，MERL由总裁兼首席执行官安东尼·韦特罗（Anthony Vetro）领导，专注于推进机器人技术的核心基础研究，涵盖感知、控制系统与机器学习等方向，业务横跨工业自动化、能源系统等多个领域，致力于弥合理论研究与实际部署之间的鸿沟。

这道鸿沟至今仍是机器人领域最核心的挑战之一。正如韦特罗在本次专访中所言，在受控实验室环境中表现出色的系统，一旦暴露于真实工业场景的多变性与不可预测性之中，往往难以为继。要突破这一瓶颈，不仅需要在感知与控制层面持续改进，更需要将物理世界的深层认知真正融入AI模型之中。

本次对话聚焦多个前沿研究方向，包括更为精准的机器人操控与力控技术、用于预判人体及物体运动的预测性感知能力，以及借助增强现实与视听交互界面开展机器人训练的全新方法。韦特罗认为，这些技术有望降低部署门槛，使机器人能够更快速地适应新任务。

对话还深入探讨了"物理AI"这一日益受到关注的概念——即能够在物理世界约束条件下自主运作的系统——并就当前已取得实质性进展的领域进行了分析。

尽管在无结构化、有人参与的环境中实现完全自主运行仍是一项持续推进中的工程，但发展方向已然清晰：机器人技术正在从孤立的单体机器，演进为专为应对真实世界复杂性而设计的集成化、自适应系统。

以下为专访正文：

机器人与自动化新闻（R&AN）：许多机器人领域的突破性成果诞生于研究实验室，却往往难以实现商业化落地。您认为，将先进机器人研究转化为真实工业系统的最大障碍是什么？

安东尼·韦特罗（AV）：最大的障碍在于受控实验室环境与真实工业场景复杂性之间的落差。机器人在专为其开发的结构化环境中往往表现良好，但一旦面对工厂车间中的多变条件和人机交互需求，就容易力不从心。

另一个挑战在于如何融入现有工作流程，而这些流程对可靠性和成本效益有着极高要求。真正的突破有赖于能够更好反映真实物理世界的系统，从而打造出能够在实验室之外流畅运作的机器人。

R&AN：MERL正致力于提升机器人的操控能力与力控精度。机器人在处理精细、接触密集型任务方面，距离达到人类级别的可靠性还有多远？

AV：在操控与力控领域，我们已取得稳步进展，但在接触密集型任务上，距离人类级别的可靠性仍有差距。

人类能够即时响应感官反馈并适应变化的条件，而机器人在脱离训练数据范围后仍难以有效泛化。感知与控制能力的持续提升正在逐步缩小这一差距——通过将感知与基于物理的推理更紧密地结合，机器人得以在实时场景中做出更自然的响应。

R&AN：您提到了整合感知能力以预判人体和物体的运动。预测能力对于机器人与人安全协作有多重要？目前在技术层面还需克服哪些关键挑战？

AV：预测能力对于在人机共存环境中运作的机器人而言至关重要。一旦系统能够预判人体动作和物体行为，就能在动态环境中安全、高效地行动。

当前面临的核心挑战是如何应对真实场景中的不确定性——在这样的环境中，行为并非总是可预测的。构建将感知与物理动力学理解相结合的更强大模型，对于在工厂及其他共享工作空间中实现顺畅的人机协作具有重要意义。

R&AN：传统机器人训练耗时费力、数据需求量大。增强现实与视听交互界面等方式，将如何改变机器人训练的成本结构与可扩展性？

AV：增强现实与视听交互界面使机器人训练变得更具可扩展性，也更易于跨行业、跨地域推广应用。操作人员无需完全依赖传统编程方式，而是能够在实际场景中直接引导机器人，大幅缩短部署准备时间。这类方式还有助于机器人以更自然的形式从示范与反馈中学习，从而降低部署门槛，使机器人能够更快速地适应新任务和新环境。

R&AN：以MERL为代表的研究实验室，其研究优先级与制造、物流、医疗等行业的即时需求之间，契合程度如何？

AV：MERL的研究方向与制造、物流和医疗行业的优先需求高度契合。我们始终专注于能够支撑真实场景部署的基础性技术。

我们的工作与自动化、效率提升和安全保障等实际挑战紧密相连。我们的目标是开发出能够从研究阶段顺利过渡到规模化可靠运行系统的技术能力。

R&AN：关于"物理AI"——即融合感知、决策与行动、能够在真实物理世界中运作的系统——这一概念正引发广泛讨论。MERL如何看待这一方向？您认为目前哪些领域正在取得最有实质意义的进展？

AV：物理AI的核心，在于系统能够理解并遵循物理世界的规律进行运作。随着模型对物理规律的理解不断深入，其在复杂真实环境中的性能将持续提升，成本也将随之降低。

举一个正在取得显著进展的领域为例：数据中心能效管理。物理AI可以动态调控气流分配，将冷却资源精准导向最需要的区域，在降低能耗的同时支持更主动的运维管理。

R&AN：展望未来，哪些突破或里程碑将标志着机器人真正具备在无结构化、有人参与环境中大规模可靠运行的能力？

AV：关键里程碑将包括：在全新环境中持续稳定的表现，以及在共享空间中与人类安全互动的能力。机器人需要能够在不确定性和变化条件下做出可靠响应。当系统能够实时整合感知、推理与物理理解时，我们将离真正在无结构化环境中大规模部署的目标更近一步。

Q&A

Q1：MERL目前在机器人研究方面的主要方向是什么？

A：MERL专注于推进机器人技术的核心基础研究，主要涵盖感知、控制系统与机器学习三大方向。具体研究内容包括提升机器人操控与力控精度、开发预测性感知能力以预判人体和物体运动，以及探索利用增强现实与视听交互界面开展机器人训练的新方法。其整体目标是弥合实验室研究与真实工业部署之间的鸿沟。

Q2：机器人训练为何难以扩展，增强现实技术如何解决这一问题？

A：传统机器人训练高度依赖大量数据和耗时的编程过程，难以快速适应新任务或新环境，扩展成本较高。增强现实与视听交互界面的引入，使操作人员能够在实际场景中直接引导机器人，减少了部署准备时间。机器人还可以通过示范和反馈以更自然的方式学习，从而降低部署门槛，提升训练的可扩展性与灵活性。

Q3：什么是"物理AI"，目前在哪些领域有实质性应用？

A："物理AI"是指能够理解并遵循物理世界规律、在真实环境中自主运作的AI系统。与仅处理数字信息的传统AI不同，物理AI将感知、决策与物理推理相结合。目前取得实质性进展的典型领域是数据中心能效管理——物理AI可动态调控气流，将冷却资源精准分配至最需要的区域，在降低能耗的同时支持更主动的运维管理。