作者：维克多·坦格曼 (Victor Tangermann)

今年早些时候，人形机器人公司 Figure 展示了其 Figure 02 机器人，它利用名为 Helix 的复杂视觉语言系统，在一个物流仓库中进行包裹分拣。视频画面显示，一小队人形机器人熟练地拿起各种尺寸、形状和硬度的包裹，并精准地调整它们的朝向。

仅仅三个月后，该公司在其网站上发布了关于其基于学习的 Helix 机器人方法的最新进展，展示了同一款机器人在分拣更多种类的包裹，包括变形的塑料袋和扁平信封。

这是一项非凡的机器人壮举，凸显了这项技术在仓库环境中完成人类水平任务（至少是特定任务）的接近程度。包括 特斯拉（Tesla） 和 敏捷机器人（Agility Robotics） 在内的公司正在协同努力，旨在实现重复性人类工作的自动化——从最新结果来看，我们从未如此接近一个充满双足机器人在商业环境中操作站点的未来。

Figure 公司声称，其 Helix 系统在短短几个月内取得了稳步进展。现在，其机器人每处理一个包裹只需略多于四秒，比之前快了一秒，同时仍然保持了高精度。该公司还表示，运输标签的扫描方向正确率达到了 95%，比今年早些时候提高了 25%。

该机器人可以动态调整，以适应包裹的独特形状，通过“即时调整其抓取策略”——例如，轻轻拨动一个软包来动态翻转它，或使用捏握的方式处理扁平的邮件。

Figure 02 甚至会拍平塑料包装，这是一个它通过学习掌握的动作。公司在更新中写道：“这种微妙的‘拍平’动作，是从演示中学习到的，确保条形码能完全被扫描仪识别。”“这种自适应行为凸显了端到端学习的优势——机器人直接从数据中学习到了从未明确硬编码的演示策略，以克服包装中真实世界的不完美之处。”

用人形机器人填充仓库的竞赛正在进行中，多家公司都在争相成为这个新兴行业的实际领导者。基本思想是让一个模型机器人完成多种不同的任务，而不是一系列高度专业化、专门建造的机器人。

然而，要让它们足够经济高效且可靠，以实际大规模取代人类劳动力，可能仍将构成一个重大挑战。

资料来源：福布斯