No.32 波士顿动力：为智能打造身体的公司

📌 一句话摘要

本期播客深度复盘了波士顿动力公司自 1992 年成立至今的发展史，从创始人马克·雷伯特的学术研究、动态平衡控制原理，到 BigDog、Spot、Atlas 等标志性机器人的迭代，并探讨了具身智能的核心概念与机器人技术的未来方向。

📝 详细摘要

本期播客以波士顿动力公司为线索，系统梳理了现代机器人技术的发展历程。内容从创始人马克·雷伯特在麻省理工的学术研究讲起，深入浅出地解释了其博士论文中「将机器人动作抽象为多维空间点」的核心思想，以及动态平衡控制（如 MPC 模型预测控制）与静态平衡控制的根本区别。节目详细回顾了波士顿动力从早期为美国国防部高级计划研究局研发 BigDog、PETMan，到被谷歌收购后转向民用（如 Spot 巡检机器人），再到被软银收购并最终归于现代汽车旗下的商业浮沉。技术层面，节目不仅讲解了机器人如何「学会走路」（从查表法到基于强化学习的大模型控制），更重点探讨了「具身智能」的深刻内涵——智能不仅源于计算，更依赖于身体与环境的实时交互与适应。最后，节目展望了机器人从「让环境适应自己」到「让自己适应环境」的范式转变，以及谷歌等公司在通用机器人操作系统和世界模型上的前沿探索。

💡 主要观点

- 机器人控制的核心是从静态平衡转向动态平衡 早期机器人采用「走-停-走」的静态平衡，效率低下且无法应对复杂地形。波士顿动力借鉴生物运动原理，采用动态平衡系统，让机器人像人一样在「持续摔倒又被接住」的过程中前进，这是其机器人能跑跳、抗干扰的基础。

具身智能的本质是智能体通过身体与环境的交互来解决问题 智能并非仅存在于「大脑」（计算单元），而是源于身体感知与环境反馈的闭环。真正的智能需要与物理世界交互，能根据环境变化实时调整策略和目标，而非仅依赖预设程序或离线计算。

机器人控制技术经历了从查表法、MPC 到基于强化学习的大模型演进 早期采用查表法应对有限状态；后采用 MPC 模型预测控制进行多步优化，但计算量大且模型专用；如今主流是使用强化学习在仿真环境中训练通用运动大模型，使机器人能通过试错学习适应多样任务和地形。

波士顿动力的商业历程是顶尖研发与市场落地持续博弈的缩影 公司凭借军方订单起步，在谷歌时期尝试技术普适化未果，于软银时期推动 Spot 产品化，最终被现代汽车收购。其历程反映了前沿机器人技术在军用转民用、高昂成本控制以及寻找稳定商业模式上的长期挑战。

💬 文章金句

- 所谓的具身智能，就是说我会借助身体的感知来帮助我去解决现实的问题。我通过和环境的交互来解决复杂问题，而不是单纯的通过计算来解决复杂问题。

• 但是我们要想成为真正的智能，这个智能是需要和身体连在一起的，我们需要和外界有交互，才能展现真正的智能。
• 就是说你想控制机器人，就是生物会利用物理的惯性，物理的特性让自己移动，而不是很生硬的和整个物理世界对抗。
• 所以具身智能一个核心的问题就是说机器人必须明白我到底要干什么。
• 过去的机器人让环境适应自己，未来的机器人让自己适应环境。

📊 文章信息

AI 初评：86

来源：保持偏见

作者：保持偏见

分类：人工智能

语言：中文

阅读时间：281 分钟

字数：70100

标签： 波士顿动力, 具身智能, 机器人技术, 动态平衡控制, 马克·雷伯特

收听完整播客