人型机器人的发展在近20年来一直进展缓慢。然而，得益于Figure AI和OpenAI的合作，这一领域正在迅速加速发展。结果就是一个令人惊叹的视频，展示了具备新的视觉语言模型（VLM）的Figure 01机器人，它已经变成了一个接近C-3PO功能的科幻机器人。 在视频中，Figure 01被放置在桌子后面，桌子上有一盘子、一个苹果和一个杯子，左边是一个滤水器。有一个人站在机器人前面，问道：“Figure 01，你现在看到了什么？” 片刻之后，Figure 01以一种非常像人的声音（尽管它没有脸）回答，并详细描述了桌子上的一切和面前的这个人。 我印象深刻地想，“好酷啊。” 然后那个人问道：“嘿，我能吃点东西吗？” Figure 01自信地回答：“当然可以”，然后熟练地拿起苹果递给那个人。 我不禁惊叹道，“哇。” 接下来，那个人把一些皱巴巴的垃圾从垃圾桶中倒出来，同时问道：“你能解释一下你刚才为什么这样做，为什么你捡起这个垃圾吗？” Figure 01毫不浪费时间，解释了自己的推理过程，同时将纸放回了垃圾桶。“所以，我给你拿了苹果，因为它是我能从桌子上为你提供的唯一可食用的东西。” 我惊叹不已地琢磨着，“这不可能是真的吧。” 然而，根据Figure AI的说法，这确实是真实的。 语音对语音的推理在Figure 01的功能中起着重要的作用，它利用OpenAI的预训练多模态模型VLM来理解图像和文字。它依靠对话声音交互来构建回应，这使得它与OpenAI的GPT-4不同，后者主要专注于书面提示。 此外，Figure 01还采用了一种称为“学习的低级双手操作”的技术。该系统将精确的图像校准与神经网络相结合，以像素级的准确度控制其动作。Figure AI表示：“这些网络以10hz的频率处理板载图像，并以200hz的速度生成24自由度的动作（手腕姿势和手指关节角度）。” Figure AI声称视频中展示的所有行为都是系统学习的结果，并且Figure 01并不是通过远程控制来操作的，这打消了它在幕后由人控制的猜测。 如果没有亲眼见证Figure 01并问自己的问题，很难验证这些说法。有可能这个过程已经被Figure 01反复练习了多次。也许这是第一百次的表演，解释了它的惊人速度和灵活性。 但如果这确实是百分之百真实的，我不得不说，“哇。”真的是哇。