波士顿动力换帅: Physical AI 的竞争,正在发生变化

PHYSICAL AI · INDUSTRY NOTES

波士顿动力换帅：Physical AI 的竞争，正在发生变化

从机器人硬件到基础模型，再到真实世界的数据闭环。

Rohit Prasad 出任 Boston Dynamics 首席执行官。图片来源：Boston Dynamics。

10月6日，全球知名机器人公司 Boston Dynamics（波士顿动力）宣布了一项重要人事任命：前亚马逊AI高管 Rohit Prasad 出任公司首席执行官，10月7日正式生效。

这次换帅值得关注，不只是因为波士顿动力换了一位CEO，更因为新任负责人此前最重要的经历，并不在传统机器人领域。

Rohit Prasad 曾担任亚马逊 Alexa 与通用人工智能业务的高级副总裁兼首席科学家，参与将 Alexa 发展为大规模消费级AI服务，后来又负责 Amazon Nova 基础模型系列的研发。

这个选择，与波士顿动力正在推进的业务转型相当契合。

过去很长一段时间，波士顿动力最具辨识度的能力，是让机器人完成复杂运动。

无论是四足机器人 Spot，还是人形机器人 Atlas，出色的运动表现都帮助它建立了全球影响力。

图片来源：Korea JoongAng Daily

一台机器人可以在精心设计的实验环境中完成高难度动作，却不代表它能在真实工厂里连续处理不同尺寸的零件，应对物体位置变化，并在发生意外时自主调整动作。

随着机器人逐渐进入制造、仓储和物流等实际场景，行业需要解决的问题正在发生变化。机器人不仅需要出色的硬件性能，还需要理解任务、适应环境，并在长期运行中持续改善表现。

这正是波士顿动力此次任命中反复强调的方向：将先进AI能力与机器人技术结合，加快 Physical AI 的商业化。

值得注意的是，这并不意味着硬件已经不再重要。

恰恰相反，可靠的机械结构、运动控制和安全性能，仍然是机器人执行任务的基础。只是当机器人开始进入复杂、开放的环境，仅靠预先设计好的动作程序，已经很难覆盖所有情况。

Atlas 在现代汽车集团 RMAC 训练中心学习汽车制造任务。图片来源：现代汽车·起亚，转载自 ETNews。

如果把这次人事变化放进现代汽车过去一年的布局中，背后的方向会更加清楚。

作为波士顿动力的母公司，现代汽车集团已经开始围绕 Atlas 建立从训练、验证到商业部署的完整体系。

今年，现代汽车在美国佐治亚州建设并启用了 Robot Metaplant Application Center（RMAC），即机器人超级工厂应用中心。与普通机器人实验室不同，RMAC面向的是实际制造任务。

根据现代汽车此前公布的规划，Atlas将从汽车零部件排序等任务开始，逐步进入真实生产环境。集团计划于2028年在美国佐治亚工厂部署Atlas，并在后续阶段拓展至零部件装配等更复杂的工作。

RMAC承担的工作也不只是让机器人反复练习动作。

这意味着，机器人开发不再完全依赖实验室里事先准备好的任务和数据。

制造现场正在成为机器人持续学习的重要来源。

例如，同一个零部件排序任务，在实际生产中可能涉及不同摆放位置、抓取角度、物体遮挡和产线节拍。机器人可以依靠已有模型完成其中一部分工作，但遇到没有充分训练过的情况时，仍然可能失败。

这些失败、人工接管，以及后续成功完成任务的过程，都有机会成为下一轮训练和评测的数据。

但现代汽车的布局至少说明了一件事：

过去几年，Physical AI领域的数据竞争，很大程度上围绕规模展开。谁能采集更多小时的视频，谁能组织更大规模的采集网络，谁能覆盖更多任务和场景，都是行业关注的重点。

这些能力依然重要。但随着基础模型、世界模型和仿真技术不断发展，另一个问题变得越来越难以回避：

机器人训练数据与互联网数据存在一个重要区别。一段视频可以展示人如何拿起杯子，但机器人未必能够仅凭画面还原完整的操作过程。

它可能还需要知道，手在什么位置开始接触杯子，抓取过程中施加了多少力，杯子是否发生滑动，以及动作失败之后如何调整。

对于机器人而言，一次操作不只是连续的画面，更是一组相互关联的动作、状态和物理反馈。

这也让数据质量有了更具体的含义。

其中最重要的一点，是数据最终有没有转化为模型能力。比如，在加入某一批数据后：

这些问题可能比单纯的采集小时数，更接近数据的实际价值。

另一项值得关注的变化，是AI模型正在越来越深入地参与数据生产过程。

传统流程通常是先采集数据，再进行人工清洗、标注和筛选，最后交给模型训练。但对于不断变化的真实世界任务，这种单向流程存在局限。

因此，未来的数据基础设施可能不再只负责生产和交付数据。模型还可以参与其中：

例如，一个机器人模型在抓取刚性物体时表现稳定，却经常在操作柔性材料时失败。

这时，与其继续平均增加所有类型的数据，不如根据失败原因，补充特定材料、接触方式和动作条件下的训练样本。

这样的循环，有机会减少无效采集，也让数据价值变得更加可衡量。

这正是 Physical AI 数据模型值得持续关注的方向。它所处理的不只是数据格式和标注结果，还包括如何识别、组织和利用真正有助于机器人学习的物理信息。

不过，这仍然是一个持续演进的过程。无论是自动化数据评估，还是基于模型反馈的数据生产，都需要在更多真实任务中证明可靠性和成本优势。

回到波士顿动力此次换帅。

Rohit Prasad的加入，并不能直接证明Atlas的模型能力已经取得突破，也不意味着人形机器人即将大规模取代工厂中的人工劳动。

目前，Atlas仍处于从开发、验证走向更广泛工业部署的过程中。现代汽车提出的2028年部署计划，也需要经过持续的任务验证。

但这次任命与现代汽车此前建立的训练和制造体系放在一起，确实释放出一个值得关注的信号：

对 Physical AI 而言，未来的进步可能不只来自某个更强大的模型，或者某台性能更出色的机器人。

同样重要的是，模型如何从真实环境中获取经验，数据如何被转化为可学习的信息，以及机器人如何在一次次任务执行中不断改善表现。

本文由 Digients Tech（数灵科技）整理，结合公开信息讨论 Physical AI 产业进展。

DIGIENTS TECH