Field AI CEO Agha→再多数据也治不好机器人幻觉

共同学习，终身成长

记录AI跨越虚实的每一步演化

若有帮助，欢迎关注、点赞、转发支持^ ^

Ali 的履历本身就是论据。15 年前他在 MIT 认识联合创始人 Shy（后者去了 DeepMind 做基础模型），随后带着算法进了 Qualcomm，把自主方案塞进 Snapdragon 这种轻量低功耗处理器——NASA 正是看中这一点找上门，最终 Mars Helicopter 带着 Qualcomm 芯片飞上了火星。在 NASA JPL，他成为空中移动团队负责人，发起十多个项目，其中两个演化成了 DARPA 挑战赛。真正的转折是野外部署：他们完成了人类历史上第一次让足式机器人在没有人工干预、没有地图、没有 GPS、没有任何预定义信息的情况下深入火星模拟洞穴数公里；在 DARPA 地下挑战赛峰值时一次派出 11 台机器人（4 台足式、4 台轮式、3 台飞行）进入完全未知的地下工业环境，团队一度 70-80 人，疫情前拿下城市阶段全球冠军。外界习惯把自主能力的进步看成自动驾驶的线性延伸，忽略了 DARPA 把问题从"有路、有 GPS、有先验"一路推到"零先验信息"这一次范式跳跃——而正是这十年让他得出一个结论：一旦进入现实世界，一切很快就会偏离正常状态，你的大多数理论框架都会失效——没有高斯噪声，没有线性系统，没有预定义路径。这句认识，就是 Field AI 的地基。

自动驾驶圈把边缘情况当成 99.999% 之外那一小撮长尾，先在实验室做出方案，再到现实里加封装、加安全防护"打补丁"。Ali 说这套顺序本身就是错的：把极端情况当事后补救，等于假设你的实验室架构能迁移到现实。他给的对照极其具体——自动驾驶虽然不能优化世界，但世界有结构：车道数量已知、出口位置已知、有 GPS、要面对的物体是汽车行人人行道这类有限集合；可一旦进了建筑工地，每一个房间的变化量，可能就抵得上整个自动驾驶场景的全部变化——破碎的零件、悬垂的电线、滴落的水、搭到一半的脚手架、正在安装的楼梯、四处走动的人，有些物体你甚至难以描述它是什么。当机器人的最大市场（TAM）本质上是"像人一样被塞进为人设计的非结构化环境、一对一或一对多地放大人的产能"时，边缘情况就不再是要收尾的长尾，而必须是第一天就写进架构的前提。

把这个领域放进二维坐标系：一条轴是泛化（约等于数据），一条轴是架构（约等于可部署性与安全）。多数人只看第一条轴，直接把 ChatGPT 的成功平移——拿一个大型单体神经网络，把词语文本换成图像和 LIDAR 扫描，训它生成下一步最优动作。Ali 指出这套复制里藏着一个被忽略的前提错误：对话模型之所以能容忍幻觉，是因为语言的风险容忍度高——你可以改掉文章里的几个词；物理世界抽走了这层容忍度，而数据需求只会更夸张。文本需要数百万亿 token，机器人的变化更多、需要多少没人知道，可即便喂到那个量级，幻觉依然存在。所以 Field 不接受"把它当数据问题、用规模去磨平幻觉"这条路——问题不在数据不够，而在架构默认了一个物理世界不允许的容错前提。

当人们谈物理，通常指仿真：搭一个尊重物理规律的仿真环境，生成更好的数据。Ali 说那和他讲的物理是两码事——把物理烘进仿真，得到的还是"更好的数据"，本质仍是纯数据驱动的方案，只是数据质量更高而已。Field 的做法是在数据驱动网络之外，另放一个很重的算法模块，在系统移动时实时分析光速、传感器、光反射、LiDAR 的穿透特性、摄像头与 IMU，用算法直接推断周围的物理；这个模块和数据驱动模块做一次"复杂握手"，判断数据驱动的部分何时进入没见过的状态要开始幻觉，而物理部分何时有十足把握、可以说"这件事交给我"。这背后是十年硬功夫——他们求解过 Fokker–Planck 方程这类偏微分方程，用它刻画随机微分方程上的概率分布如何演化，从而算出走左路还是右路各自的不确定性。把这些算法信息通过正确的 tokenization 放到网络内部正确的位置，网络就不必从零学起：他用了个比喻，这像是给学骑车的孩子装上辅助轮，模型因此知道自己能力的边界在哪、一旦开始偏离就有指标提醒它"我要幻觉了，慢下来、多看看、多收点数据"。误区就在这里——很多人以为"加物理"是让数据更干净，实际 Field 是让物理成为一个会实时算账、会举手的活模块，而不是喂进去就冻住的先验。

地下 900 英尺、灰尘、雾、烟、忽明忽暗的光照——感知退化环境恰好是物理最能发力的样板。直觉是：光线这么差，得靠更强的神经网络硬看懂每一帧。Ali 说这正是搞反的地方：不同波长的传感器行为不同——热成像能穿透灰尘，LiDAR 对雾和尘有各自的退化曲线，RGB 相机在低照度下吃力——你可以不靠神经网络理解每一个细节，而用物理去算这些传感器之间的共识、差异和相关性。他给的机制极其具体：系统会盯着某个矩阵的特征值，当特征值显示"基于 LiDAR 的定位组件即将退化、即将失效"，热成像或 RGB 就顺势接管；每个通道都带着自己的不确定性，系统据此给它们分配权重、决定谁说了算。这一整套计算对神经网络只是"建议"——数据驱动模块仍是主角，但它现在同时看到原始数据和这些物理算出的表征，学得更快、用的数据更少、韧性更强。错的不是"用神经网络"，错的是让神经网络独自去重做物理本可以直接算出来的那部分。

Field 用了四种数据源——仿真、视频、遥操作，以及真正改变局面的第四条：机器人在真实客户工作流里采集的数据。但这里有个人人都懂的死结：你说要靠部署去采数据，可没有数据又训不出能部署的模型，两者互为前提。Ali 承认——这个先有鸡还是先有蛋的困境，对端到端单体方案确实成立，因为它一切都以数据为基础，你得攒够海量数据才能做一个小众应用，还未必治得好幻觉，于是陷入不断推迟的恶性循环。Field 绕开它靠的还是架构那一环：当机器人撞上分布外、从没训练过的东西，数据驱动组件本该开始幻觉，此时物理组件介入，让它慢一点、效率低一点但保持安全；而这份安全恰恰让机器人能从那个"它此前不了解的要素"里采到数据，这些数据又最大程度地推动模型演进。飞轮因此从第一天就转起来——而且他强调一切都在端侧完成，不连云、不用 5G、不靠 Wi-Fi，全部跑在机器人本体上。

隔壁人形机器人论坛的共识是先做仓库和工厂，因为家庭"太不规则、太难"。Ali 反其道而行，理由不只是建筑是个 $17 万亿、极度渴求提效的大市场，更在于数据质量：工地每分钟、每小时都在变，数据丰富度远超他们部署过的任何领域。他点破了"先挑简单环境攒数据"的隐藏代价——装配应用跑个两三分钟，安保或物流跑上数小时数天，数据就"不再有意思"了，因为你要的永远是分布外的、新的东西，而结构化环境很快把新意榨干。他举了个硬例子：第一次进一家石油天然气炼油厂，此前从没有过这类环境的任何数据，但机器人第一天表现就相当不错——因为它在无数工地上见过足够丰富的变化，拆箱部署的头五分钟就能对一个从没见过的炼油厂形成足够理解；三个月后自然更好。而且这套数据无需雇几千人去改环境或遥操作，自主系统每分每秒都在把 PB 级数据灌进训练集。真正稀缺的从来不是数据总量，是变化。

越来越多以训练大型 Physical AI 模型起家的公司开始自建全栈、下场造人形机器人——他点名了 Rode AI 和 Genesis。Ali 明确说这不是 Field 的方向（虽然"不排除将来某天做"）。他的理由来自一线触点：客户几乎从不说"我要那款机器人"，谈的永远是用例——"我想解决这个问题、提高 ROI、给这台机器人加三只手、再多一根手指、把双臂装到轮式底盘上"。他看到的趋势是趋同越来越少、分化越来越多，所以把自己锁进单一形态反而缩小机会。Field 因此是一家卖"大脑"的软件公司，这个与机器人无关的大脑今天已经跑在 34 种不同形态上、从数吨重的大型车辆到小机器狗到人形机器人，其中相当一部分已由付费客户在真实场景使用。锁死一个模型看似聚焦，实则是把"泛化"这件事的通用性提前砍掉了——正如结尾那句：要实现泛化，最终需要的是很强的通用性。