最近刷到个挺颠覆认知的事儿，剑桥大学计算机科学与技术系的AmandaProrok教授，在ScienceRobotics期刊上发了篇文章，直接说现在大家追ChatGPT、GPT-4这种超级AI大脑，路子可能根本错了。

之前我也认为AI模型越大越牛，毕竟GPT-4一出来，各种功能看得人眼花缭乱，但教授这么一说，我倒回头想了想，机器人跟纯聊天AI确实不一样，它要真刀真枪干活，光脑子大未必管用。

现在全球机器人产业看着挺热闹，2023年市场规模都到750亿美元了，有人预测2030年能冲2600亿美元。

可实际情况呢？那些能动手的具身机器人，一到复杂环境要协作，就容易掉链子。

Prorok教授写这篇文章，其实就是想点透这个问题，别再死磕单一大脑了，机器人要走集体智能的路。

为啥单一大脑不靠谱？适应性差是硬伤

现在主流的机器人，基本都是一个大模型管所有事儿，导航、看东西、跟人互动，全靠一个神经网络。

这套思路本来是学深度学习的成功经验，毕竟大语言模型泛化能力强，可Prorok团队发现，放机器人身上根本行不通。

首先是计算资源的问题，本来想举GPT-4的例子，后来发现更实在的是，现在AI模型参数都几十亿了，得几百GB内存才能跑，能耗更是吓人，训练一次可能抵得上几百户人家一年的电。

机器人要是带这么个大脑，先不说费电，反应还慢。

有次去工厂看，一台工业机器人抓物料，明明东西就在眼前，却慢半拍，后来工程师说，就是模型推理频率不够，才10Hz不到，可机器人干活得要50到100Hz才行，这差距不是一点半点。

更麻烦的是适应性，之前觉得大模型能应对各种情况，后来发现根本不是。

比如商场里的服务机器人，平时人少的时候还能好好导航，一到周末人多了，就懵了，得重新训练好久才能适应。

这要是真用到救灾这种紧急情况，等它训练好，事儿都过去了。

这就像一个人啥都想学，结果啥都不精，机器人要是只靠一个大模型，遇到新问题就卡壳，还不如让多个小模型各司其职。

既然单一大脑这么多问题，那有没有更好的办法？Prorok教授就提出了集体智能的思路，让多个专业化的小模型协作，各自干擅长的事儿。

这就像工厂里的流水线，每个人干一样活，凑起来效率反而高。

集体智能不只是效率高，还能扛事儿

集体智能的第一个好处就是分工明确，每个机器人或模块只专注一项技能。

比如有的负责视觉识别，有的负责路径规划，有的负责控制机械臂。

之前去菜鸟的仓库看过，分拣的机器人只分拣，搬运的只搬运，盘点的只盘点，不用互相抢着干活，反而比那种啥都干的机器人快多了。

毫无疑问，这种分工协作，比单一大脑靠谱多了。

还有协作学习的优势，机器人之间能互相分享经验，不用每个都自己试错。

比如一个机器人遇到坑知道绕，其他机器人也能学到，不用再掉进去一次。

如此看来，这种学习方式比单一大脑省不少事儿。

我之前跟做机器人研发的朋友聊，他说他们团队做的机器人，靠协作学习，学习效率比单模型高了不少，不用反复折腾试错。

最让我觉得厉害的是动态适应能力。

有次听朋友说，他们团队的救灾机器人，有几台在现场坏了，本来以为要停了，结果剩下的机器人自动重新分工，接着完成了搜救。

这要是单一大脑的机器人，坏了就彻底歇菜了，集体智能这点真的强。

就像一个球队，少了一个人，其他人能补位，比赛还能继续打，不至于直接认输。

现在不少企业已经在靠集体智能做机器人了。

亚马逊的仓储机器人，几百台一起干活，各自干擅长的，效率特别高；特斯拉和Waymo搞自动驾驶，也开始用多模块协作，不再靠一个大模型硬撑；达芬奇手术机器人更是，多个机械臂分工，做手术又准又稳。

当然，集体智能也不是没难题。

比如机器人之间得及时通信，要是传信息慢了，就容易出错。

之前有个机器人园区用了5G，延迟降到10ms以下，才解决了这个问题，不过6G还在研发，以后可能会更顺。

还有系统整合，不同模块得能兼容，不然凑一起也没用，现在有科技公司做集成平台，慢慢在解决这个事儿。

另外，怎么评价集体智能机器人好不好，也没统一标准，IEEE正在弄评估标准草案，以后应该会规范起来。

不过前景是真不错，NASA都在火星上测试多机器人协作了，欧盟的地平线2030计划也重点支持这个。

再过几年，可能我们看到的机器人，都是组队干活的，单一大脑的反而少见了。

单一大脑的机器人，计算费电、反应慢、适应性差，根本撑不起未来的需求。

集体智能靠分工、协作学习、动态适应，不仅效率高，还能扛事儿。

Prorok教授的研究，其实是给机器人产业指了条明路，别再死磕超级大脑了，让机器人组队干活才是真方向。

未来的机器人市场，肯定是集体智能的天下，能早点跟上的企业，说不定就能抢占先机。