當Humanoid就在隔壁實驗室，這個時代卻有人要用來鬥雞（機）？

現在模型和算力在邊際應用（還有各大廠商努力把個人等級算力塞到每個人手中）趨於普及，帶動人形機器人賽道蓬勃發展。

不只是兩條腿的人型機器人（Atlas、Neo），多條腿的Argus、四條腿的Corleo還有各種形態的特化用途機器人（例如倉儲物流、戰場運輸）一直在推陳出新。

但是根據K不嚴謹的觀察，目前影音中流量最好的是humanoid battle。

🙃

雖然humanoid battle也是透過現場非預期動作得到反饋數據，但是看見這個手段…… K覺得有點身心不適。是的，這是個人感想。

Bot是模型進入物理世界的載體之於人類不是活在meta元宇宙，這兩個概念粗略可以視爲兩個物種各佔據光譜的一端。然後，在這個humanoid實體化相對新穎的時期，人類拿來鬥雞。

整個humanoid battle場景有沒有像owner讓bot當作羅馬競技場還是豢養的鬥雞在打架？至於爲什麼沒有類比成WWE這類真人摔跤，因爲WWE選手都是正常作爲平等人類簽約的藝人/運動員，不是哪個誰的所有物，有進入和退出機制。

當然作爲humanoid的所有者來說，的確是上對下的關係；但是有種讓「明明有能力做更多事的技術，但用在純粹的娛樂上」的不適感。能學習physical feedback的模型不太可能是能力不強的模型。

Fable 5 都能說"... too dumb to use Fable" 來結束對話了對吧😂

（btw，AI倫理是真的存在且正在figure out人機共生該有什麼界限的真實領域）

回過頭來想想，現在看到的humanoid先進的很先進，掉漆的很掉漆。

一開始最主要的問題是，操控的模型不理解真實物理世界的運作方式，只能從大量影像、甚至聘用人類頭戴攝影機學習真實世界的各種scenario。看見不等於學會。K可以看滑雪教學500遍，但是沒有真實穿上設備、站到雪地上練習，永遠沒辦法做到「一站上去就能滑雪」這種事，humanoid也一樣。

可是各種feedback sensors超級貴，（……是，某種方面來說，這也是meat layer又一個便宜的地方），這是目前humanoid訓練的瓶頸之一。雖然K不清楚humanoid battle是不是在收集大量非預期碰撞raw data（販賣或儲備研究用，或單純娛樂產業經濟），但是開始腦洞出一套可能在未來能見到的情境🤔

一台mother bot搭載精密sensors，學習後歸納量化複製給child bot，類似模型蒸餾的teacher 和 student ，但是更完整保存詳細物理feedback訊號模式。Child bot可以輕量化上陣，降低成本。

要做到這個的前提，必然是先讓平臺內所有機子硬件統一，把需要calibration的地方削減到最小，才能大量deploy。嗯。就是供應鏈的材料有非可抗力必須改變的時候，硬件軟件工程師會抱在一起哭的情況。

同時必然延伸出每個公司的系統不互相通的問題。物理訓練資訊不像現在模型的data scrapping，你有一份我也可以複製或買到；得自己想辦法創造出各種狀況並收錄（aka各種試錯成本）。相信這種核心數據沒有一家公司能願意出售（出售後能不能使用又是另一回事）。粗略相對於現在NVIDIA的CUDA生態狀態，核心貴，時間也很貴。

Anthropic在去年直接做出MCP統一protocol，消除不同模型API間轉換的壁壘，相信換到humanoid/bot上也會重複一樣的事。只不過可能不是單純 bot A ↔ other bot A，而是各種不同的bot間的交流通道語言。

是的，K非業界人士，純粹腦洞幻想，歡迎來鞭。

不過在拒絕機器人鬥雞這一件事上，K不會退讓😤

紙箱機器人互斗可以，決策和操作者是自由選擇進入的真人；
黑客松攻防可以，有明確技術目標提供當即改善。

透過humanoid WWE來取得physical feedback data? ...先不要。

你好，我是K

今天依舊隨意更新腦洞

你想要humanoid 來做什麼呢？

那些沒寫在正文裡的陰謀論腦洞：

國防用途的raw data取得。精細動作的training在lab裡就能做了。非預期碰撞和平衡抗擾動還是交給民間（自家後院）來做成本低且數量多。當然不同機子的資料校正和噪聲應該很多，數據如何清洗又是另一回事了。