美国NSF投3000万美元组建人机共同适应研究中心
德克萨斯大学奥斯汀分校（University of Texas at Austin，UT Austin）将牵头组建一个预算3000万美元、为期五年的美国国家科学基金会（National Science Foundation，NSF）研究中心，主攻机器人在工厂和仓库之外必须应付的一道难题：人类行为不可预测，而且会随时间不断变化。
这一名为“人类与机器人共同适应中心”（Center for Human and Robot Co-Adaptation）的研究项目汇集了六所大学的39名研究人员，他们关注的是人与机器在长期互动中如何相互学习、调整各自行为。中心考察的不是机器人在演示中能否把任务做成功，而是当同一群人和机器人相处数月乃至数年后，双方会发生什么变化。
亚马逊（Amazon）、Apptronik、Diligent Robotics、Google DeepMind、Hello Robot、MassRobotics、NVIDIA和Robust AI等公司均作为行业合作者参与，涵盖人形机器人、移动操作、人工智能和商业机器人等多个方向。中心主任、UT Austin计算机科学副教授Joydeep Biswas说：“机器人技术的下一次飞跃不只是让机器人执行更多任务，而是让它们理解周围的人，了解其需求、偏好、价值观和约束，同时也要认识到，人们把机器人引入环境时同样会调整自己的行为。”
长期以来，机器人技术依靠把环境变量压到最少来保证稳定运行。工业机器人在精心设计的工位里作业，零件按预期到达指定位置，屏障和传感器把人与潜在危险隔开。新一代协作机器人和自主移动机器人虽能适应条件变化，但仍被约束在明确的工作流程和环境边界之中。物理AI正推动机器人突破这些前提。面向医疗、老年护理、酒店、建筑乃至家庭开发的机器人，未来要在无法为机器重新设计的空间里工作，而那里的挑战不仅是环境会变，身处其中的人也在变——患者的身体能力可能逐周变化，老年人的需求几年内就可能不同，工人也会在了解机器人强弱项后发展出新的协作方式。
中心把这种双向调整称为“人机共同适应”。UT Austin用一个简单例子说明其含义：教机器人摆桌子并不难，但要它察觉有人正在做辣椒并主动摆上汤匙、且无需明确指令，就需要更深地理解上下文、行为与偏好。医疗场景更为关键：辅助机器人可以学习依据人的身体限制调整触及范围，帮人拿到水杯；人也会慢慢懂得机器人能做什么、如何向它求助，双方由此形成一个互相调整的反馈回路。
这种变化给机器人公司带来新的考核维度。系统不仅要可靠完成当前任务，还要判断昨天的成功行为在今天是否依然合适。用户和环境的持久模型、更强的上下文理解以及在不可预测行为中学习的能力都是必要环节，同时也会牵出隐私、安全、同意等一连串问题：不断适应人的机器人究竟该被赋予多大的自主权。机器人从受控车间走进家庭、医院和辅助生活设施后，这些问题的复杂度只会进一步上升。
中心计划依托真实世界的部署网络展开研究，这一网络名为“人类与机器人环境（Human Environment with Robots，HERO）设施网络”。站点将设在UT Austin及其合作机构——麻省理工学院（Massachusetts Institute of Technology，MIT）、耶鲁大学（Yale University）、印第安纳大学伯明顿分校（Indiana University Bloomington）、犹他大学（University of Utah）和塔夫茨大学（Tufts University）——的房屋、宿舍、咖啡馆、公共博物馆、康复医院以及老年护理和辅助生活住宅。长时间部署能帮助研究人员观察新鲜感消退后的情况：居民可能摸索出捷径，改变与机器的交流方式，或发现开发者从未预料到的用途，社区成员也能对部署的时间、地点和方式提出意见。
中心还与当下推动物理AI投资的几项技术形成衔接。UT Austin的得克萨斯高级计算中心（Texas Advanced Computing Center，TACC）将为HERO站点提供模拟、机器学习、数据存储和数字孪生所需算力，研究人员可先在虚拟环境中测试方法，再部署到宿舍或疗养院等场景。NVIDIA将提供加速计算、仿真和机器人平台，用于大规模训练与评估，同时对支撑人机协作的基础模型进行检查。NVIDIA机器人和边缘AI副总裁Deepu Talla表示，要让机器人成为日常生活的一部分，它们就必须在人们的需求、任务和环境随时间变化时保持有用。
人形机器人公司Apptronik与UT Austin渊源更深，这家总部位于奥斯汀的企业2016年从该校人本机器人实验室（Human Centered Robotics Lab）分拆而来，研究人员计划把其机器人设计与计算模型纳入人类环境中安全部署人形机器的探索。Diligent Robotics、Hello Robot和Robust AI分别带来移动操作和为围绕人工作而设计的机器人经验，亚马逊与Google DeepMind则提供大规模自动化和人工智能视角。这些行业伙伴的参与使中心不只是一个学术项目，还在人类行为基础研究与试图把物理AI带入日常环境的商业平台之间架起桥梁。
共同适应的商业价值最终要落在利用率和投资回报上。针对单一任务设计的机器人，只要任务频率高到足以摊薄投资，就能创造价值，汽车制造等高度重复的场景已经验证了这套模式。物理AI公司瞄准的许多市场并非如此：任务多种多样，环境不断变化，客户还可能期望同一台机器人随时间推移承担更多功能。能够学习用户偏好、适应流程变化、无需大量重新编程即可获得新能力的机器人，可使用范围更宽，也更容易达到支撑投资所需的利用率；反之，每逢环境或流程变动就得人工干预的系统，即便技术上令人印象深刻，商业上也有可能走不远。
回顾机器人产业的多数历史，行业对可变性的处理方式是把它从环境中工程化剔除：工厂围机器人而建，因为周遭世界保持可预测时，机器效率极高。新一代机器人技术正在尝试更难的事情，物理AI要做的是造出能感知、推理，能在为人类而非机器设计的环境中行动的机器，基础模型、仿真、更灵巧的操作和更强的硬件都是这盘棋的一部分。但把机器人放进人类环境，还会引入一个无法靠工程手段消掉的变量——人。人们会熟悉机器的行为方式，围绕它们改变流程，或是用开发者没预料到的方式依赖它们。NSF把这3000万美元投向人机共同适应，正是要看清这种关系会如何展开；对于一个已投入数十亿美元、试图让机器人从可控环境走向人类世界的行业来说，答案可能决定哪些系统真正留得下来。
