马克·雷伯特：波士顿动力与机器人的未来

波士顿动力（Boston Dynamics）有一句贯穿公司早期的座右铭，叫“你必须先会跑，才能学会走”。听着像抖机灵，它其实是这家公司所有机器人动作看起来那么自然的原因。

人类学走路的路数是反过来的。先扶着墙站稳，再一点点迈步。马克·雷伯特（Marc Raibert）在四十多年前做了一个相反的判断：如果机器人也像人一样小心翼翼、每一步都用三角支撑稳住，那它永远做不出跑和跳的动作。所以他先做会跑的，先做会跳的，先做会摔的。走路放到最后磨。

这个顺序背后有他自己的逻辑。人走路的过程，本质上是一个不断摔倒又被接住的过程，跑步更是如此。不先把“在空中失去平衡然后重新找回”这件事做通，就没有真正理解运动。

一个在麻省理工实验室里拐弯的下午

雷伯特是从电子工程师转行做神经生理学的研究生。他当年在脑与认知科学系（BCS）读书，方向是看单个神经元怎么工作。读了一段时间他发现这条路走不通。他看不到如何通过观察单个神经元，去理解控制系统、去理解思维。他的原话是，那不够概念化。

1974 年 1 月的某个独立活动期，他去听一门课。课后他跟着授课教授巴索德·霍恩（Berthold Horn）走回实验室。实验室桌上摆着一台机械臂，被拆成大概一千个零件，还没拼起来。

“看到那只胳膊的那一天起，我就成了一个机器人学家。”（马克·雷伯特）

细节有意思的地方在于他当时看见的东西。桌上只有零件，没有任何能运转的成品，可他看见的是拼起来之后可能会变成什么。吸引他的是可能性本身，那只胳膊此刻能做什么并不重要。

为什么波士顿动力的机器人动起来像活的

雷伯特对“功能”有一种近乎偏执的坚持。他年轻时候有个柏拉图式的理想：一台机器人，如果静止不动，最好看上去像一堆废铁，这样当它开始动起来的时候，你会强烈感受到某种生命感。

所以他早期设计机器人的时候，根本不管外壳好不好看。结构本身就是零件，液压、电机、连杆全暴露在外面。他的逻辑是，美感来自运动本身，外观造型并不在考虑范围之内。

这个思路一直延续到今天的 Atlas 和 Spot。你去看波士顿动力发的视频，几乎没有多余剪辑、没有转场、没有字幕解说，一台机器人在那跑、跳、翻跟头。雷伯特自己长期是这些视频的终剪。他的理论非常朴素：

“别解释。如果观众看不出来，那就是你东西不对。你只要做点值得展示的事，然后展示它。”（马克·雷伯特）

他甚至会刻意把机器人摔倒的片段放进视频。早年做第一台三维跳跃机器人时，他第一次放出去的视频观众反应平平。后来他把机器人摔倒的片段剪进去，观众立刻理解了机器人在站立时做的事有多难。失败让成功有了刻度。

那台价值 25 万美元的独腿跳跳机

真正让跳跃机器人从草图变成项目的，是一场非常老派的“走动式销售”，技术论证在其中几乎没起什么作用。

当时雷伯特在 JPL（喷气推进实验室）工作，认识了伊万·萨瑟兰（Ivan Sutherland），后者被认为是计算机图形学之父。萨瑟兰有笔自主支配的资金，他让雷伯特列几个可以做的项目。雷伯特故意把最上面和最下面的项目写得非常无聊，中间那个写的是“弹簧单脚跳机器人（Pogo stick robot）”。萨瑟兰一眼就看出来中间那个值得做，给了他一笔钱做初代模型。

然后两个人提着一个萨姆森手提箱，里面装着那台还没成型的独腿机器人的骨架，走进了 DARPA 的走廊。那个年代，你只要能走进去，挨个办公室看谁在，就能见到人。他们找到了克雷格·菲尔兹（Craig Fields），后来的 DARPA 局长，当时还是项目经理。菲尔兹看到那副骨架，激动得下巴都快掉下来了，当场给了 25 万美元。

1980 年的 25 万美元，是一笔真正的研究经费。有意思的是，雷伯特当时根本不知道这个方向最后能走向哪儿。他后来被问到有没有预见到实用价值时，回答非常干脆：

“没有。我那时候只是个学者，就想着做下一件事，做出点进展，如果能惊艳到同行就更好。”（马克·雷伯特）

一台会跳的机器人，到底在控什么

跳跃机器人的控制，简单讲就分三件事，但每件事都非常精巧。

第一件是让它持续跳。能量在弹簧单脚跳机器人的系统里有三个存储位置：弹簧里、高度里和速度里。跳到最高点的时候，能量全部在高度里。所以只要测量它跳了多高，就能知道整个能量循环的状态，再决定往系统里注入多一点还是少一点能量。

第二件是决定脚落在哪里。雷伯特举了一个撑杆跳的例子。撑杆跳运动员最难处理的那一刻，是杆子插进坑里、身体必须处在正确位置的瞬间。身体太靠前，会被弹回来。太靠后，会过杆失败。运动员要做的是在那一刻让身体尽量向上。跳高也是同样的物理。所以机器人在落地前要算清楚，脚该放在相对质心的哪个位置。

第三件是保持身体姿态直立。这个只能在脚着地的时候做，在空中做不了，因为物理上不成立。机器人每落地一次，就在腿和身体之间施加一个扭矩来校正姿态。

雷伯特提到一个细节：他们当年根本没有做最优控制。他们只是找到一个能跑通的大致方案，然后优化了一点点。后来几十年里，他的学生和别人的学生，才把方程写得更细，让机器人跑得更快、能上台阶、能应对真实地形。

有个问题他回答得很有意思。Lex 问他，机器人要倾斜到多少度才会失去平衡、再也救不回来。雷伯特说，当年他们没做过这种优化，机器人其实能比他们试出来的走得更远、性能更高，只是他们拿到一个大致的解法就沿着那条路往前推了。这也解释了为什么后来那么多学生能做出的提升，远超他当年在实验室里的版本。

从仿真公司，到重新发现自己的灵魂

1992 年雷伯特创立波士顿动力时，那本来不打算做成一家机器人公司。公司的初衷是拿他们开发的动力学仿真工具去做机器人相关的咨询业务。

所以早期他们做过一个非常不“波士顿动力”的产品，一台外科手术模拟器，本质上是一套力反馈设备。你对着镜子看下去，看到的是人体，手在镜面下方握着连接到力反馈装置上的器械。他们做 3D 图形渲染，写评分系统，记录下外科医生做血管吻合术（anastomosis）时犯的错。分数打在屏幕上，结果参加展会的医生们竞争心极强，看到别人分数高就回去反复练。

商业模式没跑通。他们原本以为医生会付钱来练习，结果医生觉得应该是厂家付钱请他们来教。他们又想过卖给医院，但公司当时只有十几号人，根本没钱做市场。那间会议室里的决定非常简单：砍掉。

“一旦做了这个决定，我们就觉得对了。”（马克·雷伯特）

那成了公司历程上的分水岭。他们通过砍掉一个技术上非常迷人的项目，第一次真正搞清楚了自己是谁，以及什么能成、什么不能成。这句话听起来轻，实际上很少有团队能做到。技术迷人和商业可行之间经常隔着一条很宽的沟，而承认这条沟存在，需要一点冷静。

之后的故事是索尼的机器狗。波士顿动力帮索尼做了 Aibo 的跑步版本，还把 Aibo 的腿拆掉，换上自己做的腿。这段合作有一个非常 90 年代的细节：那时候没有互联网，没有 Zoom，他们装了六条 ISDN 线，每周和日本开一次大约 10 赫兹帧率的视频会议。听得懂对方在说什么就已经要很用力了，这样的会一开就是好几年。

雷伯特说，正是那个项目把他们带回了机器人这条正路。Aibo 那台小机器人的问题是，它跑起来太小了，小到在取景框里一点都不震撼。它看起来像在碎步快跑，必须慢放才显得有意思。这件事直接影响了后面的所有判断：机器人必须够大，动作幅度必须够大，才能让人一眼就感到冲击。

BigDog 把它拖出了实验室

BigDog 是波士顿动力真正把自己“打进地图”的那台机器。它来自 DARPA 的生物动力学项目，当时一共收到 42 份提案，其中 3 份获得资助，BigDog 是其中之一。

在 BigDog 之前，MIT 腿实验室里的四足机器人其实已经能做很多动作了。但那台机器的液压泵放在房间里，通过软管连到机器人身上；旁边的 VAX 计算机占了一个单独房间，还要空调；机器人身上只有执行器和陀螺仪，电源和算力全在体外。

BigDog 的突破是把这一切装到一台平台上：汽油发动机、把旋转动力转成液压动力的系统、所有的计算和传感。这意味着它真的可以被带到野外去。

雷伯特他们花了大量时间在匡蒂科（Quantico）海军陆战队基地的一条叫瓜达尔卡纳尔（Guadalcanal）的小径上测试。这条小径是 DARPA 指定的里程碑。团队就天天陪着机器人上山下山。

很多人以为森林是最难的环境。雷伯特说，在办公室或者家里做，其实比在树林里难得多。在树林里，你可以随便选一条路上山，只要避开障碍就行，树林不会因为你踩了就坏掉。但在家里，你不能留刮痕，不能撞墙，早期的机器人一撞墙就出问题。

还有一个细节值得记住：那时候上瓜达尔卡纳尔小径，操作员是坐着人工视觉的。机器人在自己保持平衡、自己放脚，但前方怎么看，还是要靠一个熟练的操作员。多年以后，他们带着 Spot 的前身回到同一条小径，一个完全没受过训练的人第一次就能操控机器人上上下下。这中间隔着的进化，就是波士顿动力这些年真正做成的事。

BigDog 后来演进成了 LS3（Legged Squad Support System，负重版）。LS3 设计载荷是 400 磅，但雷伯特说他们有一次让它背了大约 1000 磅。他的原话是，他们有两台，一台背着另一台。

拉里·佩奇的一句话，诞生了 Spot

LS3 之后，波士顿动力做了一台电驱动机器人，电池驱动电机，电机驱动泵，但仍然是液压执行。真正的转折是拉里·佩奇（Larry Page）在一次会议上问的一句话：

“你们能不能做一个 60 磅重的小一点的版本？如果是放在有人的房子里，不至于像 BigDog 那样吓人。”（拉里·佩奇）

雷伯特说可以，然后就做了。那就是今天的 Spot。

从液压到电动，概念上不难，难的是液压系统本身不被市场看好。雷伯特对液压是有感情的。 他说如果看性能，液压在轻量化下能提供的力矩非常强，而且他们做了大量创新。大量液压控制阀是 50 年代为飞机设计的，之后几十年基本结构没怎么变，只是被造得足够安全、足够可靠，让人可以坐在飞机上。波士顿动力的工程师重新设计了阀的电路，把一部分计算集成进去，让能效、体积、重量都大幅改进。他们还做了一个足球大小、5 公斤重、能提供 5 千瓦功率的液压动力单元，里面集成了电机、泵、过滤器、热交换器和阀。

最终让 Spot 走电动路线的，主要还是使用场景。液压再强，也很难完全避免偶尔滴一点油，而这在家庭里是致命的。

一个动作看起来自然，需要多大的提前量

波士顿动力的机器人动起来之所以“漂亮”，雷伯特认为一半功劳在硬件。他很直白地说，那些认为硬件不需要再创新的观点是错的。

另一半在控制方法。他把它概括为“动态方法”：你要预测机器人未来几十毫秒到一两秒后会在什么状态，在你当下发出控制信号的那一刻，就要考虑那个未来。基于当前状态的伺服控制永远是“往后看”的，它只能问我现在在哪里，然后调整。真正流畅的运动必须往前看。

他给了一个具体数字：Spot 的前瞻窗口大概在一到两秒之间，是一个滚动时域（receding horizon）的逻辑，每一百毫秒就重新算一次。你要同时管住脚放哪、障碍在哪、身体平衡，这些都在这几百毫秒的计算里被协调。

但如果做后空翻这样的动作，前瞻就要拉长得多。起跳那一刻，你就要把所有动量、角动量、落地时机都协调好，让落地在可及范围内。这已经超出两秒钟的窗口，属于起跳之前的规划。

有意思的是，雷伯特承认，Atlas 到现在走路还不像人，跑步反而更接近人。人走路比跑步简单，机器人领域正好倒过来：跑步是更激进、更依赖动态的运动，反而更容易做出“自然感”；走路那种精细的、带膝盖来回折叠的、需要恰到好处的柔顺性（compliance）的动作，反而更磨人。

这也许能解释为什么波士顿动力早期的座右铭是“先跑再走”。激进的动作暴露更多物理规律，也逼着工程师把最难的部分先解决。

109 次尝试，和一台经得起摔的机器

Atlas 有一段非常著名的爬三级大台阶的视频，动作动感十足。雷伯特透露，那段视频是拍了 109 次才成功的。他补了一句很重要的话：成功之后，成功率就很高了。 剪辑里没有作弊的成分，展示的是已经进化出来的稳定性能。中间那 109 次尝试，每一次都被录下来了。

失败的形式非常多样：机器人刚被喊“开始”就原地塌了，这和台阶没关系；视觉感知出问题，跳跃落点偏了；某个零件坏掉，油喷得到处都是。花了六周，边调程序边试。这里的“机器人学习”其实是数据驱动加上人的反馈在环里。

那台机器为什么没被摔坏？雷伯特说，这是 Atlas 团队的一大成就：机身设计得足够皮实，摔 109 次还能继续用。当然还是会坏，所以他们预算里必须留出备件和修理团队。他特意批评了一种人，叫“镀金玩家”：把宝贝机器人放进柜子里，不敢碰，怕弄坏。他的判断很直接，这样是没法推进技术的。

“你得准备好它会坏，然后走进去修。这就是这份工作的一部分。”（马克·雷伯特）

AI 研究院：为机器人补上另一半智力

雷伯特现在担任波士顿动力 AI 研究院（Boston Dynamics AI Institute）的执行董事。他喜欢把智能分成两部分：运动智能（athletic intelligence）和认知智能（cognitive intelligence）。

波士顿动力在运动智能上已经设定了行业标准。机械设计、实时控制、能量管理，这些是他们过去三十年的立足点。但人类和动物还有另一种智能：会做计划，会看着地图算一下走过去要 20 分钟然后决定 9 点出门。雷伯特说，这种智能在机器人上非常稀缺。大多数机器人还很笨，需要大量熟练工程师花很长时间去编程，才能完成它们做的事。

AI 研究院的立意就是把这两半接起来。他举了一个核心项目，叫“观察、理解、执行”（Watch, Understand, Do）。让机器人看一个人做任务，理解它在看什么，然后自己把任务做出来。他把这叫机器人的 OJT，在职培训。

这非常难。人看一个人做事，会自动把动作切分成有意义的片段：拿起这个、放在那、把那个叠上去。但如果给机器人看原始数据，这个切分本身就是一个非常智能的行为。你得先解决“有意义地观察”是什么，再把观察翻译成对动作的描述，再把这个描述映射到机器人已经掌握的技能上。他们的切入点是自行车的简单维修，比如把座管插进另一根管子里再扣上锁扣。

第二个项目叫“检查、诊断、修复”（Inspect, Diagnose, Fix）。现在 Spot 已经能在工厂里采集机器的温度、仪表读数、声音，但这些数据是不是健康，是人来判断的。诊断和修复还完全在人手里。雷伯特认为机器人应该把这一整条链都接上。

研究院的方法论叫“通往登月目标的垫脚石”（stepping stones to moonshots）。这句话写在他给研究院的原始提案里。他的原则是：如果超过一年没有可以拿出来的阶段性成果，团队就会失去反馈和动力。 终极目标可以做好几年，但中间必须有踏脚石，哪怕只是一个简化版的问题被解决。

机器学习与传统控制，谁在支撑今天的机器人

从 ChatGPT 出现之后，整个行业对机器人学习的乐观情绪非常高。雷伯特承认这一点，但他也指出，机器人领域和语言模型有一个本质区别：语言的 token 是明确的，而物理世界的像素值并不等于单词。让机器人用物理身体做事，和做语言推理不在同一个难度层级上。

研究院在苏黎世开了办公室，由 Marco Hutter 领导，他是强化学习用于机器人的领军人物之一，同时在苏黎世联邦理工（ETH）保留一半时间。研究院里也有好几个做机器学习的人。

但雷伯特非常坦率：今天世界上最惊艳的机器人表演，大部分仍然出自“传统”控制方法，特别是模型预测控制（MPC）。 Atlas 那些你在视频里看到的动作，主体是 MPC 做出来的。他们最近也开始用学习的方法做了很多，只是还没全部放出来。

他的判断是最终会走向融合，两边的优势都用上。研究院正在做这件事。

构建伟大团队的四样东西

雷伯特把打造伟大工程团队拆成四件事：技术上的无畏、勤勉、坚毅（intrepidness）和乐趣。

技术上的无畏，指的是愿意接手一个你不知道怎么解决的问题。你要先研究它，找到一个切入点，可能是一个简化版本，从简化版本里学到东西，再回去做最终符合原目标的解法。像 Watch Understand Do 这种项目，本质上就是一座山，如果没有这种无畏，根本不会开始。

勤勉，是说不接受一个窄解。真实世界的机器人方案不能只在实验室里跑通，一遇到变化就崩掉。波士顿动力那些“工程师在机器人开门时去推门”、“拉着绳子把上楼梯的机器人往后拽”的视频，就是这种勤勉的具象化。它展示的是问题被解决到了多大范围，炫技的成分很少。

坚毅，可能最重要。机器人非常难做，一开始做不出来是常态。雷伯特说，如果一段视频背后有 109 次落空，你得有勇气一次次重来，才可能在一次成功之后继续往前。他在演讲里经常放一长串失败集锦，因为那是这份工作的真实面貌。

乐趣，他喜欢加个形容词，叫“技术乐趣”。工程师这份工作有一种手艺人的满足感，你自己设计、自己动手，做出一个以前不存在的东西。此外还有第二种乐趣：如果你做的事被别人认可，它就超出了手艺本身。第三种是团队乐趣，没有人能一个人拥有做这些项目所需的全部技能，能在一个互相补位的团队里工作，那种满足感很难替代。第四种是，你还能拿到薪水。四样加起来，一位工程师可以在一份工作里被“付四次钱”。

工程师和科学家，谁才是更高一层的召唤

雷伯特对工程有一个非常个人化的定义：工程是同时做科学家和做艺术家。科学家只能研究已经存在的东西，工程师能造出以前不存在的东西。他认为大众普遍觉得科学高于工程，他的排序正好相反。

他举的例子听起来很具体也很美：你设计一个连杆结构，结果发现它的重量减半而强度不变，那个瞬间非常令人满足。这是一种创造，和画画或者作曲属于同一类行为。

他说机器人最让他心动的一刻，是把金属带进生命。这话他说得非常字面，一个本来静止的、毫无生气的金属结构忽然开始动，并且动的方式让你联想到生命。这件事在他看来至今仍然神奇。这也是他最开始执迷于“让机器人动起来像活的”这项工作的深层原因，它做的实验关于生命感，工程只是手段。

他还有一句自我评价传得很广。他说波士顿动力那些真正让东西跑起来的优秀工程师，把技术真正做成的是他们；雷伯特给自己的定位是那个做梦的人。这话有他一贯的谦逊，也点出了一种真实的团队分工：有人负责把技术做出来，有人负责让大家相信值得做。

关于竞争、Optimus 和成本曲线

雷伯特对埃隆·马斯克的评价很高。他说马斯克在特斯拉做到了让全世界几乎所有车厂都在追的事，在 SpaceX 几乎是接管了 NASA 的角色。他不认为今天的 Optimus 追上了 Atlas，但也绝对不会低估马斯克。

“我有时候想，我是不是能对他的野心负一点点责任。很难不去想，他看到 Atlas 做的那些事，可能给了一点启发。我希望是这样。”（马克·雷伯特）

他也提到 Figure 和 Apptronik，觉得他们有不错的团队。他甚至开玩笑说，很想组织一次 Atlas 和 Optimus 的“机器人聚会”，现在他不在波士顿动力任职（虽然在董事会），正好可以做这种中立的事。

在竞争这件事上，他的视角很有意思。他说在波士顿动力那么多年，根本没怎么想过竞争，因为那个年代根本没有可以对比的商业产品。后来又有几次看起来像竞争的机会，最后他们还是变成了机器人供应商：LittleDog 项目里他们只造机器，不参赛；DARPA 机器人挑战赛他们也没参赛，只是提供 Atlas。到了 AI 研究院做认知智能，他第一次真正感受到竞争，招人、算力、团队能力，全都更紧张。

对于四足机器人，他甚至认为竞争者出现是件好事。因为用户心里问的问题从“我要不要一台四足机器人”，变成了“我要哪一台四足机器人”。一个行业真正成立的标志，是用户开始在这些产品里挑。还在怀疑品类本身的阶段，就说明品类还没成立。

成本方面，他非常乐观：远远没到底。 Spot 现在还是很贵，但他认为不需要这么贵。他提到现代（Hyundai）作为主要股东，把造车的能力带进造机器人，在降本和提可靠性上有先天优势。同时他也指出，即便到今天，真正赚钱的机器人应用几乎只有仓储物流这一类，加上传统工业机械臂。要在社会场景里跑出真正赚钱的产品，性能、安全和成本必须同时达标，这是非常难的三件事。

他提到家用机器人的历史里已经有一批公司倒下过，某一年就有三家一起关门。这里面没有单一原因，性能不够、安全边界不清、成本压不下来，任何一环出问题都会让整个产品线停摆。

关于家庭里的摄像头和隐私，雷伯特的态度很平淡。他说我们每个人都随身带着一台有两三个甚至四个摄像头的智能手机，它还在听我们说话，但几乎没有人真的因此感到不安。人们把它当成了日常。机器人大概率会走上同一条路，前提是产品形态做得对、边界说得清。

AGI 的担心，和汽车这个类比

聊到大语言模型和通用人工智能会不会威胁人类时，雷伯特先反问了一句：你觉得这世界上有人比你聪明吗？你因此感到被威胁吗？

他的观点是，即便计算机比人聪明，也不必然构成威胁，尤其它们通常仍然在我们能使用和控制的范围内。他把这放进一个更宽的框架里：任何技术都是机会和风险的组合。汽车每年在全球造成大约 125 万人死亡，还有污染，但大多数人依然认为汽车是人类的福祉，并且这些技术问题可以逐步被解决，事实上汽车确实在变得更安全、更清洁。

“这件事像不像奥本海默电影里那段，他们第一次引爆之前，讨论会不会点燃整个大气层？”他这么说，然后加了一句，我个人不觉得这件事值得去那样担心。

雷伯特的判断方式一贯如此：先看历史上所有技术走过的路径，再决定花多少注意力在极端情形上。这种态度在当下这个节点尤其值得注意，因为行业里最响的声音往往站在两个极端。

夏威夷衬衫，和一个“为什么不”的习惯

那件标志性的夏威夷衬衫，起因很私人。很多年前他只有一两件，有人跟他说，这玩意儿太老土了，马克，你不能穿这个。他停了一周，然后决定不让别人告诉他该穿什么。从那之后，基本上每天都穿。

“我想了很久才意识到自己是个反着来的人，但这个特性可以变成一个有用的工具。”（马克·雷伯特）

他把这种“反着来”用在了很多地方。在 DARPA 项目时期，他遇到一个海军陆战队员叫 Ed Tovar，此人有一句口头禅：当有人说“你做不到”时，他会问“为什么不行？”雷伯特说这句话对他影响极大，他现在凡事都会问一句“为什么不行”。

给年轻人建议时，他的思路和这句话一脉相承：先问自己，如果没有任何资源、机会和技能限制，你想做什么？从那个地方开始，看看自己能走到离它多近。很多人以为自己被关在一条窄通道里，其实通道比他们想的宽得多。

他在麻省理工带本科生的时候，每学期要和学生见一次面，学生最常问的问题就是自己该做什么。他给出的答案就是上面那个版本，先假设所有约束都不存在，再往现实收。这个办法不解决具体决策，但它能把人从“我只有这几个选项”的错觉里拉出来。

他也承认自己在这条路上待得太久了，久到有人说他陷在一条辙里出不来。AI 研究院的一部分动机就是换一件事做：运动控制做了几十年，去做认知，去碰一个完全不同的山头。四十多年做同一件事并不等于停在原地，但如果连他自己都觉得该换，那就真的该换了。

做机器人的过程，本身就是一面镜子

访谈最后有一段对话特别值得记下来。Lex 提到，看机器人做事之所以动人，是因为它反过来照见了人有多特别。一件事你觉得理所当然，比如从桌上拿起一个杯子，等你看工程师花十年去让机器人做这件事，才会意识到人类的身体到底有多复杂。

雷伯特对此的回应是，他至今也说不清人是怎么做到这些的。他现场拿起几个东西，翻过来转过去，不看也能操作，从口袋里掏出东西也知道是哪一个。这套能力的机制，人自己也说不明白。

他提到一个我印象很深的事实：体操运动员并不知道自己是怎么完成动作的。他们被教练教，靠反复练习形成感觉，但他们没法用物理语言解释自己在空中的每一个瞬间做了什么。而他的学生 Robert Playter（后来成为波士顿动力 CEO）当年就是一名体操运动员，他能把身体的感觉翻译成数学和算法。这件事说明，具身知识可以被转译，但转译这一步非常难，需要一个人同时具备两种能力。

还有一段关于被动动力学（passive dynamics）的讨论值得单独拎出来。80 年代 Tad McGeer 做过一台完全没有计算机的行走机构，靠重力和弹簧、阻尼器，自己就能沿着斜坡走下去。它本质上是一台机械计算机。这个实验的意义在于，身体也在参与运算。 好的机器人设计会把一部分智能交给机械结构，让大脑只需要处理机械做不了的部分。能量在系统里循环，不必每一步都被电机强行重置。

雷伯特说，现在大多数机器人并不这么做，绝大多数系统还是用计算机主导一切。但他相信，把机器本身的倾向算进去，最后得到的动作会更高效、更优雅。这条思路放在今天看，仍然是很多团队忽略的一层。

关于舞蹈也是同样的道理。他们请了一位知名芭蕾舞者来给机器人编程，同时在做一套更好用的编排工具，让她用舞蹈行业自己的语言来表达，而不用翻译成工程术语。现在已经做出来的机器人舞蹈基本都跟着固定节拍走，按下开始，机器人就演到底。雷伯特想要的是会听、会看的机器人，能和人一起跳，能对人做出反应。他甚至说过一个反向的思路：让机器人做 popping 那一类动作，用人做不到的高频振荡去“赢”人类。这在技术上是成立的，只是他还没做。

如果只带走几条具体的东西

这期对话信息密度很高，但如果一个做技术的人只带走几条能用的东西，大概是这些：

• 先做最难的版本。 波士顿动力的经验是先跑再走，先把激进动作做通，反而更容易做出自然感。很多工程任务如果先做安全版本，会形成路径依赖，最后走不出来。
• 给自己设一条“一年内必须有可展示成果”的线。 雷伯特的垫脚石原则里，最硬的一条是超过一年拿不出阶段性成果，团队就会失去反馈。把一个几年的目标切成能演示的碎片，是对团队最实际的保护。
• 在演示里放失败片段。 展示失败能给成功建立刻度。观众看到摔了多少次，才会真正理解做到有多难。只放最好的一条，反而让人低估问题的难度。
• 不要把样机锁进柜子。 Atlas 摔了 109 次还能继续用。要在预算里预留备件和维修人力，把损坏当成正常成本，不要当成事故。
• 硬件仍然能构成壁垒。 那些几十年没变过的基础件里，往往还压着大量的改进空间。波士顿动力重新设计液压阀，换来了整机体积和重量的大幅下降。
• 控制系统要往前看一到两秒。 只根据当前状态做矫正的伺服逻辑，永远做不出流畅的运动。这条原则适用于所有连续控制系统，不只是机器人。
• 做“看人做事”的项目时，先从动作切分入手。 把一段连续动作分成有意义的片段，本身就是最难的一步，绕不过去。技能映射可以慢慢补，切分错了后面全错。
• 招人时留出“非科班”的位置。 波士顿动力早期招过修自行车、做皮划艇、在车库里修摩托的人。那批人带来的动手能力，是纯学术背景很难替代的。
• 对“为什么不行”保持敏感。 遇到内部或外部的“不可能”，先问一句为什么，再决定要不要退让。这条建议便宜，但绝大多数人不会真的去问。
• 承认砍项目的价值。 外科手术模拟器技术上很迷人，商业上走不通，砍掉之后公司才认清自己是谁。一个决定能定义公司，往往是因为它砍掉了什么。