UC Berkeley工程师训练AI自动设计变形机器人
研究人员开发了一个AI框架，用于优化模块化、可变形态机器人的设计。该系统能自动创建能够改变头盔形状或四足行走的机器。
来自伯克利的“元变形金刚”：为什么设计机器人的AI架构师比机器人本身更重要
[核心要点]：真正发生了什么
2026年5月11日，加州大学伯克利分校林音教授领导的团队（卡内基梅隆大学和佐治亚理工学院参与）发布了一个用于自动设计“元变形金刚”机器人的框架。
媒体报道称“机器人像章鱼一样变形”。头条标题惊呼AI奇迹般地自行设计机器人。这没错，但只是冰山一角。
真正的情况是：研究人员破解了模块化机器人设计中的维度灾难。 他们解决了一个困扰该领域数十年的问题——随着每个活动部件的增加，控制复杂度呈指数级增长。
由金属桁架（具有数百根梁和旋转关节的金属桁架）制成的机器人理论上可以呈现任何形状：像手风琴一样压缩，从四足形态变为蛇形，改变头盔轮廓以适应佩戴者头部。但实际控制是一场噩梦。如果有200个关节，每个关节有多个位置，组合状态空间会爆炸到天文数字。
通常的方法是手动将执行器分组为可控网络。正如林音教授所说，这“繁琐且劳动密集”。伯克利团队简单地说：“算了。AI会自己找到最优分组。”而它确实做到了。
时间线与背景
要理解为什么2026年5月这一事件非同寻常而是颠覆性的，我们需要回顾伯克利在机器人领域的先前工作：
- 2025年3月：Sergey Levine（伯克利著名教授，Physical Intelligence联合创始人）在多伦多大学做关于“机器人基础模型”的讲座，主要问题是数据收集。没有数据，就没有学习；没有学习，就没有自主性。
- 2026年1月：伯克利发表Fanchen Liu关于可扩展机器人学习的博士论文，提出了MOKA和OTTER系统，试图将语言模型与控制连接起来。
- 2026年2月：NVIDIA Research与伯克利合作发布机器人“世界模型”工作——通过视频教AI预测物理。
- 2026年4月：Shankar Sastry（另一位伯克利支柱）做关于“可信自主系统”的演讲，提醒我们莫拉维克悖论：“编程人形机器人打开一扇陌生门是最困难的工程任务之一。”
- 2026年5月11日：现在——一个工作系统，不是教机器人执行单个任务，而是为任务设计机器人本身。
关键细节：这项工作处于机械工程与计算机科学的交叉点。不是“又一个控制算法”，而是来自厌倦了与控制器斗争的硬件制造商的系统性解决方案。
谁赢谁输
赢家：
- DARPA和军工承包商（洛克希德·马丁、雷神）。根据任务改变形状的机器人是战术侦察的梦想：像虫子一样爬过管道，像蜘蛛一样出来，举起负载并变形为起重机。伯克利的AI框架允许设计这样的机器人，无需数十亿小时的人工调试。
- 航天机构（NASA、ESA、SpaceX）。发射入轨需要最小重量。一个由一百个执行器组成的桁架可以打包成一个立方体，然后展开组装天线或修理卫星。AI设计者不仅优化形状，还优化“大脑”（控制器）的数量。
- 医疗机器人。团队制作的“触手”原型可能成为未来内窥镜的基础，这些内窥镜能自行决定如何最佳地弯曲穿过肠道。
- 伯克利团队本身（林音及合著者）。这保证能在任何顶级机器人会议（ICRA、RSS 2026）上获得最佳论文奖，并在未来5年获得数百万美元资助。
输家：
- 销售“手动机器人设计工具”的公司（SolidWorks插件、MSC Adams）。目前花费数千美元工程时间的执行器分组人工劳动被自动化。“动态优化”插件变得多余。
- 所有构建固定形态、非变形机器人的初创公司。假设你的机器人只能爬管道。一个伯克利机器人加载到同样的API中，可以爬行、行走和抓取。一旦技术变得足够便宜用于商业用途，你的利基市场就会消失。
媒体没说的
洞察#1：这不是“通用机器人构造器”，而是“神经网络固定价格”。
该系统不仅生成设计。它同时优化两个层次：几何（梁的走向）和可控性（需要多少控制器）。研究人员找到了一个“最佳点”：增加控制网络数量只在达到某个阈值前带来性能提升，之后收益递减。
这在实践中意味着什么？设计者不再需要思考：“我放50个微电机以提高精度。”系统自己会说：“对于‘变成头盔并压缩头部’的任务，你需要4个控制组。其他46个电机只是死重。”这是自动对抗过度复杂——现代机器人的主要病症。
洞察#2：与Physical Intelligence（PI）的联系在哪里？
同样在伯克利工作的Sergey Levine是Physical Intelligence的联合创始人——一家构建任何机器人的基础模型的初创公司。他的论点：“一个大脑适用于所有身体。”林音的工作提供了为特定任务创建最优身体的工具。如果结合起来，我们得到一个从头设计身体（金属桁架）和大脑（PI策略）的系统。本质上——一个从零开始的机器人工厂。
为什么媒体对这种协同作用保持沉默？因为需要理解伯克利的内部运作。这就像内燃机发明者和轮子发明者在同一所大学。但他们分别发布新闻稿。
洞察#3：莫拉维克悖论再次显现——但这里被绕过了。
Shankar Sastry在2026年4月提醒说，“人类大脑皮层的40%仅用于手和脸。”控制形状比控制手更难。但林音的团队找到了变通方法：他们不实时单独控制每个关节。他们控制宏观状态（执行器网络A启用“行走”模式，网络B启用“抓取”模式）。这是工程天才：不是教机器人数千个微动作，而是将“换挡器”直接嵌入设计机器人的神经网络架构中。
预测：未来30天和90天
未来30天（2026年6月）：
- 框架代码仓库将在GitHub上开源（伯克利传统——开源）。中国和德国的团队将在一个月内将想法复制到他们的22FDX节点和FPGA上。
- 林音将被邀请在IEEE国际机器人与自动化大会（ICRA 2027）上做全体报告，但她很可能在7月的RSS 2026上发言。
未来90天（2026年8月）：
- 波士顿动力将发表克制声明，称他们“已经在Atlas上使用类似方法”，但实际上——没有。他们的液压系统对于元变形金刚来说过于迟钝。他们将紧急寻找电动执行器制造商的合作伙伴。
- NVIDIA将发布基于Omniverse的元变形金刚模拟器，支持该框架。他们已经与伯克利在“世界模型”上合作，因此集成将是无缝的。
- 第一个商业丑闻将出现：某初创公司声称制造了“智能安全气囊”，在碰撞时改变形状——实际上只是复制了伯克利论文中的头盔原型。而且这将是合法的，因为优化算法难以申请专利。
主要风险：可扩展性。 该论文处理了数百根梁。如果有数千根呢？数万根？复杂度仍在增长，尽管速度较慢。在某个点上，即使对AI来说，找到控制器的最优分组也成为NP难问题，框架将遇到计算复杂度瓶颈。但对于90%的实际任务（头盔、救援机器人肢体、模块化机械臂），这已经足够。
结论： 伯克利研究人员不仅仅是制造了一个“变形机器人”。他们制造了一个“物理世界的AutoCAD”。他们自动化了工程中曾被认为“不可自动化”的部分——关于在哪里放多少执行器的直觉。结果，设计变形机器人从精英艺术转变为常规程序：上传需求，运行AI，获得蓝图。5年内，元变形金刚将不在实验室，而在儿童套件中：“搭建你自己的机器人，神经网络将教它变成汽车或飞机。”再见，乐高Mindstorms；你好，元桁架AI。
— Editorial Team
暂无评论。