不炫技，只搬砖，拟25亿美元上市，Agility戳破人形机器人泡沫

编辑丨coisini

今年，具身智能在互联网上赚足了眼球。机器人赛跑、后空翻、跳舞、踢足球...... 短视频轮番刷屏，热闹非凡。然而，投入实际应用的机器人却是寥寥。

在美国佐治亚州 Spanx 的一个仓库里，一个名为 Digit 的人形机器人正在搬运成箱的塑身衣。Digit 身高 5 英尺 9 英寸，由总部位于塞勒姆的 Agility Robotics 公司打造。

Digit 是目前少有的有实际工作的人形机器人，主要在仓库和工厂里从事搬运和堆叠重箱的工作。Agility 计划今年年底前让数百台机器人投入使用，为各种运输公司和制造商承担繁重的工作。

造出「能工作」的机器人

Agility Robotics 成立于 2015 年，团队研发制造机器人已超过十年。这意味着 Agility 经历过 AI 浪潮之前的研发工作模式。

以前，工程师负责编写机器人动作程序，需要明确指出希望机器人执行的确切动作。这种由规范性协议控制的机器人，在完全相同环境中重复数千次相同动作方面表现出色。

然而，一旦工业环境中的任何因素发生变化（如照明、地面状况、新的障碍物），机器人就需要人工干预并重新编程。

人形机器人的设计初衷是实现类似人类灵活性的任务自动化，Agility 借助先进的 AI 训练方法，使机器人能够动态适应真实工业环境。

训练 AI 模型需要大量高质量数据。

一方面，Agility 采用示教学习（Learning from Demonstration，LfD），远程操作 Digit 多次执行相同任务，然后将观察数据用作训练材料。工程师通过 VR 头显与 Digit 同步，通过人形机器人的「眼睛」观看，并使用两个控制器向机器人精确展示要做什么。在此过程中，Digit 的传感器会捕捉一切：摄像头画面、关节位置、力读数、末端执行器位置等。当足够多次、在足够多的变化条件下执行此操作后，工程师就可以构建一个模型，该模型赋予 Digit 对任务的通用理解，而非执行僵化脚本。

另一方面，Agility 采用 NVIDIA 的开放框架和库，以及 Google DeepMind 的 MuJoCo 库，生成精确的虚拟物理环境，用于大规模、重复性仿真训练。

仿真训练可以快速连续地运行无限量的并行场景，将数月的工作压缩到数小时内完成，效率高、计算密集。Agility 采用强化学习让 Digit 以最具成本效益的方式探索各种选择。

总的来说，LfD 有助于处理那些几乎无法用规则描述但通过演示却非常自然的技能，例如抓握角度细微变化；而仿真训练已帮助 Agility 为 Digit 研发出全身控制基础模型（物理智能的基础层）。

戳破泡沫

也许，Digit 目前的工作技能不太适合制作精彩的社交媒体视频，但 Digit 在做能提高生产力的有用工作，而客户会愿意为此付费。

公开信息显示，电子商务巨头亚马逊、美国物流公司 GXO、丰田汽车等都是 Agility 的客户，而英伟达是 Agility 的重要投资商。美国《时代》周刊曾称 Agility 是「第一家能靠人形机器人赚钱的公司」。

Agility 预计将在今年年底为客户部署 Digit v5，公司披露 Digit v5 订单金额已超过 3 亿美元。值得一提的是，Digit v5 是该公司首款被设计为会留意周围人类同事的机器人，这将使其能够与人安全协作，极大地提升了实用性。

此外，Agility 正准备通过 SPAC 交易上市，交易估值约为 25 亿美元。

在具身智能赛道竞相争夺资本红利的当下，Agility 之所以能脱颖而出，关键在于其产品定位的务实与清晰 —— 让人形机器人成为可落地、可复用的生产力工具。

Agility 表示，Digit 已经具备经济可行性，因为在其五年的使用寿命中，其运营成本比雇佣一名工人从事同样工作的成本低 20%。

正如 Agility 的联合创始人 Jonathan Hurst 所说，今天的具身智能，「有太多炒作和故事叙述与现实脱节，我真想戳破这个泡沫。一个人形机器人如果不需要被关在笼子里，它的价值会大得多。」