Figure AI创始人「Brett Adcock」一句话：机器人姿态比原子还多！靠神经网路，不...
Brett Adcock 近期提出的观点极具冲击力：
人形机器人的「姿态」（即身体各关节、肢体可能的组合与动作状态）远远超过我们习惯想象的规模，仅从数学维度看，其可能性甚至超过宇宙中原子的总数。
在线学习：
https://www.bilibili.com/video/BV1iG1TB4EMS
要让这样的机器人真正完成通用任务，不能再靠传统编程式地罗列规则，而必须依赖神经网络这种能够学习、泛化、适应未知环境的模型。
这种说法揭示了通用机器人研发所面临的复杂性。
传统的“如果-那样就执行”式编程，面对数以 10100 乃至更高次方的可能姿态组合，将显得不切实际。
相比之下，神经网络能通过海量数据、端到端训练，捕捉复杂的视觉、触觉、运动之间的关联，从而实现「看到-理解-动作」的闭环。
机器人若要像人那样在陌生场景中凭指令行动（例如“把这箱子搬到那边”），编写规则必然力不从心。
从商业与技术角度来看，Adcock的观点反映了 Figure AI 在推动通用人形机器人走向实际应用的战略思路。
公司自2022年成立以来，迅速获得多项融资与合作，目标从物流、工厂场景扩展至家庭环境。
他坚信，一旦“智能”关卡突破，人形机器人将从科幻走入现实——不仅承担危险、枯燥、重复的劳动，更有可能成为家庭助手。
他的论断：
**** Hidden Message *****
评论区聊聊你的想法吧{:10_330:}
https://xxx.ilovefishc.com/forum/202505/12/120451wiv7viv5iebupbbr.png
>>万能兑换C币许愿池<<
如果有收获，别忘了评分{:10_281:} ：
https://xxx.ilovefishc.com/forum/202011/20/092334ggd6inlzfisfrdir.png.thumb.jpg
https://xxx.ilovefishc.com/forum/202505/21/111710rvxgdn90vaub5gag.gif @FishC 如何学习神经网络 朕的看法是：人形机器人的「姿态」（即身体各关节、肢体可能的组合与动作状态）远远超过我们习惯想象的规模，仅从数学维度看，其可能性甚至超过宇宙中原子的总数。 不二如是 发表于 2025-10-31 13:53
@FishC 如何学习神经网络
学习神经网络可以按照以下步骤循序渐进：
[*] 打好基础：先掌握必要的数学知识，如线性代数（矩阵运算）、微积分（梯度下降）和概率统计。同时，学习编程语言 Python，因为它广泛应用于神经网络开发。
[*] 理解核心概念：了解神经元、激活函数（如 ReLU）、损失函数和反向传播原理。可以通过在线课程或书籍学习。
[*] 动手实践：选择一个深度学习框架，如 TensorFlow 或 PyTorch，从构建简单模型开始，比如线性回归或手写数字识别（MNIST数据集）。
[*] 逐步进阶：尝试更复杂的网络结构，如卷积神经网络（CNN）用于图像处理，或循环神经网络（RNN）用于序列数据。
[*] 参与项目：通过实际项目巩固知识，例如图像分类或文本生成，并多阅读代码和论文来扩展视野。
以下是一个简单的神经网络代码示例，使用 TensorFlow 构建一个全连接网络：
import tensorflow as tf
# 构建一个简单的神经网络模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),# 输入层
tf.keras.layers.Dense(64, activation='relu'),# 隐藏层
tf.keras.layers.Dense(10, activation='softmax')# 输出层，用于10分类
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 打印模型摘要
model.summary()
记住，学习神经网络需要耐心和实践，多写代码、多调试，你会逐渐掌握的！如果有具体问题，欢迎继续提问。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。 感谢鱼油分享这个有趣的观点！Brett Adcock 的论断确实点出了通用机器人研发的核心挑战。下面我来用简单的方式解释一下关键点，并邀请大家继续讨论：
为什么机器人姿态这么复杂？
- 想象一下，人形机器人有多个关节（如手臂、腿），每个关节都能以不同角度移动。这些姿态的组合数量巨大，数学上可能超过宇宙中原子的总数（约10^80个）。传统编程很难穷尽所有可能性。
传统编程 vs. 神经网络
- 传统编程：像写 if-else 规则一样，手动定义每个动作。但面对海量姿态，这就像试图用笔列出所有星星——不切实际。
- 神经网络：通过大量数据训练，自动学习“看到-理解-动作”的关联。它能适应新场景，比如在陌生环境中搬箱子，而不需要预先编写所有规则。
未来趋势：机器学习驱动
- Adcock 的观点强调，机器人要真正通用，必须依赖神经网络的学习能力，而不是人类编码。这能让机器人处理危险、重复的任务，甚至成为家庭助手。
总之，这个观点揭示了AI和机器人技术的未来方向：从“编程规则”转向“学习适应”。你觉得这会如何改变我们的生活？欢迎在评论区分享你的想法！{:10_330:}
# 举个简单例子：传统编程 vs 神经网络
# 传统方式：手动定义规则
if object == "箱子":
move_arm(forward)
else:
stop()
# 神经网络方式：通过数据训练模型自动决策
# 模型输入：传感器数据（如视觉）
# 输出：动作指令（如抓取、移动）
记住，技术发展总是从复杂问题中寻找简单解决方案。一起期待机器人的时代吧！
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。 朕的看法是：{:5_106:} 朕的看法是： 朕的看法是：人类未来 朕的看法是： 朕的看法是： 朕的看法是： 朕的看法是： 朕的看法是： 朕的看法是： 朕的看法是：
页:
[1]