「人形機(jī)器人如果有最終形態(tài)，那一定會是有頭有臉，你覺得呢？」

3 月 22 日，一段 1 分 18 秒的視頻在社交媒體上引發(fā)了不小的震動。視頻里，一個(gè)有著黑色長發(fā)、面容精致到讓人不安的仿生人形機(jī)器人，緩緩轉(zhuǎn)動頭部。

發(fā)布這段視頻的是首形科技的創(chuàng)始人胡宇航，他在 X 平臺上寫道：Bionic Humanoid Robot: Origin F1 — New Skins, New Souls。

RoboHorizon 雜志評價(jià) Origin F1 的面部表情「比某些政客還有說服力」。

這不是首形科技第一次出圈。去年 5 月，一段胡宇航與機(jī)器人對視的視頻就曾引發(fā)廣泛討論。但 Origin F1 好像又向前邁出了一步。

人臉是最古老的 UI

1984 年，蘋果發(fā)布 Macintosh，用圖形界面取代了命令行。此后四十年，計(jì)算設(shè)備的每一次革命本質(zhì)上都是界面革命：鼠標(biāo)、觸屏、語音、手勢。硬件性能的提升固然重要，但真正改變?nèi)伺c機(jī)器關(guān)系的，從來都是交互方式的變化。

心理學(xué)中有個(gè)「55/38/7 定律」：55% 的情緒信息來自面部表情，38% 來自聲音，只有 7% 來自文本。換言之，超過一半的情緒信息是通過面部傳遞的。想讓人和機(jī)器人產(chǎn)生情感連接，一張能表達(dá)情緒的臉幾乎是必需品。

但人臉這個(gè)賽道，幾乎所有人形機(jī)器人都選擇了留白。

這也是胡宇航把人臉視為一個(gè)「平臺」的原因。就像 iOS 不是 iPhone 的某個(gè) App，而是所有 App 運(yùn)行的基礎(chǔ)層——人臉是人類社交協(xié)議的基礎(chǔ)層。眼神接觸建立信任，微笑傳遞善意，皺眉表達(dá)疑慮。

從這個(gè)意義上說，人臉是人類最古老的操作系統(tǒng)。首形科技要做的，是把這套操作系統(tǒng)移植到機(jī)器人上。

首形科技F1 仿生人機(jī)器人頭部演示.來源：@野生Como

接下來從幾篇論文看看胡宇航是怎么做的。

胡宇航是哥倫比亞大學(xué)機(jī)械工程系博士，師從 Hod Lipson 教授。Lipson 實(shí)驗(yàn)室是全球機(jī)器人自我建模領(lǐng)域的先驅(qū)，從 2006 年就開始探索讓機(jī)器人通過觀察自身來學(xué)習(xí)運(yùn)動。

2024 年 3 月，胡宇航作為第一作者在 Science Robotics 發(fā)表了關(guān)于面部「共表達(dá)」的論文。

這篇論文的核心想法很有野心：機(jī)器人不應(yīng)該只是模仿人類的表情，而應(yīng)該能預(yù)測人類即將做出的表情，并同步執(zhí)行。

團(tuán)隊(duì)設(shè)計(jì)了名為 Emo 的機(jī)器人頭部，配備 26 個(gè)驅(qū)動器，覆以柔性硅膠皮膚，瞳孔中嵌入高分辨率攝像頭實(shí)現(xiàn)眼神接觸。

訓(xùn)練過程分兩步：先讓機(jī)器人對著鏡子做大量隨機(jī)表情，通過自監(jiān)督學(xué)習(xí)建立面部自我模型；然后讓它觀看人類面部視頻，學(xué)習(xí)預(yù)測對話者的表情變化。

兩步過后，機(jī)器人能在人類微笑的瞬間同步微笑，而不是延遲模仿。

延遲模仿看起來虛偽，同步表達(dá)則讓人感覺彼此在同一個(gè)頻道上。

這篇論文驗(yàn)證了超過 45 位人類參與者的數(shù)據(jù)。

胡宇航 在多個(gè)訪 談里反復(fù)提到「自我建模」這個(gè)概念。他不滿意當(dāng)時(shí)主流的強(qiáng)化學(xué)習(xí)路徑，因?yàn)榉夯芰μ?，還舉了一個(gè)例子：

教機(jī)器人打乒乓球，再教它打羽毛球，學(xué)完第二個(gè)就忘了第一個(gè)。兩個(gè)一起學(xué)，能力就被平均化了。

他想要的不是讓機(jī)器人收斂到單一任務(wù)，而是讓它學(xué)會一種「學(xué)習(xí)的能力」。

今年 1 月，更進(jìn)一步的成果登上了 Science Robotics 的封面。

這次聚焦嘴唇運(yùn)動。在人類面對面交流中，將近一半的視覺注意力集中在嘴唇上。但即便是最先進(jìn)的人形機(jī)器人，嘴部動作仍然停留在簡單開合的層面。

胡宇航團(tuán)隊(duì)設(shè)計(jì)了一個(gè) 10 自由度的唇部驅(qū)動機(jī)構(gòu)，配合柔性硅膠唇部，能覆蓋 24 個(gè)輔音和 16 個(gè)元音對應(yīng)的唇形。

算法層面，他們采用了基于變分自編碼器（VAE）的自監(jiān)督學(xué)習(xí)管線，結(jié)合一個(gè)面部動作 Transformer，讓機(jī)器人直接從語音音頻推斷唇部運(yùn)動軌跡，無需任何手工編寫的音素-唇形映射規(guī)則。

最終實(shí)現(xiàn)了跨 11 種語言的唇音同步，包括說話和唱歌。

Lipson 教授當(dāng)時(shí)說：未來不存在一個(gè)人形機(jī)器人沒有臉的世界。一旦它們有了臉，就必須讓眼睛和嘴唇正確運(yùn)動，否則永遠(yuǎn)停留在恐怖谷里。

人形機(jī)器人更適合提供情緒價(jià)值

看一眼當(dāng)前人形機(jī)器人賽道：靈巧手?jǐn)Q螺絲、跳舞、騎車。幾乎所有頭部公司都盼望著在不久的將來用人形機(jī)器人替代藍(lán)領(lǐng)工人，切入制造業(yè)和物流場景。

但工業(yè)自動化的機(jī)器人天生就是為特定任務(wù)優(yōu)化的，三個(gè)電機(jī)完成一個(gè)動作，效率極高，穩(wěn)定性極強(qiáng)。人形機(jī)器人做同樣的事情需要二三十個(gè)電機(jī)協(xié)同，價(jià)格更貴，更不穩(wěn)定，續(xù)航更短，還會摔倒。

摔倒是危險(xiǎn)的。

一臺花了幾十萬、長得像人的機(jī)器，在工廠里干著原本三萬塊機(jī)械臂就能干的活不能稱之為技術(shù)革命，更像是行為藝術(shù)。

整個(gè)行業(yè)在「人形」這個(gè)詞上投入了大量資源，卻在「人」這個(gè)字上集體失語。

沒有臉的人形機(jī)器人能完成任務(wù)，但無法建立關(guān)系。而關(guān)系，才是 C 端市場的入場券。

首形科技選擇了一條完全不同的路徑。與其讓機(jī)器人在生產(chǎn)力上跟工業(yè)機(jī)械臂硬碰硬，不如讓它做工業(yè)機(jī)械臂永遠(yuǎn)做不到的事——建立情感連接。

胡宇航的核心判斷是：在未來五年內(nèi)，人形機(jī)器人最大的商業(yè)化機(jī)會不在生產(chǎn)力，而在情緒價(jià)值。

人天然會對像人的東西投射情感。你看到一個(gè)機(jī)器人摔倒了，你會心疼；看到機(jī)器人踢足球擠在一起，你覺得有趣。這種投射是本能的，不需要機(jī)器人真的有意識或感受。而人臉把這種投射放大到了極致。

2024 年 6 月，他在上海創(chuàng)立首形科技，團(tuán)隊(duì)不到十人。四個(gè)月后獲得天使輪，投資方包括奇績創(chuàng)壇、智元機(jī)器人和德迅投資。

此后融資節(jié)奏快得驚人。2025 年完成四輪融資，從招商局創(chuàng)投和深創(chuàng)投領(lǐng)投的Pre-A輪，到順為資本領(lǐng)投的A輪，再到螞蟻集團(tuán)兩度領(lǐng)投……

從產(chǎn)品線來看，首形目前有幾個(gè)系列。

Elf 系列是全身仿生人形，有 30 個(gè)面部自由度，用無刷微型電機(jī)驅(qū)動硅膠皮膚。

Origin 系列偏研究和展示用途，Origin M1 是半身版，配備唇音同步和頭眼協(xié)調(diào)能力。最新亮相的 Origin F1 則是他們技術(shù)的集大成者，搭載了所謂的 Omni Model，實(shí)現(xiàn)實(shí)時(shí)面部微表情與語音的深度融合。

此外還有一個(gè)更平價(jià)的 Lan 系列，定位為需要更多移動性的場景。

去年 12 月，首形科技和手游逆水寒在杭州 CP32pre 漫展聯(lián)合推出游戲角色仿生機(jī)器人「方承意」。據(jù)報(bào)道，得益于雙目視覺系統(tǒng)，他能夠與面前的觀眾進(jìn)行眼神交流，并通過搭載的 AI 仿生運(yùn)動算法，做出自然的表情與頭部動作。

更早，首形科技曾和逆水寒合作推出過精靈·璇機(jī)器人。精靈·璇后以新皮膚亮相抖音新春聯(lián)歡會，獻(xiàn)上了原創(chuàng)情歌《未定義的關(guān)系》。

落地方面，胡宇航曾提到過幾個(gè)方向。短期來看，生活中有大量情緒消耗型的工作：銷售、前臺、服務(wù)人員。這些崗位本質(zhì)上是對人類情緒的持續(xù)損耗。每天保持微笑，不厭其煩地解決重復(fù)問題。他覺得 2 到 3 年內(nèi)，類人形態(tài)的機(jī)器人可以替代其中一部分。

更遠(yuǎn)的終局是 To C。讓每個(gè)人身邊都有一個(gè)能產(chǎn)生情感陪伴的仿生機(jī)器人。胡宇航?jīng)]有回避這個(gè)目標(biāo)的爭議性。當(dāng)一個(gè) AI 永遠(yuǎn)在取悅你，沒有沖突，沒有自私的動機(jī)，它會不會把人困在虛假的關(guān)系里？

他說他們在訓(xùn)練機(jī)器人時(shí)會加入保持真實(shí)度的參數(shù)，讓它有一定的沖突和自我表現(xiàn)，不純粹是一個(gè)情緒按摩器。同時(shí)可以在程序中注入引導(dǎo)功能，比如節(jié)日到了提醒你回家看看父母，周末建議你和朋友去爬山。機(jī)器人不應(yīng)該有占有欲。

這些想法當(dāng)然還很早期。但覺得至少有一點(diǎn)是對的：情感需求的市場比大多數(shù)人想象的要大。手辦、盲盒、毛絨玩具、寵物，這些都是情緒寄托的載體。

泡泡瑪特一年賣出上百億的 IP 衍生品，證明了人們愿意為不具備任何實(shí)用功能的東西付費(fèi)，只要它承載了某種情感價(jià)值。

如果一個(gè)機(jī)器人能用人類的方式回應(yīng)你的情緒，它的上限顯然不止于此。

托福考了 9 次的人

胡宇航高考考砸了，入學(xué)后開始拼了命地證明自己，每學(xué)期專業(yè)第一，主修課全滿分。但決定出國時(shí)，第一次托福只考了 40 多分，而基準(zhǔn)線是 100 分。他在申請截止前的窗口期考了 9 次托福、3 次 GRE。最后一次終于過線。

他回憶這段經(jīng)歷時(shí)說：我覺得可能是未來的我，幫了一下過去的自己。

過去的求學(xué)經(jīng)歷也解釋了他身上一種很特別的氣質(zhì)。他說自己最看重的品質(zhì)是韌性。招人的時(shí)候，他偏向看一個(gè)人的經(jīng)歷是否充滿挫折。

他特別喜歡打比賽的人，喜歡 RoboMaster 機(jī)甲大師出來的那群孩子。因?yàn)樗来虮荣愄嗔?，你得犧牲所有休息時(shí)間，還要在比賽前一晚九點(diǎn)設(shè)備突然壞了的時(shí)候硬著頭皮排查到凌晨六點(diǎn)。

他自己就有過這樣的經(jīng)歷：無人避障小車比賽前夜，紅外傳感器干擾導(dǎo)致整塊板子癱瘓，老師都說算了，他不肯。排查到凌晨，最后趕在發(fā)車前修好了。

他在管理上也有些不太常規(guī)的做法。比如他從來沒跟員工聚過餐。他說他擔(dān)心聚餐會把酒桌文化和不必要的社交壓力帶進(jìn)公司。他希望大家是因?yàn)闊釔酃ぷ骶墼谝黄?，而不是被輩分感綁定?/p>

他接受現(xiàn)階段能真正相信人臉機(jī)器人有用的人是極少數(shù)。很多人加入是為了名利或者覺得成功率高。但有一個(gè)底線：你可以懷疑方向，但不能在內(nèi)部一邊拿薪水一邊到處說方向不行。

我在他的視頻和社交媒體表達(dá)中感受到一種罕見的坦率。B 站粉絲叫他 U 航，管自己叫電子股東。

有人問為什么視頻大多展示外觀而很少展示交互，他說：有沒有可能不是因?yàn)槎贪?，而是因?yàn)槲覀儾幌脒^度展示優(yōu)勢？競爭太激烈了，有些大招還是要藏著。說完又補(bǔ)了一句：不過說實(shí)話，我們也沒有刻意規(guī)劃。

說到底，首形科技今天做到的事情，在兩年前是不可想象的。2024 年創(chuàng)業(yè)初期，投資人看到他的原型機(jī)器人，第一反應(yīng)是：這玩意能干啥？還有人問：美國有對標(biāo)公司嗎？因?yàn)槊绹鴽]有做，所以覺得沒意義。而現(xiàn)在，大家 180 度轉(zhuǎn)彎，變成了：你這個(gè)產(chǎn)品什么都能干。

人形機(jī)器人如果有最終形態(tài)，胡宇航說，那一定會是有頭有臉。

我不確定他是對的。但我確定的是，一旦你和 Origin F1 對視超過三秒，你就很難再把它當(dāng)成一臺機(jī)器了。

參考：

https://mp.weixin.qq.com/s/JJ_a27lKPM15X9sHVcaaZw?scene=1

https://www.mittrchina.com/news/detail/15503

https://mp.weixin.qq.com/s/OpWAv1_d9pI3ht8Yd7dGIQ

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標(biāo)題「姓名+崗位名稱」（請隨簡歷附上項(xiàng)目/作品或相關(guān)鏈接）