哥伦比亚大学造出硅胶机器人脸：看 YouTube 学对口型，支持 11 种语言

只要看过仿生机器人开口说话，你大概率被那种诡异的僵硬感劝退过。嘴唇机械地上下开合，发音和动作总是慢半拍，怎么看都像是一个套着硅胶皮的恐怖提线木偶。

哥伦比亚大学工程学院创意机器实验室拿出了一个全新解法。他们做了一张由 26 个微型电机驱动的柔性硅胶机器人脸，没有写一行复杂的运动控制代码，而是让它自己看 YouTube 视频学会了对口型。

先照镜子做鬼脸，再看视频学说话

传统的仿生机器人之所以动作僵硬，是因为工程师必须手动编写规则，规定发某个音时嘴角要拉动多少毫米。人脸肌肉极其细腻，靠硬编码根本还原不出来。

哥伦比亚大学团队的做法完全反其道而行之。第一步，他们把这具机器人脸放在镜子前，让它自主随机活动脸上的 26 个微型电机，整整做了几个小时的「鬼脸」。

在这个过程中，机器人摸清了自己这张硅胶脸的机械特性，搞懂了不同电机组合会扯出什么样的表情。

第二步，研究人员让它去大量观看人类说话和唱歌的 YouTube 视频。机器人通过所谓的「视觉到行动」语言模型，自主把听到的语音声音和人类的嘴唇动作对应起来。

整个过程完全摆脱了人为设定的规则。测试结果显示，这种纯靠自学的方法在表现上压过了 5 种现有的主流算法。

更让人意外的是泛化能力。虽然训练时没有喂针对特定语种的专属数据，它却直接在 11 种不同语言中顺畅完成了对口型。如果再把它和 ChatGPT 接在一起，机器人就能一边生成回答，一边自然地动嘴交流。

为什么重要

像汉森机器人旗下的「索菲亚」面世快十年了，整个行业在面部表达上几乎一直在原地打转，始终逃不开那股浓重的恐怖谷味。哥伦比亚大学这项研究的聪明之处，在于彻底放弃了人工调参的死磕路线。

我们认为，这项成果把机器人面部表情从「动画工程」变成了「具身模仿」。让硬件先照镜子理解自身物理限制，再靠视频自主学会动作，这种思路不仅省去了海量的人工标注成本，还展现出了惊人的多语言自适应能力。

对普通人和整个硬件生态来说，这意味着未来的陪伴机器人或服务型人型设备，终于有机会摆脱那种冷冰冰的机械感。当大语言模型的思考速度跟上之后，配上一张不再让人起鸡皮疙瘩的脸，人机交互的沉浸感会成倍增加。

不过，当机器人看起来越来越有「真情实感」，麻烦也随之而来。正如研究人员所担心的，一张过于逼真、情感欺骗性极强的机械面孔，未来在伦理界限和心理防线上究竟会把人类带向何方，依然是个悬而未决的问题。