波士頓動力給機器狗接入 ChatGPT：Spot 化身導覽員，能看能聊還能嘴貧

給機器狗貼上兩隻塑膠大眼睛，戴上假鬍子，它居然能帶著一群人在辦公室裡找「大腳怪」。

這可不是搞笑博主的整蠱影片，而是波士頓動力自己搞的技術原型。波士頓動力的工程師 Matt Klingensmith 和他的團隊最近公佈了一個概念驗證專案：他們把四足機器人 Spot、OpenAI 的 ChatGPT 以及視覺問答模型串在了一起，讓這隻機器狗搖身一變，成了一個能走、能看、還能當導遊的話癆。

像寫 Python 程式碼一樣指揮機器狗

波士頓動力團隊並沒有從頭訓練一個機器人大模型，而是用了非常巧妙的拼裝思路。

硬體上，他們在 Spot 背部的擴充套件介面上，用 3D 列印的減震支架固定了一套 ReSpeaker V2 麥克風和揚聲器陣列。為了讓它看起來像在說話，工程師甚至給機械臂加上了低通濾波演算法，讓夾爪像木偶嘴巴一樣隨著聲音開合。

大腦的核心則是 OpenAI 的模型，最初用 GPT-3.5，後來升級到了 GPT-4。工程師受微軟方法的啟發，把提示詞寫得像是一段未完成的 Python 指令碼，裡面只提供三個動作函式：去某地、說話、提問。

每隔大約一秒，Spot 機械臂和身體前方的攝像頭就會把畫面餵給視覺模型 BLIP-2，生成環境描述。接著，OpenAI 的 Whisper 負責聽懂客人的提問，ElevenLabs 的語音合成技術負責把文本轉化為聲音說出來。

意料之外的「靈性」與尷尬的幻覺

整套系統跑起來之後，出現了一些讓工程師都感到意外的臨場發揮。

有人問它波士頓動力創始人「Marc Raibert 是誰」，GPT 並沒有硬編，而是回了一句「我不知道，去 IT 諮詢臺問問吧」，然後真的控制狗腿走到了 IT 部門的工位。當被問到父母是誰時，Spot 自己溜達到了陳列初代 Spot 和早期 BigDog 的展覽區，把那些退役老機器稱為自己的長輩。

更有意思的是人格設定。工程師給它加上「尖酸刻薄」的性格提示後，它不僅能全程保持諷刺的語氣，還拉著一隊參觀者在辦公室裡搜尋未解之謎生物，問路過的同事有沒有見過大腳怪。

不過，現在的它顯然還不能真正上崗。最大的硬傷就是延遲，從人說完話到它反應過來，有時候要等上整整 6 秒鐘。此外，幻覺也是家常便飯，它曾信誓旦旦地向客人介紹，波士頓動力的倉儲物流機器人 Stretch 其實是用來練瑜伽的。

為什麼重要

在我們看來，波士頓動力這次展示最聰明的地方，在於放下了硬核機器人公司對「百分之百精確控制」的執念，找到了一條讓具身智慧落地的捷徑。

以前工業級機器人想理解周圍的世界，需要極其昂貴且死板的規則編寫。波士頓動力把走跑跳這些底層的運動控制留在本地，把環境理解、路線決策和人機對話全扔給了雲端大模型，用很低的成本就讓機器狗擁有了常識聯想能力。

對行業而言，這指明瞭一條更實際的路線：現階段沒必要死磕端到端的通用具身大模型，拿成熟的語言和視覺模型當排程器，去調動現成的運動 SDK，就已經能產生讓人驚豔的擬人效果。

但隱患也很明顯。問答之間長達數秒的等待，加上對雲端網路的絕對依賴，在導遊這種搞笑場景裡可以被當成笑料包容，一旦放到安防巡檢或工業應急場景，網路抖動或一次嚴重的模型幻覺就是致命事故。看起來，想要讓大模型真正成為工業機器人的大腦，離線部署和確定性控制依然是繞不過去的檻。