蘇黎世大學競速無人機 Swift：擊敗人類世界冠軍，單圈快出半秒

1996 年 IBM 的深藍贏了國際象棋，2016 年 AlphaGo 贏了圍棋。到了今天，AI 終於在真正的物理運動裡，把人類世界冠軍挑落馬下。

蘇黎世大學和英特爾團隊研發的一套名為 Swift 的自主飛行 AI 系統，在第一人視角無人機競速中，多次擊敗了三位世界頂尖人類飛手。這項成果發表在 8 月 31 日的《自然》雜誌上。

參與對決的選手含金量極高，包括 2019 年無人機競速聯盟冠軍 Alex Vanover、2019 年 MultiGP 冠軍 Thomas Bitmatta 以及瑞士三屆冠軍 Marvin Schaepper。

比賽在蘇黎世附近杜本多夫機場的一個機庫裡舉行。25 米見方的場地裡設定了 7 個方形障礙門，路線中還包含半滾倒轉這種需要無人機全速俯衝翻轉的特技動作，時速超過 100 公里。

最終 Swift 跑出了全場單圈最快速度，比人類飛手的最好圈速整整快了半秒。

扔掉外部定位，全靠機載攝像頭

無人機競速對機器來說其實極其殘酷。過去自主無人機跑完同一條賽道的時間通常是人類飛手的兩倍，除非在天花板上密密麻麻布滿外部動作捕捉攝像頭來給它即時校準位置。

Swift 徹底擺脫了這種場外外掛。它和人類飛手一樣，只依賴機載攝像頭傳回的影像，加上內建慣性測量單元測出的加速度和角速度。

它的核心由兩套深度神經網路組成。一套網路負責處理攝像頭拍攝的畫面，在三維空間中精確定位無人機自身位置，並識別賽道上的每一個門；另一套控制網路則接管飛行指令，即時算出讓無人機最快穿過彎道的動作。

有意思的是它的訓練成本極低。團隊通過強化學習在模擬環境裡讓無人機試錯，一個月的模擬飛行訓練量，在普通臺式 PC 上只跑了不到一個小時。

為了解決模擬器和現實脫節的問題，團隊先用外部追蹤系統記錄真實飛行資料，倒推最佳化模擬環境，讓 AI 學會自我修正機載感測器的讀取誤差，避免了在早期試錯時摔碎無數臺真機。

機器開得快，但人類更能扛意外

這場勝利並非毫無破綻。研究人員坦言，人類飛手在面對環境變化時的適應能力仍然遠超機器。

Swift 的表現極度依賴它被訓練時的環境引數。在測試中，只要機庫內的光線突然變得過強，超出訓練資料的分佈範圍，Swift 就會當場迷失失控。

蘇黎世大學機器人與感知團隊負責人達維德·斯卡拉穆扎指出，無人機的電池壽命非常有限，大部分電量都花在維持懸停和滯空上。飛得越快，在單次充電裡的實用價值就越高。

這項技術未來很可能先用於工業搜救，例如在火災建築內爭分奪秒搜尋傷員，或者在森林監測、外星探索以及電影高速動作鏡頭抓拍中發揮作用。

為什麼重要

我們認為，Swift 的突破不在於無人機跑得有多快，而在於它證明了端到端強化學習完全可以在高動態、高噪聲的物理世界中戰勝人類本能。

棋類和電子遊戲有清晰完美的數學邊界，但真實物理世界充滿了空氣動力學湍流、相機動態模糊和感測器延遲。Swift 用廉價的機載感測器和一個小時的 PC 模擬就跨過了這道坎，這會讓很多人形機器人和自動駕駛團隊重新審視模擬環境到現實落地的轉化效率。

對普通無人機玩家和開發者來說，這套系統目前還談不上開箱即用。它的軟肋太明顯：光線稍微一變就抓瞎，換個沒有提前建模的陌生賽道就得重頭再來。但對於搜救救援等高危行業，這種能夠脫離 GPS 和外部動捕的高速自主穿梭能力，看起來是真正能救命的底座技術。

接下來擺在具身智慧面前的核心矛盾已經變了：AI 在封閉固定的物理規則下已經能比人類更快，但要怎麼做才能像人類那樣，在陽光刺眼或狂風吹過時，不假思索地本能調整自己的航線？