Covariant：要給機器人裝上同一個大腦

王杰夫

左一為Covariant CEO Peter、左二為首席科學家PieterAbbeel，左三為聯合創始人Rocky Duan。

無論以ChatGPT為代表的各種聊天機器人在2023年有多么火熱，這一切都還局限在比特世界里，哪怕ChatGPT的分析推理再嚴謹，代碼寫得再精妙，它依然無法拿起一個蘋果。想要讓AI從比特世界進入原子世界，就必須給它一副身體，并且教會它如何去控制，這就是具身智能（EmbodiedArtificialIntelligence）的概念。

在2023年涌現的AI獨角獸名單里，Covariant是其中少有的專注具身智能的公司，它采取了與波士頓動力等傳統機器人公司迥異的技術路線。相較于后者在精密硬件平臺上細致打磨運動控制算法以實現機器人運動，Covariant力圖開發一個能夠適應多種場景的通用機器人大腦，避免為特定場景定制特定機器人，而是讓不同機器人共享同一智能核心。

這與OpenAI的思路相同。其實在GPT-3.5（ChatGPT背后的模型）這樣的大語言模型出現之前，AI是個大門類，下面有自然語言處理、計算機視覺、語音識別等細分領域。最初的GPT只是一個探索性的技術路線，但科學家們發現，隨著投喂的數據增多，參數的規模增大，模型出現了一些智能的跡象，它可以理解語言、生成文本，甚至把圖像數據投喂進去，這個模型也開始理解圖像的內容。

當然，現實中科學家遇到的困難遠比上述流程復雜得多，但這并不能否認“大力出奇跡”就是推動這一輪AI浪潮到來的重要原因。那么何不去訓練一個用于機器人的模型呢？

Covariant和OpenAI淵源頗深，4位創始人里有3位都在OpenAI工作過。那時OpenAI尚處于早期階段，整個團隊只有10名成員，他們伴隨這家初創公司一路成長，直到團隊規模擴大到一百多人。

最年長的皮特·阿貝爾（PieterAbbeel）現在是Covariant的首席科學家，他曾是加州大學伯克利分校電氣工程與計算機科學系教授，是將深度強化學習應用在機器人方面的先驅。他率先教會機器人從人類演示中學習，為下一代機器人技術奠定了基礎。早在2016年，也就是OpenAI成立的第二年，阿貝爾就加入了這個后來發布ChatGPT的公司，成為其機器人團隊的一員。當時與阿貝爾一起在OpenAI工作的還有他的兩個學生，即如今Covariant的CEO陳曦（Peter）和CTO段巖（Rocky）。

有一天，陳曦和段巖兩人在唐人街的中餐館里聊合作發表的新論文—用強化學習教會機器人像人類一樣在短時間里掌握新技巧。科研取得進展固然可喜，如果想要進一步研究，OpenAI實驗室所能提供的資源和數據都遠遠不夠了。“如果我們想用數據和計算驅動的AI解決機器人方面的問題，在實驗室永遠得不到足夠數據，我們必須進入實際環境里求解問題，別無他法。”2022年，陳曦曾在播客節目里回憶創業初期的討論。

意識到學術研究與解決實際問題間的差距，正是Covariant創立的關鍵時刻。2017年，Covariant在硅谷成立，它最初的名稱是EmbodiedIntelligence。阿貝爾興趣廣泛，擔任了風投公司AIXVentures的投資合伙人，還在YouTube經營著自己的同名播客節目，于是Covariant的CEO由陳曦擔任。得益于阿貝爾的背書，Covariant在種子輪就獲得700萬美元的融資，投資人列表里有著一眾AI領域的知名學者：深度學習之父杰弗里·辛頓（GeoffreyHinton）、卷積神經網絡之父楊立昆（YannLeCun）、GoogleBrain創建人杰夫·迪恩（JeffDean）、ImageNet創建者李飛飛等。

另一邊，OpenAI由于機器人團隊的核心成員跳槽創業，加上想要把重心放在基礎模型GPT的研發上，最終在2021年7月解散了整個機器人團隊。Covariant則延續了AI機器人的研究路線，一路發展至今。

Covariant的核心產品并不是人形機器人。創立之初，創始人就沒有把應用場景錨定在C端，而是試圖把AI技術應用在工業化領域，為B端客戶提供AI分揀機器人。陳曦的理由是倉庫和配送中心是機器人行業最先發生質變的地方。這并不難理解，只有傳統機器人已經廣泛落地的B端場景能提供足夠的訓練數據。

對比來看，傳統的機器人系統是剛性的，人類不管取得多少操作數據，都不會改變機器人對三維空間的理解和感知能力。這類機器人不需要AI的支持，它們只是用標準化算法移動的集裝箱，一旦涉及到識別并分揀不同種類的物品，就需要人類手動完成。而Covariant關注的重點是“搬運”，通過AI讓機器人在不同環境下識別不同種類的物品。在陳曦看來，Covariant努力的方向就是使用一個AI系統解決所有應用場景的問題。

Covariant給機器人裝載了一個AI大腦“CovariantBrain”，段巖領導了公司核心平臺的開發。簡言之，CovariantBrain就是在所有物品類型的基礎上訓練一個通用AI，實現人類級別的自主性，讓機器人能挑選最廣泛的SKU，而不局限于特定的行業和產品。

商業化應用無法一蹴而就，現實世界的場景變化多樣，比實驗室復雜得多，Covariant團隊做的第一件事，是對機器人展開預訓練。他們收集客戶倉庫里海量的SKU數據訓練CovariantBrain，使其能以通用方式理解所有對象。

Covariant團隊采取了集群學習的方法來訓練模型。集群學習屬于機器學習的一種，通常用于分布式系統，由多個機器學習模型，或由智能體共同學習和協作，以提高整體性能。它的亮點在于，多個智能體可以分布在不同的物理位置甚至不同的數據中心，各個智能體之間能共享知識，加速學習進程。這意味著天南海北的客戶數據都能用于CovariantBrain的訓練。反過來，客戶可以從CovariantBrain驅動的每個機器人的學習中受益，機器人在一個地方學習，熟悉拾取物品的新情境，分布全球各地的整個機器人集群都會受益。

如今，CovariantBrain每天都同時接受來自全球各地倉庫數百萬個物品的訓練，從小型化妝品到服裝塑料袋再到生鮮雜貨。在一家德國倉庫內，CovariantBrain控制的機器人可以對1萬多種不同的物品完成揀選和分類，準確率超過99%。

阿貝爾對機器人與人類的工作效率做過對比：人工分揀站的效率大約在每小時300次到2000次之間。假如以每小時300次的人工最低值作為基準，AI機器人分揀準確率達到90%意味著每小時會出現30次失敗，額外花費的修復時間就超過一個小時；假如分揀準確率達到99%，意味著每小時只出現3次失敗，這樣修復時間就只需要幾分鐘。

終于，當CovariantBrain的準確性超過99%時，一個工程師便能輕松管理10個機器人揀選站，這標志著AI機器人在成本效益上與人類勞動力達到了同等水平。

有了前期的科研積累后，Covariant還需要一個在業界嶄露頭角的機會。

2019年，瑞士的工業自動化公司ABB發起了一項全球范圍內的機器人揀選競賽。作為全球三大工業機器人制造商之一，ABB希望通過揀選比賽評估AI技術是否成熟，能否應用到機器人自動化領域，進而選出潛在的合作伙伴。參賽者是20家全球領先的AI初創公司，10家來自美國，10家來自歐洲，其中就包括成立時間僅兩年的Covariant。

這場競賽涵蓋了26種不同場景，能全面測試參賽機器人的自主水平。主辦方保密了一半的挑戰項目，參賽者事先不知道具體的物品和場景，無法提前準備，需要當場測試系統，一天之后再測，觀察系統通過訓練后有哪些改進。

大多數公司都未能通過測試。少部分公司可以解決大多數任務，但無法處理更棘手的情況。測試的物品有水彩筆、袋裝軟糖、塑料瓶裝藥、方塊紙盒、膠水、洗面奶、按壓式洗手液、蘋果、袋裝膨化食品、玩具小黃鴨等等……它們的包裝、重量、形狀都不一樣。在零散放置、品類混合、整齊排列的多種狀態下，Covariant的AI機器人搭載著機械臂和吸盤，沒有遲疑，準確完成分揀，成功率達成100%。它完全不需要人工干預，卻像人類一樣快速高效地處理每項任務。ABB的機器人業務總經理馬克·塞古拉（MarcSegura）表示，“在這些測試中達到一定水平很容易，但不表現出任何弱點是非常困難的。”

出色的表現讓Covariant成了ABB的合作伙伴。雙方的首個合作方案部署在比利時郵政（Bpost）旗下的電商履約公司ActiveAnts。

成功拿下ABB這個大客戶后，Covariant迎來了更多商業機會。2022年3月，奧地利的自動化技術與物流解決提供商KNAPP與Covariant展開合作。KNAPP的揀選機器人Pick-it-EasyRobot由CovariantBrain系統提供支持，機器人實現了全天候工作，能全自動處理訂單。“我在物流行業工作了16年，從未見過這樣的事。”KNAPP副總裁彼得·普切溫（PeterPuchwein）說。美國的藥品批發商McKesson、德國電氣公司Obeta都應用了KNAPP與Covariant合作開發的機器人。

同一個系統解決所有場景問題。

大型公司應用AI機器人的好處顯而易見，首先是效率的提升。在Obeta，一臺AI機器人能完成3個工人分揀零件的工作。在這之前，Obeta經常招不到分揀員，即使招來也經常干不滿半年。因為分揀工作太無聊，每天8小時，每小時工人需要處理170個訂單，夏天倉庫的溫度還經常超過37℃，悶熱、勞累、重復的工作讓工人難以忍受。其次，工業自動化能幫助公司降低成本。KNAPP面向客戶收取的費用始終低于雇用人工的費用，KNAPP副總裁普切溫舉了一個例子：如果一家公司每年雇用一名工人的費用是4萬美元，那么KNAPP收取的AI機器人費用就是每年3萬美元。這樣的性價比讓客戶無法拒絕。

目前看來，Covariant最主要的商業模式，就是面向企業客戶，與全球先進的工業機器人制造商合作，用AI技術為傳統機器人升級換代。

商業模式得到驗證的Covariant吸引了眾多投資機構加碼投資。2019年，Covariant完成2000萬美元的A輪融資；2020年，完成4000萬美元的B輪融資；2021年，完成8000萬美元的C輪融資；2023年4月它又獲得了7500萬美元的補充C輪融資。截至目前，公司的融資總額達到2.22億美元。每隔兩年，Covariant就會設立一個新的全球辦公室，2019年深圳辦公室成立，2021年倫敦辦公室成立。或許因為創始人團隊中有3位具有華裔背景，Covariant也成了為數不多在中國設立分公司的硅谷AI獨角獸。

目前，全球約有300萬臺工業機器人，每年約有40萬臺新機器人進入市場。預計到2023年，全球市場收入將達到近438億美元，僅北美地區的復合年增長率到2029年就將增長10%。

隨著Covariant邁入規模化發展階段，此前與ABB等傳統機器人制造商的合作模式暴露出了一些問題。首先，上游的機械臂廠商已經意識到AI浪潮勢不可擋，BershireGrey、RightHandRobotics、AmbiRobotics等機械臂廠商正在加速AI研發。

其次，下游的機器人集成商例如ABB、Dematic、AutoStore、FANUC、KUKA也在擔心來自Covariant的競爭。由于長期的合作關系，客戶更信任這些傳統的集成商，更樂意和它們談采購方案，Covariant只是扮演二級供應商的角色，議價權和品牌影響力都會受到影響。

機器人技術屬于資本密集型領域，需要大量資本投入來建造設施、購買設備、維持運營，因此Covariant最開始選擇與自動化機器人公司合作，其實是很取巧的做法。以ABB為例，ABB有成熟的工業機器人系統，Covariant無需自研硬件；ABB的業務遍及全球一百多個國家和地區，在中國的線上和線下渠道就覆蓋了約700座城市，Covariant依托ABB的渠道，無需自己開拓B端客戶資源，就能迎來廣闊市場。

可是將其放在整個產業鏈中看，Covariant僅有AI技術還不夠，也不能只依賴工業機器人巨頭去獲得硬件和渠道支持，不同維度的競爭對手正迫使Covariant同時向上下游去拓展自己的業務范圍。

OpenAI當年放棄AI機器人業務的決定就暗示了，對于創業公司來說這條路并不好走。在2021年7月解散機器人團隊時，OpenAI聯合創始人沃伊切赫·扎倫巴（WojciechZaremba）在回復媒體時表示，“可悲的是，如果我們是一家機器人公司，公司使命就會不同，我們會繼續研究。我們非常相信機器人團隊的研發方向與方法，但從想要實現目標（即構建通用人工智能）的角度來看，我們還缺少一些組件。”扎倫巴并沒有明確提到究竟缺少了哪些組件，可能是資金、人力、數據，等等，這些也都是Covariant不斷在面對的問題。