導(dǎo)讀： 現(xiàn)在用ChatGPT這樣的人工智能，會(huì)打字就能上手，跟聊天一樣簡單。那做機(jī)器人呢？什么時(shí)候也能變得這么容易？DFRobot創(chuàng)始人、英國諾丁漢大學(xué)機(jī)器人工程學(xué)博士葉琛，過去十五年一直在攻克這個(gè)難題——如何打破極高的工程技術(shù)門檻，讓沒有深厚技術(shù)背景的普通人，也能親手打造出一個(gè)能跑、能動(dòng)甚至具備感知與決策能力的機(jī)器人。

對話DFRobot創(chuàng)始人葉琛

“我第一次真正意識(shí)到‘門檻’是個(gè)問題，是在英國諾丁漢大學(xué)讀博士的時(shí)候?！比~琛回憶道。“從小我就想做一個(gè)屬于自己的機(jī)器人。后來在英國讀博期間，利用業(yè)余時(shí)間開始動(dòng)手實(shí)踐。但很快就卡在了第一個(gè)問題上——我需要一個(gè)超聲波傳感器。當(dāng)時(shí)從國外購買一個(gè)要100多英鎊，而一個(gè)機(jī)器人需要用到六個(gè)。作為一個(gè)學(xué)生，這確實(shí)是一筆難以承擔(dān)的費(fèi)用。于是我決定自己動(dòng)手嘗試制作。在三個(gè)月的時(shí)間里，我反復(fù)調(diào)試測試設(shè)備，在論壇上和網(wǎng)友交流探討，最終成功做出了超聲波傳感器?！?這件事引起了他的深思：一個(gè)底層傳感器差點(diǎn)扼殺了一個(gè)博士生的項(xiàng)目。那么，對于全球范圍內(nèi)充滿熱情的年輕學(xué)生、跨界工程師或藝術(shù)愛好者來說，他們腦海中那些驚艷的創(chuàng)意，會(huì)不會(huì)連第一步都邁不出去，就被底層的硬件工程門檻死死攔住 ？這個(gè)疑問，成為了 DFRobot 誕生的原點(diǎn) 。

從“規(guī)則”到“智能”：AI教育的三次躍遷

“后來我慢慢意識(shí)到，這種‘門檻’，其實(shí)并不只是硬件成本的問題，它和人工智能本身的發(fā)展階段密切相關(guān)?！比~琛說?！叭绻褧r(shí)間拉長來看，AI在教育領(lǐng)域，其實(shí)經(jīng)歷了幾次非常明顯的變化。” 在他看來，這不僅是一條技術(shù)演進(jìn)的路徑，也在不斷改變?nèi)藗儗τ凇笆裁词侵悄堋钡睦斫狻?/p>

上世紀(jì)60、70年代，當(dāng)SCHOLAR系統(tǒng)開始用于輔助教學(xué)時(shí)，AI主要依賴預(yù)先設(shè)定的規(guī)則運(yùn)行?！澳莻€(gè)階段，本質(zhì)上是把優(yōu)秀教師的經(jīng)驗(yàn)寫成規(guī)則，讓機(jī)器按步驟執(zhí)行?！惫こ處焸儗⒔虒W(xué)邏輯固化為固定流程，機(jī)器按照預(yù)設(shè)路徑給出反饋，更像一個(gè)嚴(yán)格的“規(guī)則執(zhí)行器”，一旦超出設(shè)定范圍，就無法應(yīng)對。

到了80、90年代，專家系統(tǒng)引入推理機(jī)制，能夠根據(jù)學(xué)生的錯(cuò)誤進(jìn)行分析并給出針對性建議?！斑@時(shí)候已經(jīng)開始有一點(diǎn)‘智能’的味道了，”他說，“系統(tǒng)可以做有限的判斷，但前提依然是——知識(shí)體系必須由人完整地提前搭建好。”

AI教育領(lǐng)域的三次躍遷

“真正的轉(zhuǎn)折發(fā)生在2012年之后。”葉琛指出，隨著AlexNet在ImageNet圖像識(shí)別大賽上以壓倒性優(yōu)勢奪冠，將錯(cuò)誤率從25%以上直接降到15.3%，深度學(xué)習(xí)開始成為主流方法?！澳Ｐ筒辉僖蕾嚾斯とザx特征，而是可以從數(shù)據(jù)中自己學(xué)出來?！边@種變化顯著提升了系統(tǒng)在復(fù)雜場景中的泛化能力。

“從Gradescope的自動(dòng)評分，到Coursera的內(nèi)容推薦，再到今天的生成式AI，其實(shí)都是這一技術(shù)路徑的延續(xù)?！比~琛總結(jié)道，“AI 已不再只是簡單地執(zhí)行指令。如今的 AI 工具，開始被要求具備‘理解’和‘生成’的能力。而隨著 AI 能力不斷提升，對于研發(fā)這類 AI 系統(tǒng)的工程師而言，開發(fā)門檻其實(shí)也正在顯著提高?！?/p>

讓機(jī)器人真正變得可構(gòu)建：DFRobot的起點(diǎn)與方法

面對“無法開始”的困境 ，葉琛于 2010 年回國創(chuàng)立上海智位機(jī)器人（DFRobot） 時(shí)，沒有選擇做封閉的商業(yè)套件，而是決定從底層重構(gòu)機(jī)器人的開發(fā)方式。

在當(dāng)時(shí)，開發(fā)一個(gè)機(jī)器人往往需要從電路設(shè)計(jì)、驅(qū)動(dòng)開發(fā)到機(jī)械結(jié)構(gòu)全部從零開始。一個(gè)項(xiàng)目周期可能長達(dá)數(shù)年，且每一環(huán)都存在不確定性。對初學(xué)者而言，最大的障礙并不是“不會(huì)做”，而是“無法開始”。

早期的機(jī)器人搭建方式

基于這一判斷，團(tuán)隊(duì)從底層重構(gòu)了開發(fā)方式： 一方面，將驅(qū)動(dòng)、控制、傳感等功能拆分為標(biāo)準(zhǔn)化模塊，統(tǒng)一電氣接口與通信方式（如即插即用接口與預(yù)集成驅(qū)動(dòng)），減少底層電路與協(xié)議處理的復(fù)雜度； 另一方面，將原理圖、元件清單和源代碼全面開源，降低技術(shù)門檻，減少重復(fù)開發(fā)，這樣開發(fā)者就不需要反復(fù)造輪子，可以把精力放在真正有價(jià)值的系統(tǒng)設(shè)計(jì)和應(yīng)用創(chuàng)新上。

隨著這些基礎(chǔ)設(shè)施逐步完善，一個(gè)創(chuàng)客社區(qū)開始形成。用戶基于模塊構(gòu)建項(xiàng)目，從智能小車到環(huán)境監(jiān)測設(shè)備，再到自動(dòng)化裝置，應(yīng)用不斷擴(kuò)展。

“我們不希望開發(fā)者把精力浪費(fèi)在反復(fù)調(diào)試底層電路上?！比~琛表示 。目前，Gravity 系列已經(jīng)沉淀了數(shù)百種標(biāo)準(zhǔn)化模組 。據(jù)統(tǒng)計(jì)，目前已有來自全球 170 多個(gè)國家/地區(qū)的 30 萬名創(chuàng)客和開發(fā)者在使用 DFRobot 的開源硬件。DFRobot 創(chuàng)造的價(jià)值，不在于某一項(xiàng)單點(diǎn)技術(shù)的突破，而是讓“構(gòu)建系統(tǒng)”這件事本身實(shí)現(xiàn)了可復(fù)制與規(guī)?；?。

讓創(chuàng)造者快速搭建原型：DFRobot的使命

在葉琛看來，DFRobot 真正想解決的，并不是某一個(gè)單點(diǎn)技術(shù)問題，而是“如何降低創(chuàng)新進(jìn)入現(xiàn)實(shí)世界的門檻”。這也逐漸形成了 DFRobot 的核心使命：

“通過模塊化、開源開放的硬件體系，降低從創(chuàng)意構(gòu)想到原型驗(yàn)證，再到真實(shí)部署的全流程門檻，讓每一位創(chuàng)造者都能成為物理世界的重構(gòu)者。”

DFRobot模塊化的開源開放體系

讓AI更容易上手：從復(fù)雜開發(fā)到智能交互

深度學(xué)習(xí)的興起為機(jī)器人帶來了感知與理解能力，但也顯著提高了使用門檻?！叭绻粋€(gè)學(xué)生想做一個(gè)‘能識(shí)別人臉的小車’，他需要經(jīng)歷一整套流程：學(xué)習(xí)Python，調(diào)用計(jì)算機(jī)視覺庫，處理數(shù)據(jù)集，訓(xùn)練模型，并完成部署?！比~琛說。這不僅涉及算法，還包括環(huán)境配置、依賴管理和算力限制等工程問題。

當(dāng)時(shí)行業(yè)主要有兩種解決路徑：云端API和高端開發(fā)套件。但前者依賴網(wǎng)絡(luò)，后者成本較高，都難以覆蓋更廣泛的入門人群?；谶@些觀察，團(tuán)隊(duì)提出一個(gè)更具體的方向：AI能力需要本地化運(yùn)行，以降低對網(wǎng)絡(luò)和延遲的依賴；同時(shí)交互方式需要極度簡化，避免復(fù)雜的軟件環(huán)境配置。這一思路最終落地為二哈識(shí)圖（HuskyLens）視覺傳感器。用戶無需編寫代碼，只需通過簡單交互即可完成模型訓(xùn)練與識(shí)別任務(wù)。

“最難的不是實(shí)現(xiàn)算法，而是如何把復(fù)雜度控制在用戶看不見的地方?！比~琛說。團(tuán)隊(duì)最終選擇不開放復(fù)雜參數(shù)，而是通過預(yù)訓(xùn)練模型與固化配置，確保設(shè)備在開箱狀態(tài)即可穩(wěn)定運(yùn)行。

這個(gè)設(shè)計(jì)理念回答了一個(gè)核心問題：對于全球范圍內(nèi)那些從未接觸過AI的創(chuàng)客來說，他們需要的到底是什么？“不是理解神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理，而是第一次親手‘教會(huì)’機(jī)器做一件事時(shí)的那種驚喜感?！比~琛說，“二哈識(shí)圖推出后，反饋?zhàn)顭崃业牟皇枪こ處熑后w，而是那些原本覺得自己‘離技術(shù)很遠(yuǎn)’ 的人——比如藝術(shù)愛好者用它做互動(dòng)裝置。這件事讓我意識(shí)到，對于全球數(shù)以百萬計(jì)的創(chuàng)客愛好者來說，入門的第一課不是‘理解’，而是‘體驗(yàn)’?！?/p>

當(dāng)創(chuàng)客想往里走一步：打開AI黑箱的那把鑰匙

到了2023年，情況又發(fā)生了變化。大語言模型的爆發(fā)讓更多人看到了AI的可能性，而那些用二哈識(shí)圖入門的全球創(chuàng)客們開始不滿足了。

葉琛觀察到，有的Maker會(huì)問：“我讓它認(rèn)出了我的臉，但我想知道它到底是怎么認(rèn)出來的？如果認(rèn)錯(cuò)了，我能自己糾正嗎？”他認(rèn)為，這個(gè)問題觸及了一個(gè)更深層的需求：當(dāng)創(chuàng)客們跨過“能用”的門檻后，他們自然會(huì)產(chǎn)生“想理解”的渴望。 他們不再滿足于做一個(gè)黑箱的操作者，而是想成為能夠干預(yù)、改進(jìn)甚至創(chuàng)造AI的人。

二哈識(shí)圖2的誕生正是為了回應(yīng)這個(gè)需求。最大的變化是，它讓用戶可以從零開始自訓(xùn)練模型——你不再只是使用一個(gè)預(yù)置好的“黑箱”，而是可以自己采集數(shù)據(jù)、自己訓(xùn)練、自己部署，全程參與一個(gè)AI模型的完整生命周期。當(dāng)識(shí)別準(zhǔn)確率只有70%時(shí)，你可以分析錯(cuò)誤數(shù)據(jù)、補(bǔ)充樣本、重新訓(xùn)練，親手把它提到90%。

基于HUSKYLENS 2的姿勢識(shí)別機(jī)器人

一位Maker試用后說：“以前它是個(gè)魔法盒子，現(xiàn)在我能親手造這個(gè)盒子了?！比~琛認(rèn)為，這種設(shè)計(jì)讓創(chuàng)客從“使用者”變成了“創(chuàng)造者”——不是站在門外往里看一眼，而是走進(jìn)來，親手摸一摸里面的結(jié)構(gòu)。他意識(shí)到，這批玩機(jī)器人的年輕人，正在經(jīng)歷一次集體躍遷：從技術(shù)的“消費(fèi)者”轉(zhuǎn)變?yōu)榧夹g(shù)的“共建者”。

AI創(chuàng)造的下一站：用AI重構(gòu)物理世界

在專訪的最后，葉琛談到了整個(gè)行業(yè)正在面臨的激動(dòng)人心的轉(zhuǎn)折。

如今，AI 已經(jīng)成為連接抽象想法與物理硬件的核心橋梁 。當(dāng)大語言模型（LLM）強(qiáng)大的邏輯推理與規(guī)劃能力，遇到 DFRobot 完善的傳感與執(zhí)行（Actuation）開源模組時(shí)，個(gè)人開發(fā)者探索具身智能（Embodied AI）的門檻正在被大幅降低?！拔覀儾粌H能用 AI 生成控制邏輯，還能將其直接注入物理結(jié)構(gòu)中，這是一種全新的、基于 AI 輔助的‘物理重構(gòu)’能力 ?！?/p>

“鍵盤是思考的延伸，但螺絲刀才是改變的開始 ?！比~琛強(qiáng)調(diào) 。在 AI 時(shí)代，技術(shù)教育的終極意義，不再是讓人去適應(yīng)一個(gè)既定的數(shù)字世界，而是賦予人類用雙手和工具去重構(gòu)物理環(huán)境的能力，讓每一個(gè)天馬行空的創(chuàng)意，都能在這個(gè)真實(shí)世界中落地生根 。

關(guān)鍵詞：