【🔍 前沿聚焦】
想象一下：你走进工厂，对着一个机器人说「帮我把这些箱子搬到那边的架子上」，然后你随手示范了一个动作——机器人看了一遍，就自己学会了一整个过程。
这不是科幻电影。美国机器人公司 Cobot 刚刚发布了他们的最新产品 Proxie Gen 2，带来了一项令人震撼的新功能——「自动任务发现」（autotasking）。这个功能让机器人可以通过观察人类操作，自主理解任务该怎么完成，然后主动去执行，完全不需要工程师写代码。
以前的工业机器人是「死脑筋」——一个动作需要工程师花几天甚至几周写几千行代码。但现在，一个拥有 AI 大脑的机器人只需要——看。它用摄像头观察人类的动作，用 AI 大模型理解任务逻辑，然后自己生成执行方案。整个过程，人类只需要「做一遍给它看」。
【🤖 它是怎么做到的？】
Proxie Gen 2 的秘密武器是三大 AI 技术的组合：
- 计算机视觉：通过多个摄像头实时捕捉人类的手部动作、身体姿态和操作对象的位置；
- 模仿学习（Imitation Learning）：就像你看别人游泳然后自己试着游——AI 模型从人类示范中提取关键动作模式；
- 自主决策引擎：学会动作后，机器人能自主判断在什么情况下用什么动作，甚至能适应环境的变化（比如箱子换了个位置，它也能自己调整）。
这背后用的是目前最前沿的 foundation model（基础模型） 技术——跟 ChatGPT、Claude 这类大语言模型是同一个技术家族，只是它的「语言」不是文字，而是物理世界的动作和操控。
【🏭 这为什么重要？】
目前全球制造业面临巨大的劳动力缺口。传统工业机器人的最大问题是部署成本太高——需要专业的机器人工程师、漫长的编程调试周期、固定的作业流程。
Proxie Gen 2 的出现，意味着一个普通工人就可以「教」机器人新任务。不需要编程经验，不需要等工程师来调试。这会让机器人的部署速度从「几个月」缩短到「几个小时」。
Cobot 公司表示，这个功能主要用于工厂仓库、物流分拣等重复性场景。但背后的技术逻辑，跟我们在 OPC 营队学的 vibe coding 有着异曲同工之妙——把需求告诉 AI，AI 帮你把复杂的事变简单。只不过这里「告诉」的方式不是说话，而是做一遍给它看。
Autotasking / 自动任务发现
机器人的「自学模式」。传统机器人需要工程师逐行编程才能学会一个动作；具备 autotasking 能力的机器人，可以通过摄像头观察人类的操作示范，自主理解任务目标，然后自己规划执行步骤。就像你看了一遍蛋糕教学视频就能自己烤出来——只是机器人做得更快、更精准。
Imitation Learning / 模仿学习
一种让 AI 通过观察人类示范来学习技能的方法。人类在做动作时，AI 模型会记录关键数据（手的轨迹、力度、角度等），然后自己练习直到掌握。你教狗「坐下」的时候也是用这个逻辑——先示范，再奖励，重复到它学会。
Foundation Model / 基础模型
大规模预训练的 AI 模型，可以适应多种不同的任务。GPT 和 Claude 是「文字版」基础模型——你问它什么问题它都能答。机器人领域的 foundation model 是「动作版」——给它看不同的任务示范，它都能学会处理。核心思想是一样的：先在大规模数据上训练出一个「通才」，再针对具体任务做少量调整。
【💡 创科启发：ICC 赛事思维预演】
- 定义与调研：你身边有没有「需要反复教别人做」的事情（比如爸妈教你叠被子、老师教你解题步骤）？如果用机器人来替代教学，你觉得什么场景最适合先用上 autotasking 技术？
- 创新与差异：如果你的团队要做一个「会自己学习的机器人」项目，跟 Cobot 的方案相比，你能想到更巧妙的方法吗？比如不用摄像头，用触觉？或者让机器人从 YouTube 视频里学习？
- 测试与迭代：假设你在 OPC 营队里做了一个「会学习的小机械臂」原型，你怎么测试它学得对不对？如果它学错了动作，你怎么让它修正？（提示：想想你教别人的时候，对方做错了你怎么纠正）
如果未来机器人可以通过观察任何人来学习技能，你觉得会带来什么问题？比如：
① 如果一个坏人故意做危险动作让机器人学，怎么办？
② 如果机器人学会了一个人的工作技能，这个人会不会失业？
③ 你觉得什么样的「技能」应该不让机器人学，什么样的可以放心让它学？
科技不是变出来的，是选择出来的。你知道得越多，选择就越有力量。