欠驅動與接觸：機器人控制的美學

他心目中最美的機器人動作是被動式雙足步行機——Steve Collins 與 Andy Ruina 做的版本完全靠重力驅動，沒有馬達也沒有控制器，卻比當年最先進的 Honda ASIMO 走得更自然。

他認為兩者的分界其實模糊：自己在 2000 年代初失去一根手指之後發現，旁邊那根骨頭因為要承受本來不習慣的碰撞，幾年下來幾何形狀也跟著重新塑形——會適應、會演化的不只是大腦。

Lex 提到雙足行走可能是為了把食物帶回部落；他回應說演化論證很容易講錯，因為決定哪個物種活下來的，往往不是食物充足時誰吃得好，而是冰河期來臨時誰剛好待對了地方。

他在研究步行機器人時常去 Dynamic Walking 研討會，在那裡聽到研究赤足跑步的演講；他原本不是跑者，是先認識赤足跑才開始跑長距離，所以不用改掉舊習慣。赤足能給即時回饋——落地太重馬上會痛，逼你當場調整跑姿，而不是等傷勢累積才發現問題。他住在離 MIT 約 12 英里的地方，通勤跑步、騎車、溜直排輪都試過，最近改划小船走查爾斯河；出差也會帶摺疊車和立槳板。

他認為機器人學最珍貴的資產是控制理論那種嚴謹精確的思考方式；深度學習很強大，但也讓人更容易不假思索就把問題解決掉，下一代走嚴謹的路比較得不到立即回報。他說自己其實樂觀，只是想盡一份力，讓嚴謹思考傳下去。他反問：如果牛頓與伽利略手上只有深度學習、只交出一組神經網路權重，我們今天會走到哪裡？他也提到，簡單不等於低維，狀態維度不是衡量複雜度的好指標。

DRC 源自福島核災後對救災機器人的需求，由 Boston Dynamics 提供 400 磅重的 Atlas 人形機器人，參賽隊伍要在網路連線不穩的假設下，讓機器人半自主完成開閥門、拿電鑽在牆上開洞等任務。

虛擬賽前三天，主辦方來信說模擬器已加速到即時，他原本跟模擬器一樣只跑到約 0.7 倍速的控制器一下子跟不上；他跟一位當時還是學生的團隊成員連夜重寫了一套更快的二次規劃求解器（fastqp），靠 warm start 搶到足夠速度；他也提到最後贏得那屆 DRC 的 KAIST 隊伍，靠的是準備了兩台機器人、能測試得更勤，而不只是工程做得漂亮。

他把單元測試與整合測試的概念搬進機器人研究，但坦言真實機器人跟軟體不同——同一個實驗永遠無法重跑第二次，目前多半只能靠大量隨機試驗去逼近覆蓋率。

決賽第一天，團隊忘了關掉開車用的舊控制器；機器人在鑽出座車的關鍵姿勢時被舊控制器誤下指令，重心失衡摔出車外——雖然摔了，仍拿到出車的分數。

多數足式機器人只在腳底接觸地面，身體其他部位一律避免碰撞；他認為這是因為接觸是很難處理的控制與感測問題，而人跌倒時反而會主動伸手去撐，善用意外的接觸。

面對「機器人幾時能在摔角或格鬥中贏過人」的提問，他認為接觸型格鬥比純粹的動態問題更難，因為還牽涉到跟對手的賽局互動；有理由樂觀，但要在對打中即時規劃出一連串動作仍然很難，甚至可能永遠解不好。

他認為控制系統該分層——底層是反射式的低階回饋，高層才是規劃；並提到 Josh Tenenbaum 的「撿三樣東西」實驗，說明人能靈活地把不熟悉的物體臨時當工具用。

兩人比較哪個先實現——機器人拿下足球世界盃還是成為格鬥冠軍；他認為真要贏得比賽，機器人可能得用完全不像人類的打法去鑽規則漏洞，而不是模仿人類的踢法或打法。

他沒看過那集《黑鏡》，但在 MIT 給教職員看 Spot 的影片時，全場露出驚恐的表情。他認為這種恐懼有一部分是文化造成的（美國人看《魔鬼終結者》長大，日本人看《原子小金剛》長大），但也說不確定這是人天生怕金屬造物，還是科幻故事養出來的；人們也常以為長得像動物的機器人有它其實沒有的自我意識。

面對「會不會害怕 AI 帶來的長期風險」的提問，他引用 Rodney Brooks 在《Flesh and Machines》裡的說法：未來不會是人類對抗機器人，而是人類本身會逐漸與科技融合，變成「機器人人類」。

他認同 Boston Dynamics 是機器人學的成功典範。Lex 感嘆 Anki、Rethink Robotics 等機器人公司接連失敗，他則認為不能只看失敗，這就是新創生態該有的樣子——夠有野心就會有失敗。

他半開玩笑地說機器人學有個問題：一項技術真的做到穩定可靠之後，人就不再叫它機器人了（例如洗碗機），所以這個領域永遠只能被定義成「還沒解決的問題」。

他用三腳凳與四腳桌舉例——三腳凳靜止時，三個支點的正向力可以唯一算出；換成四腳一樣高的桌子，靜力平衡就有無限多組解，摩擦力也跟著不確定，這正是機器人操作物體時難以寫出乾淨控制律的根源。

Drake 同時是最佳化函式庫、系統建模語言與多體物理引擎三合一；他強調自己不把它單純當模擬器看，而是連控制器與規劃器都寫進同一套架構裡。

TRI 拿「機器人從洗碗機拿出碗盤」當研究題目，不是因為做不出能用的控制器，而是想搞懂怎麼把感知、動力學與規劃這些複雜元件，經過驗證流程做成真正可信賴的產品；他也談到用主動實驗設計與「黑天鵝產生器」去找模擬器裡的罕見失敗案例，以及 TRI 的 fleet learning：一台機器人沒辦法經歷所有狀態，但一整批機器人可以。

Toyota Research Institute 投入居家機器人，主要目標是協助高齡者在宅安老；他認為這未必是最先、最賺錢的切入點，但可能是無論如何都得解決的問題。

他不滿機器人全身幾乎都是硬邦邦的金屬，只有指尖和腳底才有軟墊；他以撿雞蛋為例，說明軟性材質能把點接觸變成面接觸、分散施力，同時還能順便嵌入觸覺感測器。

他解釋欠驅動的定義——自由度數量多於馬達數量；人本身就是欠驅動系統，因為沒有任何馬達直接連著身體質心，跳起來之後完全交給物理接管。

他以切洋蔥為例說明，不是所有感知到的資訊都該塞進控制系統的狀態表示裡——洋蔥被切成一百片之後，機器人不需要追蹤每一片的位置與形狀，只需要對任務真正有用的那部分「潛在狀態」。

他認為觸覺非常重要：機器人要在人身邊做有意義的事，就不能再怕碰觸世界；TRI 有人在做類似 Baymax 的機器人，長得像泰迪熊、不像魔鬼終結者，人對它的態度會完全不同。他也舉 MIT 感知科學家 Ted Adelson 觀察自己小孩觸摸與啃咬周遭物品的經驗為例，說明主動用力去接觸世界，能學到光靠被動觀察學不到的東西。

他推薦 Kai-Fu Lee 的《AI Superpowers》、Yuval Harari 的《Sapiens》與《Homo Deus》、Taleb 的《黑天鵝》，以及 Mortimer Adler 的《如何閱讀一本書》——他說後者教會他把少數真正重要的書或論文讀深，而不是被海量資訊淹沒。

他提到 Isaac Asimov 身為「偉大的解釋者」的精神影響了自己的教學方式；現在上課、演講都改用 Zoom，他認為這是全新的溝通媒介，不只是把教室內容原封不動搬到線上。

他建議年輕人及早接觸數學、動手拆解與組裝東西，培養深度思考的能力；他認為這是一段沒有終點的長期旅程，不必期待有一天能「全部學完」。

他回憶剛到 MIT 跟著計算神經科學家 Sebastian Seung 做研究時，有一天從指導教授辦公室借了本書，走到查爾斯河邊，心想「我被徹底修理了」——這裡對數學與批判性思考的要求，跟大學完全不同。

被問到是否曾想過放棄，他說從來沒有——雖然辛苦但樂在其中；他形容自己身邊圍繞著一群人，讓他幾乎每天都會發現「我不懂這個」，而每弄懂一件事，就等於拼上人生拼圖的一塊。對話尾聲，Lex 也由衷向他表達這段對話帶來的啟發。