原文标题：Humanoid Robot ETF KOID: Did We Just Witness A "Move 37" Moment For Physical AI?
据KraneShares于9月3日报道，分享 2016年，世界排名第二的围棋选手李世石（Lee Sedol）与谷歌（Google）DeepMind 实验室开发的计算机程序 AlphaGo 进行了一场五局三胜制的比赛。对于不熟悉围棋的人来说，这项棋盘游戏起源于古代中国，据估计已有超过2500年的历史。1 围棋是一款高度复杂的策略游戏，非常依赖模式识别，其可选择的走法数量是国际象棋的300多倍。2 在 AlphaGo 与李世石的第二局比赛中，人工智能（AI）实现了重大突破。据《华尔街日报》报道：“李世石看到了一步他认为任何职业棋手都不会下的棋。事实上，DeepMind 团队计算出人类下出这步棋的概率只有万分之一。”3 李世石不得不在中场休息以消化他所看到的一切，回来后面对的就是如今广为人知的“第37手”，即他们那场比赛中的第37步棋。这步棋如此不同寻常，以至于起初观众、解说员，甚至李世石本人都认为这是个失误。 人们很快意识到这是一个天才之举，标志着人工智能程序首次展现出它不仅仅是在模仿人类，而是能够发现可能超越人类直觉的有效策略的时刻之一。十年后，在北京举行的第二届世界人形机器人运动会上，我们见证了另一个“第37手”时刻，而这一次的主角是实体人工智能。天工队的机器人在第二届机器人运动会上创造了多项跑步纪录，但其中一项表现尤为引人注目。为什么？因为天工队获得400米冠军（用时45.66秒）的Omni人形机器人，通过在模拟环境中的强化学习，自己学会了一种并未被编程设定的新奇跑步动作。虽然这款机器人最初是按照典型的人类跑步动作设计的，但它发现快速摆动机械手臂（如同人类那样）会浪费电池电量，并导致严重的关节摩擦和发热。于是，通过在模拟训练环境中的反复试错，它意识到收臂跑步的动作（现在被称为“害羞跑”）效率要高得多。 此外，为了弥补摆臂动作所带来的稳定作用的缺失——摆臂原本可以抵消腿部运动的动量——机器人自学出了一种快速扭腰动作来替代这种抵消作用。这种新颖独特的跑步方式，是人工智能基于能量、热量和稳定性等因素找到的最高效跑步方式的例证。同样需要注意的是，这种非传统的跑步技术之所以成为可能，仅是因为机器人所配备的硬件。如果机器人的机械设计、平衡能力、关节性能（执行器）和热管理系统没有那么先进，它绝不可能发明出这种更高效的跑步方式。虽然看起来有些滑稽，但我们认为这是物理人工智能（physical AI）领域的一项重大突破。人工智能在能量、热量和平衡的约束条件下，协调机器人的关节、躯干和重心，优化了真实机器的运动。正如数字领域中“第37手”（Move 37）所展示的那样，人工智能能够独立于人类直觉做出自己的战略决策，天工（Tiangong）团队则证明了人工智能能够在物理世界中操控和优化诸如人形机器人这样的现实系统。
来源：KraneShares ｜ 原文链接