生成式人工智能與機(jī)器人技術(shù)正在把“張口要一件東西，幾分鐘就能拿到”從科幻場(chǎng)景推向現(xiàn)實(shí)。近日，美國(guó)麻省理工學(xué)院（MIT）公布了一套名為“Speech-to-Reality（從語(yǔ)音到現(xiàn)實(shí)）”的實(shí)驗(yàn)系統(tǒng)：研究人員只需說(shuō)出“我想要一把凳子”，桌面上的機(jī)械臂就能在幾分鐘內(nèi)，用模塊化部件自動(dòng)裝配出一把可坐的凳子，實(shí)現(xiàn)真正意義上的“開(kāi)口即造物”。

作為全球知名的科研與工程學(xué)府，美國(guó)麻省理工學(xué)院在人工智能、機(jī)器人和數(shù)字制造領(lǐng)域一直處于前沿。本次項(xiàng)目由MIT Morningside設(shè)計(jì)學(xué)院（Morningside Academy for Design）、建筑學(xué)院、電氣工程與計(jì)算機(jī)科學(xué)系以及比特與原子中心（Center for Bits and Atoms）多學(xué)科聯(lián)合完成，體現(xiàn)了該校在“設(shè)計(jì)—算法—機(jī)器人”一體化創(chuàng)新上的綜合實(shí)力。

項(xiàng)目的核心研究者、MIT研究生Alexander Htet Kyaw介紹，這套系統(tǒng)把自然語(yǔ)言處理、三維生成式AI和離散機(jī)器人裝配串聯(lián)成一條完整鏈路，讓用戶可以不懂三維建模、不懂機(jī)器人編程，僅憑一句自然語(yǔ)言完成從創(chuàng)意到實(shí)物的閉環(huán)。他表示，以往這些技術(shù)多是各自為戰(zhàn)，如今第一次以“可直接造物”的方式被整合到一套工作流之中。

Speech-to-Reality系統(tǒng)大致分為五步。首先，語(yǔ)音識(shí)別模塊接收用戶指令，并交給大型語(yǔ)言模型進(jìn)行語(yǔ)義解析，提煉出目標(biāo)物體的大致形態(tài)和功能要求；隨后，三維生成式AI會(huì)基于指令生成一份數(shù)字模型網(wǎng)格；第三步，體素化算法將連續(xù)的三維網(wǎng)格拆分為可裝配的離散模塊；第四步，幾何處理進(jìn)一步修正結(jié)構(gòu)，確保在部件數(shù)量、懸挑形態(tài)和連接穩(wěn)定性等方面符合真實(shí)世界的制造約束；最后，系統(tǒng)為機(jī)械臂規(guī)劃出一條可行的裝配序列和軌跡，實(shí)現(xiàn)從“數(shù)字件”到“物理件”的自動(dòng)搭建。

目前，研究團(tuán)隊(duì)采用的是帶磁性連接的立方體模塊作為標(biāo)準(zhǔn)“積木”。在公開(kāi)演示中，系統(tǒng)已經(jīng)可以在幾分鐘內(nèi)完成凳子、椅子、小桌子、兩層擱板以及裝飾性“狗”雕塑等多個(gè)結(jié)構(gòu)的搭建——對(duì)應(yīng)的語(yǔ)音指令僅僅是“我想要一個(gè)簡(jiǎn)單的凳子”“一個(gè)有兩層的架子”或“我想要一只高一點(diǎn)的狗”等。研究者同時(shí)也在著手改進(jìn)連接方式，用更堅(jiān)固的連接件替代磁吸，以提升家具類結(jié)構(gòu)的承重能力，為未來(lái)真正進(jìn)入實(shí)際使用做準(zhǔn)備。

從應(yīng)用視角看，這一系統(tǒng)與傳統(tǒng)的3D打印有明顯差異。3D打印往往需要數(shù)小時(shí)甚至更長(zhǎng)時(shí)間才能完成復(fù)雜結(jié)構(gòu)的成型，而MIT團(tuán)隊(duì)的目標(biāo)是在五分鐘量級(jí)完成“語(yǔ)音到成品”的閉環(huán)，尤其適合考慮快速原型、個(gè)性化小家具和教學(xué)演示等場(chǎng)景。同時(shí)，模塊化裝配的思路也為后續(xù)拆解、重構(gòu)留下空間，有助于構(gòu)建可重用、可循環(huán)的物理“物料庫(kù)”。

值得注意的是，Speech-to-Reality并不僅僅是單個(gè)實(shí)驗(yàn)裝置，而是一個(gè)可以擴(kuò)展的接口構(gòu)想。Alexander Htet Kyaw在介紹中提到，他此前曾探索通過(guò)手勢(shì)識(shí)別和增強(qiáng)現(xiàn)實(shí)與機(jī)器人交互，下一步計(jì)劃把語(yǔ)音與手勢(shì)融合到同一套交互框架中，實(shí)現(xiàn)用戶“說(shuō)一句話、比一個(gè)手勢(shì)”，系統(tǒng)便能理解期望形態(tài)、尺寸和擺放位置，從而進(jìn)一步降低制造門檻。

在學(xué)術(shù)傳播層面，本項(xiàng)研究以《Speech to Reality: On-Demand Production using Natural Language, 3D Generative AI, and Discrete Robotic Assembly》為題，已在美國(guó)計(jì)算機(jī)協(xié)會(huì)（ACM）旗下的計(jì)算制造專題會(huì)議SCF ’25上進(jìn)行報(bào)告，會(huì)議今年由麻省理工學(xué)院承辦。 這也意味著，相關(guān)工作將進(jìn)入更廣泛的計(jì)算設(shè)計(jì)與數(shù)字制造學(xué)術(shù)圈，接受同行評(píng)議和產(chǎn)業(yè)界的進(jìn)一步關(guān)注。

MIT的這項(xiàng)探索至少釋放出三層信號(hào)：其一，生成式AI正從“屏幕里的內(nèi)容生成”走向“直接驅(qū)動(dòng)現(xiàn)實(shí)世界制造”，算法不再只是設(shè)計(jì)助手，而是實(shí)際裝配流程的“調(diào)度中樞”；其二，機(jī)器人正在從預(yù)設(shè)任務(wù)執(zhí)行者轉(zhuǎn)變?yōu)椤伴_(kāi)放接口”，可以根據(jù)自然語(yǔ)言和高層語(yǔ)義自適應(yīng)地完成不同裝配任務(wù)，為未來(lái)柔性制造與按需生產(chǎn)提供新范式；其三，面向非專業(yè)用戶的設(shè)計(jì)與制造工具，將在未來(lái)人機(jī)協(xié)同工廠、創(chuàng)客空間和教育場(chǎng)景中扮演愈發(fā)重要的角色。

據(jù)悉，該系統(tǒng)仍然處在實(shí)驗(yàn)驗(yàn)證階段，但已清晰勾勒出“語(yǔ)音驅(qū)動(dòng)、AI生成、機(jī)器人裝配”的新型制造路線。隨著連接方式、材料系統(tǒng)和多機(jī)器人協(xié)同等關(guān)鍵環(huán)節(jié)的持續(xù)優(yōu)化，這類“開(kāi)口即造物”的技術(shù)路徑有望成為未來(lái)按需制造和個(gè)性化生產(chǎn)的重要支撐之一。