導讀： 現在用ChatGPT這樣的人工智能，會打字就能上手，跟聊天一樣簡單。那做機器人呢？什么時候也能變得這么容易？DFRobot創始人、英國諾丁漢大學機器人工程學博士葉琛，過去十五年一直在攻克這個難題——如何打破極高的工程技術門檻，讓沒有深厚技術背景的普通人，也能親手打造出一個能跑、能動甚至具備感知與決策能力的機器人。

對話DFRobot創始人葉琛

“我第一次真正意識到‘門檻’是個問題，是在英國諾丁漢大學讀博士的時候。”葉琛回憶道。“從小我就想做一個屬于自己的機器人。后來在英國讀博期間，利用業余時間開始動手實踐。但很快就卡在了第一個問題上——我需要一個超聲波傳感器。當時從國外購買一個要100多英鎊，而一個機器人需要用到六個。作為一個學生，這確實是一筆難以承擔的費用。于是我決定自己動手嘗試制作。在三個月的時間里，我反復調試測試設備，在論壇上和網友交流探討，最終成功做出了超聲波傳感器。” 這件事引起了他的深思：一個底層傳感器差點扼殺了一個博士生的項目。那么，對于全球范圍內充滿熱情的年輕學生、跨界工程師或藝術愛好者來說，他們腦海中那些驚艷的創意，會不會連第一步都邁不出去，就被底層的硬件工程門檻死死攔住 ？這個疑問，成為了 DFRobot 誕生的原點 。

從“規則”到“智能”：AI教育的三次躍遷

“后來我慢慢意識到，這種‘門檻’，其實并不只是硬件成本的問題，它和人工智能本身的發展階段密切相關。”葉琛說。“如果把時間拉長來看，AI在教育領域，其實經歷了幾次非常明顯的變化。” 在他看來，這不僅是一條技術演進的路徑，也在不斷改變人們對于“什么是智能”的理解。

上世紀60、70年代，當SCHOLAR系統開始用于輔助教學時，AI主要依賴預先設定的規則運行。“那個階段，本質上是把優秀教師的經驗寫成規則，讓機器按步驟執行。”工程師們將教學邏輯固化為固定流程，機器按照預設路徑給出反饋，更像一個嚴格的“規則執行器”，一旦超出設定范圍，就無法應對。

到了80、90年代，專家系統引入推理機制，能夠根據學生的錯誤進行分析并給出針對性建議。“這時候已經開始有一點‘智能’的味道了，”他說，“系統可以做有限的判斷，但前提依然是——知識體系必須由人完整地提前搭建好。”

AI教育領域的三次躍遷

“真正的轉折發生在2012年之后。”葉琛指出，隨著AlexNet在ImageNet圖像識別大賽上以壓倒性優勢奪冠，將錯誤率從25%以上直接降到15.3%，深度學習開始成為主流方法。“模型不再依賴人工去定義特征，而是可以從數據中自己學出來。”這種變化顯著提升了系統在復雜場景中的泛化能力。

“從Gradescope的自動評分，到Coursera的內容推薦，再到今天的生成式AI，其實都是這一技術路徑的延續。”葉琛總結道，“AI 已不再只是簡單地執行指令。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，對于研發這類 AI 系統的工程師而言，開發門檻其實也正在顯著提高。”

讓機器人真正變得可構建：DFRobot的起點與方法

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

在當時，開發一個機器人往往需要從電路設計、驅動開發到機械結構全部從零開始。一個項目周期可能長達數年，且每一環都存在不確定性。對初學者而言，最大的障礙并不是“不會做”，而是“無法開始”。

早期的機器人搭建方式

基于這一判斷，團隊從底層重構了開發方式： 一方面，將驅動、控制、傳感等功能拆分為標準化模塊，統一電氣接口與通信方式（如即插即用接口與預集成驅動），減少底層電路與協議處理的復雜度； 另一方面，將原理圖、元件清單和源代碼全面開源，降低技術門檻，減少重復開發，這樣開發者就不需要反復造輪子，可以把精力放在真正有價值的系統設計和應用創新上。

隨著這些基礎設施逐步完善，一個創客社區開始形成。用戶基于模塊構建項目，從智能小車到環境監測設備，再到自動化裝置，應用不斷擴展。

“我們不希望開發者把精力浪費在反復調試底層電路上。”葉琛表示 。目前，Gravity 系列已經沉淀了數百種標準化模組 。據統計，目前已有來自全球 170 多個國家/地區的 30 萬名創客和開發者在使用 DFRobot 的開源硬件。DFRobot 創造的價值，不在于某一項單點技術的突破，而是讓“構建系統”這件事本身實現了可復制與規模化 。

讓創造者快速搭建原型：DFRobot的使命

在葉琛看來，DFRobot 真正想解決的，并不是某一個單點技術問題，而是“如何降低創新進入現實世界的門檻”。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，降低從創意構想到原型驗證，再到真實部署的全流程門檻，讓每一位創造者都能成為物理世界的重構者。”

DFRobot模塊化的開源開放體系

讓AI更容易上手：從復雜開發到智能交互

深度學習的興起為機器人帶來了感知與理解能力，但也顯著提高了使用門檻。“如果一個學生想做一個‘能識別人臉的小車’，他需要經歷一整套流程：學習Python，調用計算機視覺庫，處理數據集，訓練模型，并完成部署。”葉琛說。這不僅涉及算法，還包括環境配置、依賴管理和算力限制等工程問題。

當時行業主要有兩種解決路徑：云端API和高端開發套件。但前者依賴網絡，后者成本較高，都難以覆蓋更廣泛的入門人群。基于這些觀察，團隊提出一個更具體的方向：AI能力需要本地化運行，以降低對網絡和延遲的依賴；同時交互方式需要極度簡化，避免復雜的軟件環境配置。這一思路最終落地為二哈識圖（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練與識別任務。

“最難的不是實現算法，而是如何把復雜度控制在用戶看不見的地方。”葉琛說。團隊最終選擇不開放復雜參數，而是通過預訓練模型與固化配置，確保設備在開箱狀態即可穩定運行。

這個設計理念回答了一個核心問題：對于全球范圍內那些從未接觸過AI的創客來說，他們需要的到底是什么？“不是理解神經網絡的數學原理，而是第一次親手‘教會’機器做一件事時的那種驚喜感。”葉琛說，“二哈識圖推出后，反饋最熱烈的不是工程師群體，而是那些原本覺得自己‘離技術很遠’ 的人——比如藝術愛好者用它做互動裝置。這件事讓我意識到，對于全球數以百萬計的創客愛好者來說，入門的第一課不是‘理解’，而是‘體驗’。”

當創客想往里走一步：打開AI黑箱的那把鑰匙

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

葉琛觀察到，有的Maker會問：“我讓它認出了我的臉，但我想知道它到底是怎么認出來的？如果認錯了，我能自己糾正嗎？”他認為，這個問題觸及了一個更深層的需求：當創客們跨過“能用”的門檻后，他們自然會產生“想理解”的渴望。 他們不再滿足于做一個黑箱的操作者，而是想成為能夠干預、改進甚至創造AI的人。

二哈識圖2的誕生正是為了回應這個需求。最大的變化是，它讓用戶可以從零開始自訓練模型——你不再只是使用一個預置好的“黑箱”，而是可以自己采集數據、自己訓練、自己部署，全程參與一個AI模型的完整生命周期。當識別準確率只有70%時，你可以分析錯誤數據、補充樣本、重新訓練，親手把它提到90%。

基于HUSKYLENS 2的姿勢識別機器人

一位Maker試用后說：“以前它是個魔法盒子，現在我能親手造這個盒子了。”葉琛認為，這種設計讓創客從“使用者”變成了“創造者”——不是站在門外往里看一眼，而是走進來，親手摸一摸里面的結構。他意識到，這批玩機器人的年輕人，正在經歷一次集體躍遷：從技術的“消費者”轉變為技術的“共建者”。

AI創造的下一站：用AI重構物理世界

在專訪的最后，葉琛談到了整個行業正在面臨的激動人心的轉折。

如今，AI 已經成為連接抽象想法與物理硬件的核心橋梁 。當大語言模型（LLM）強大的邏輯推理與規劃能力，遇到 DFRobot 完善的傳感與執行（Actuation）開源模組時，個人開發者探索具身智能（Embodied AI）的門檻正在被大幅降低。“我們不僅能用 AI 生成控制邏輯，還能將其直接注入物理結構中，這是一種全新的、基于 AI 輔助的‘物理重構’能力 。”

“鍵盤是思考的延伸，但螺絲刀才是改變的開始 。”葉琛強調 。在 AI 時代，技術教育的終極意義，不再是讓人去適應一個既定的數字世界，而是賦予人類用雙手和工具去重構物理環境的能力，讓每一個天馬行空的創意，都能在這個真實世界中落地生根 。

關鍵詞：