导读： 现在用ChatGPT这样的人工智能，会打字就能上手，跟聊天一样简单。那做机器人呢？什么时候也能变得这么容易？DFRobot创始人、英国诺丁汉大学机器人工程学博士叶琛，过去十五年一直在攻克这个难题——如何打破极高的工程技术门槛，让没有深厚技术背景的普通人，也能亲手打造出一个能跑、能动甚至具备感知与决策能力的机器人

对话DFRobot创始人叶琛

             “我第一次真正意识到‘门槛’是个问题，是在英国诺丁汉大学读博士的时候。”叶琛回忆道。“从小我就想做一个属于自己的机器人。后来在英国读博期间，利用业余时间开始动手实践。但很快就卡在了第一个问题上——我需要一个超声波传感器。当时从国外购买一个要100多英镑，而一个机器人需要用到六个。作为一个学生，这确实是一笔难以承担的费用。于是我决定自己动手尝试制作。在三个月的时间里，我反复调试测试设备，在论坛上和网友交流探讨，最终成功做出了超声波传感器。” 这件事引起了他的深思：一个底层传感器差点扼杀了一个博士生的项目。那么，对于全球范围内充满热情的年轻学生、跨界工程师或艺术爱好者来说，他们脑海中那些惊艳的创意，会不会连第一步都迈不出去，就被底层的硬件工程门槛死死拦住 ？这个疑问，成为了 DFRobot 诞生的原点 。

             从“规则”到“智能”：AI教育的三次跃迁

             “后来我慢慢意识到，这种‘门槛’，其实并不只是硬件成本的问题，它和人工智能本身的发展阶段密切相关。”叶琛说。“如果把时间拉长来看，AI在教育领域，其实经历了几次非常明显的变化。” 在他看来，这不仅是一条技术演进的路径，也在不断改变人们对于“什么是智能”的理解。

             上世纪60、70年代，当SCHOLAR系统开始用于辅助教学时，AI主要依赖预先设定的规则运行。“那个阶段，本质上是把优秀教师的经验写成规则，让机器按步骤执行。”工程师们将教学逻辑固化为固定流程，机器按照预设路径给出反馈，更像一个严格的“规则执行器”，一旦超出设定范围，就无法应对。

             到了80、90年代，专家系统引入推理机制，能够根据学生的错误进行分析并给出针对性建议。“这时候已经开始有一点‘智能’的味道了，”他说，“系统可以做有限的判断，但前提依然是——知识体系必须由人完整地提前搭建好。”

AI教育领域的三次跃迁

             “真正的转折发生在2012年之后。”叶琛指出，随着AlexNet在ImageNet图像识别大赛上以压倒性优势夺冠，将错误率从25%以上直接降到15.3%，深度学习开始成为主流方法。“模型不再依赖人工去定义特征，而是可以从数据中自己学出来。”这种变化显著提升了系统在复杂场景中的泛化能力。

             “从Gradescope的自动评分，到Coursera的内容推荐，再到今天的生成式AI，其实都是这一技术路径的延续。”叶琛总结道，“AI 已不再只是简单地执行指令。如今的 AI 工具，开始被要求具备‘理解’和‘生成’的能力。而随着 AI 能力不断提升，对于研发这类 AI 系统的工程师而言，开发门槛其实也正在显著提高。”

             让机器人真正变得可构建：DFRobot的起点与方法

             面对“无法开始”的困境 ，叶琛于 2010 年回国创立上海智位机器人（DFRobot） 时，没有选择做封闭的商业套件，而是决定从底层重构机器人的开发方式。

             在当时，开发一个机器人往往需要从电路设计、驱动开发到机械结构全部从零开始。一个项目周期可能长达数年，且每一环都存在不确定性。对初学者而言，最大的障碍并不是“不会做”，而是“无法开始”。

早期的机器人搭建方式

             基于这一判断，团队从底层重构了开发方式： 一方面，将驱动、控制、传感等功能拆分为标准化模块，统一电气接口与通信方式（如即插即用接口与预集成驱动），减少底层电路与协议处理的复杂度； 另一方面，将原理图、元件清单和源代码全面开源，降低技术门槛，减少重复开发，这样开发者就不需要反复造轮子，可以把精力放在真正有价值的系统设计和应用创新上。

             随着这些基础设施逐步完善，一个创客社区开始形成。用户基于模块构建项目，从智能小车到环境监测设备，再到自动化装置，应用不断扩展。

             “我们不希望开发者把精力浪费在反复调试底层电路上。”叶琛表示 。目前，Gravity 系列已经沉淀了数百种标准化模组 。据统计，目前已有来自全球 170 多个国家/地区的 30 万名创客和开发者在使用 DFRobot 的开源硬件。DFRobot 创造的价值，不在于某一项单点技术的突破，而是让“构建系统”这件事本身实现了可复制与规模化 。

             让创造者快速搭建原型：DFRobot的使命

             在叶琛看来，DFRobot 真正想解决的，并不是某一个单点技术问题，而是“如何降低创新进入现实世界的门槛”。这也逐渐形成了 DFRobot 的核心使命：

             “通过模块化、开源开放的硬件体系，降低从创意构想到原型验证，再到真实部署的全流程门槛，让每一位创造者都能成为物理世界的重构者。”

DFRobot模块化的开源开放体系

             让AI更容易上手：从复杂开发到智能交互

             深度学习的兴起为机器人带来了感知与理解能力，但也显著提高了使用门槛。“如果一个学生想做一个‘能识别人脸的小车’，他需要经历一整套流程：学习Python，调用计算机视觉库，处理数据集，训练模型，并完成部署。”叶琛说。这不仅涉及算法，还包括环境配置、依赖管理和算力限制等工程问题。

             当时行业主要有两种解决路径：云端API和高端开发套件。但前者依赖网络，后者成本较高，都难以覆盖更广泛的入门人群。基于这些观察，团队提出一个更具体的方向：AI能力需要本地化运行，以降低对网络和延迟的依赖；同时交互方式需要极度简化，避免复杂的软件环境配置。这一思路最终落地为二哈识图（HuskyLens）视觉传感器。用户无需编写代码，只需通过简单交互即可完成模型训练与识别任务。

             “最难的不是实现算法，而是如何把复杂度控制在用户看不见的地方。”叶琛说。团队最终选择不开放复杂参数，而是通过预训练模型与固化配置，确保设备在开箱状态即可稳定运行。

             这个设计理念回答了一个核心问题：对于全球范围内那些从未接触过AI的创客来说，他们需要的到底是什么？“不是理解神经网络的数学原理，而是第一次亲手‘教会’机器做一件事时的那种惊喜感。”叶琛说，“二哈识图推出后，反馈最热烈的不是工程师群体，而是那些原本觉得自己‘离技术很远’ 的人——比如艺术爱好者用它做互动装置。这件事让我意识到，对于全球数以百万计的创客爱好者来说，入门的第一课不是‘理解’，而是‘体验’。”

             当创客想往里走一步：打开AI黑箱的那把钥匙

             到了2023年，情况又发生了变化。大语言模型的爆发让更多人看到了AI的可能性，而那些用二哈识图入门的全球创客们开始不满足了。

             叶琛观察到，有的Maker会问：“我让它认出了我的脸，但我想知道它到底是怎么认出来的？如果认错了，我能自己纠正吗？”他认为，这个问题触及了一个更深层的需求：当创客们跨过“能用”的门槛后，他们自然会产生“想理解”的渴望。 他们不再满足于做一个黑箱的操作者，而是想成为能够干预、改进甚至创造AI的人。

             二哈识图2的诞生正是为了回应这个需求。最大的变化是，它让用户可以从零开始自训练模型——你不再只是使用一个预置好的“黑箱”，而是可以自己采集数据、自己训练、自己部署，全程参与一个AI模型的完整生命周期。当识别准确率只有70%时，你可以分析错误数据、补充样本、重新训练，亲手把它提到90%。

基于HUSKYLENS 2的姿势识别机器人

             一位Maker试用后说：“以前它是个魔法盒子，现在我能亲手造这个盒子了。”叶琛认为，这种设计让创客从“使用者”变成了“创造者”——不是站在门外往里看一眼，而是走进来，亲手摸一摸里面的结构。他意识到，这批玩机器人的年轻人，正在经历一次集体跃迁：从技术的“消费者”转变为技术的“共建者”。

             AI创造的下一站：用AI重构物理世界

             在专访的最后，叶琛谈到了整个行业正在面临的激动人心的转折。

             如今，AI 已经成为连接抽象想法与物理硬件的核心桥梁 。当大语言模型（LLM）强大的逻辑推理与规划能力，遇到 DFRobot 完善的传感与执行（Actuation）开源模组时，个人开发者探索具身智能（Embodied AI）的门槛正在被大幅降低。“我们不仅能用 AI 生成控制逻辑，还能将其直接注入物理结构中，这是一种全新的、基于 AI 辅助的‘物理重构’能力 。”

             “键盘是思考的延伸，但螺丝刀才是改变的开始 。”叶琛强调 。在 AI 时代，技术教育的终极意义，不再是让人去适应一个既定的数字世界，而是赋予人类用双手和工具去重构物理环境的能力，让每一个天马行空的创意，都能在这个真实世界中落地生根 。