百萬元設備，給機器人臨時裝了一個「假大腦」

今年，打球幾乎成了機器人展示「自主能力」的熱門項目。

球高速飛過來，機器人自己移動、揮拍、回球，有的甚至能和真人連續對打幾十拍、上百拍。

這樣的畫面很容易讓人以為：過去只會走路、翻跟頭、搬東西的機器人，終於開始擁有處理動態世界的「大腦」。

但實際上，這類Demo，用三個詞，可以精簡概括本質：「瞎子」、「木偶」和「假大腦」。沒有遙控器，就等於機器人自己幹活了嗎？

有些本該由機器人大腦自己完成的「看見世界、判斷物體怎麼運動」的工作，被場地外一整套高精度設備提前做掉了。

也就是相當於用一整套上百萬元級的外部設備，臨時給機器人裝了一個「假大腦」和幾十雙「眼睛」。

這也像是用一套「巨型設備」在做遙操：機器人自己其實沒看見什麼，外部系統已經把關鍵位置告訴它了，「球到你跟前了，打吧」——

場地提前測量、相機提前標定，球塗上反光物質後被高頻、高精度地追蹤，再交給上層程序計算球什麼時候會到、球拍應該到哪裏。

這和人打球的邏輯並不是一回事。

人不會先把球場做一遍毫米級標定，而是用自己的視覺觀察對手動作、球速和方向，在不完全準確的信息下不斷預估下一步。

但這不意味着機器人什麼都沒做到。

它拿到位置和擊球目標以後，仍然要在很短時間內控制身體跨步、調整姿態、保持平衡、揮拍和連續回球，這說明今天機器人的「小腦」和全身運動控制已經取得了明顯進展。

問題只是：「小腦」很強，不等於「大腦」已經自主。

這個判斷來自林知遠（化名）。

過去兩年，不少自動駕駛人才轉向具身智能。林知遠是其中的典型。

他曾任百度自動駕駛資深工程師、蘿蔔快跑創始成員，完整經歷約十年工程化周期。

如今轉向具身智能，關注模型如何通過端側推理、監督、校驗和恢復，真正進入物理世界長期工作，並實現機器人大腦「自進化」。

這也是為什麼，他看機器人打球，關注的並不是「能連續打多少拍」，而是另一件事：

機器人的感知、判斷、執行和結果反饋，到底有多少真正發生在機器人自己的閉環裏？

沿着這個問題往下追，會發現今天談「機器人大腦自主」，至少還要跨過三道門檻。

會打球，不等於真正自主

1、沒有人遙控，不等於機器人自己幹完了活

今天很多機器人Demo已經「沒人拿遙控器」。

但「沒有人實時操縱」和「機器人大腦自己完成任務」，是兩套標準。

前一種自主，只要求整個系統可以自動運行；

後一種自主則要求機器人依靠可以隨身部署的感知和計算能力，自己觀察環境、理解任務、生成行動，並確認行動之後的現實結果。

打球Demo把兩者的差別暴露得很清楚。

運動控制是真的，全系統自動運行也是真的；但「機器人自己看見球並理解球的運動」這件事，並沒有完整、獨立地發生在機器人身上。

林知遠把它類比成自動駕駛裏的高精地圖。

高精地圖曾經非常有效，因為很多道路信息可以提前測量好，再交給車輛使用；但自動駕駛真正走向開放道路以後，行業逐漸發現，依靠一個提前整理好的世界，和讓汽車自己理解不斷變化的世界，並不是同一道題。

機器人的問題也是如此。

如果一項能力必須依賴提前標定好的房間、固定機位和特殊反光標誌才能存在，那麼真正值得追問的是：

撤掉這些專門為演示搭出的條件之後，它還能剩下多少能力。

2、一個漂亮Demo，可能讓團隊白跑半年

林知遠並不反對Demo。

在技術發展的早期，一次漂亮的展示本身有價值：它能讓外界第一次看到某種能力存在，幫助團隊獲得關注、資金和下一步研發資源。

科研項目把一個極難的問題拆開，先解決運動控制、再逐步補齊感知。

但今天AI研發和過去有一個明顯的不同：能力提升更加依賴真實反饋。

如果一套演示做完以後，既無法進入真實任務，也不能持續產生真實的結果、失敗和糾偏數據，那麼這個Demo和下一輪能力增長之間的聯繫就會越來越弱。

林知遠說得很直接：「你總不能在現實世界中架這麼一套東西，在你每一個擺弄的物件上塗上反光物質。」

如果團隊長期為了這種效果投入，甚至可能「跑偏三個月、六個月」，最後大家自己都知道，「我們在做一個trick（套路）」。

所以，Demo真正的分界線，不是夠不夠「漂亮」，而是：

這次成功，有沒有縮短下一次進入真實世界的距離。

真正的自主要能證明，這種能力離開展台、固定佈景，進入陌生環境之後，仍然可以存在。

但即使有一天，機器人真的能依靠自己看清球，問題也只解決了一半。

因為：看見了，不代表它知道自己有沒有做對。

模型更聰明，不等於「大腦就完整」

1、最危險的失敗，是機器人已經錯了，卻自己不知道

真實任務裏的失敗，比「抓沒抓住」複雜得多。

比如一個機器人接到任務，把杯子拿到桌上。

它完成抓取、移動和放置，每一個動作都做了，但杯子歪了，水正在往外漏。這顯然不能算真正完成。

生產現場裏的情況更明顯。

油漆刷完，不等於刷均勻；巡檢走完，不代表異常都發現；一個包含十步的任務，即使每一步看起來都「差不多對」，也可能因為前面一點誤差不斷累積，到最後完全偏離真正目標。

林知遠認為，長程任務中最危險的一種失敗是：機器人已經偏離目標，但自己不知道。

這使機器人大腦的職責不能只停留在「生成下一個動作」，它還要繼續判斷動作是否做多、結果是否合格，繼續執行會不會產生更大問題。

一旦發現問題，還要在重試、局部修正、重新規劃、降級執行和人工介入之間作出選擇。

林知遠說：

「它知道它不行了，或者它知道它失敗了。」

這也意味着，機器人向人求助，並不天然代表「不自主」。

一個系統如果已經走到能力邊界，卻仍然不知道應該停下來，反而是更危險的不成熟。

2、模型會合併，但責任不能一起消失

今天具身智能裏一個很熱的爭論：

當VLA、世界模型和端到端模型越來越強，未來是不是只需要一個足夠大的模型，機器人裏今天所有的分層、監督和安全系統都會消失？

他並不否定模型融合，相反，他在自動駕駛裏已經經歷過一遍類似的過程。

過去十年，自動駕駛從大量獨立模塊逐漸被越來越統一的模型吸收。

但模塊數量減少之後，原來承擔的狀態檢查、安全校驗、故障處理並沒有憑空消失，只是換了技術形式，有些變成規則，有些變成服務，有些繼續由人機系統承擔。

所以他說：

模型邊界會不斷合併，責任邊界不會消失。

端到端討論的是模型內部如何計算；閉環系統討論的是機器人如何對現實結果負責。

未來用戶不關心某項能力最終是否寫在模型裏，但真正工作的機器人不能出現：模型更聰明，卻無法判斷「這件事已經做錯了」。

3、大模型可以慢慢想，現實世界不會停下來等

更現實的一層問題是時間。

當物體正在滑落、機械臂即將發生碰撞時，現實世界不會停下來幾秒鐘，等一個更大的模型慢慢思考。

所以，未來真正的「大小腦」問題，不是最終會不會把小模型全部喫掉，而是：

什麼能力需要慢而強，什麼能力必須快而確定，以及兩者的經驗怎麼重新匯合。

4、自動駕駛十年的另一個教訓：別在錯誤的表達上死磕

不要過早相信今天的技術表達已經是終局。

過去十年裏，自動駕駛幾乎每隔兩三年都會經歷一次明顯的範式變化。

高精地圖、環境感知、空間表達都不斷變化，很多真正推動行業前進的突破，並不是在原來的模型上再多堆一點能力，而是重新定義輸入、輸出和對世界的表達方式。

所以他看今天的VLA，也沒有把它當作已經定型的終極架構。

他對當前部分VLA最直觀的感受是：

「慢。」

即使使用很強的算力，也還是不那麼「聰明」。

因此他認為現在的VLA很可能還是一種「中間狀態」。

其中真正更沒有定型的，是最後一個字母——Action（動作）。

他認為，今天最自然的數據表達，不一定就是最後的表達。未來如果執行器、材料和控制方式變化，動作表達本身也可能被重新定義。

世界模型也是類似邏輯。

他並不否認世界模型長期可能參與更直接的動作控制，但在現階段，他更看重它在世界預測、仿真、訓練數據生成和策略驗證中的作用，甚至認為它未來可能還是一種更高級的「仿真器」。

所以今天急着討論「VLA還是世界模型誰會贏」，可能仍然太早。

真正應該觀察的是：

哪一種新架構，最終能夠讓機器人更快、更穩定，也更容易進入下一個真實場景。

一次成功，不等於生產力

1、別看成功率，先看它到底能替人多久

如果不看模型參數、發布會和Demo，只允許留下一個指標來判斷機器人是不是正在變成真實生產力，他會選：

真實任務連續替代人的時間。

也就是在一個真正有價值、有明確結果標準的任務中，機器人究竟能連續把人替代多久。

這個指標把任務價值、運行穩定性、異常恢復、人工介入和最終結果綁在了一起，比一次動作成功率或者一段挑選後的演示視頻，都更難「做漂亮」。

更重要的是，一旦機器人真正進入生產，它就獲得了一種實驗室裏很難買到的數據：真實反饋。

他說得很形象：「有人給你反饋，告訴它變笨了；有人告訴你實話。」

實驗室裏，可以由研究者定義什麼叫成功；生產現場卻不會。

漆刷得不均勻，巡檢漏掉一個問題，都會產生真實的工作結果和影響。

所以真實生產不只是商業驗證，它同時還是一套天然的評測和數據系統。

現實世界真正珍貴的，不只是數據，而是有人願意告訴機器人「你錯了」。

2、機器人過了60分，拼的還是數據，只是標準變了

行業裏常說：60分以前靠模型和數據，60分以後主要靠工程。

他不完全認同。

他認為，機器人到了60分以後依然是數據競爭，只是對數據類型和品質的要求變了。

60分以前，只要機器人「基本能work」，偶發異常還可以容忍；但一旦進入生產，標準會更加具體且嚴格。

這意味着數據需要帶上任務結果、失敗發生的位置、失敗原因、恢復策略和最終結果。

而「失敗四次，第五次終於成功」，也不能直接被叫作「自進化」。

他認為，真正的學習還要經過時間序列驗證、跨場景遷移、跨本體遷移，以及能力退化和回滾測試。

一個已經會刷馬桶的機器人，如果只需要補少量數據就能去刷油漆，這纔開始說明它獲得的是一種可以遷移的能力。

所以，一條經驗裏，開始要包含結果、失敗和糾偏。

3、機器人沒有汽車那種「用戶邊用邊採」的數據紅利

汽車賣出去以後，數以百萬計的用戶每天在真實道路上開，本身就是一個巨大的數據生產網絡；

但很少有人願意花20萬元買一台機器人，再長期免費替機器人公司生產訓練數據。

如果每進入一個新場景，都重新進行大量真機採集，成本很難形成規模效應。

因此他更看好另一條路徑：先通過基礎模型和仿真形成一部分能力，再把機器人送進真實場景驗證，哪裏出現sim-to-real差距、哪裏失敗，就針對性補哪裏的數據。

4、機器人最早的機會，可能藏在自動化留下的「非標死角」

如果機器人今天還做不到能幹，它應該先去哪？

他不認為最容易切進去的是已經自動化的先進產線。

一條成熟工廠本來運行得很好，讓一個尚不成熟的機器人進去測試，意味着效率損失、安全風險和現場人員配合，很多時候機器人團隊甚至需要付費，工廠才願意開放場景。

「機器人現在去一條成熟產線，很可能首先是‘去添亂的’。」

相比之下，地下管網、密閉空間、船艙噴漆和焊接這些不那麼「性感」的場景，反而具備更好的早期條件：

人本來就不願意進去，危險和健康風險較高，任務有明確價值，結果能被驗收。

船艙噴漆就是一個典型例子。

一塊平整鋼板，傳統機械臂早已可以刷得很好；真正幾十年沒有完全解決的，是船體成型以後，裏面不斷變化的隔板、折角、犄角旮旯和不同船型，機械臂沒有固定位置，也無法每一次都精確配準。

他把傳統自動化形容成：「瞎的。」

它腦子裏存着幾個固定點，到一個點完成一個動作，但它並不真正理解哪裏可以通行、哪裏應該作業，以及今天這個環境和昨天有什麼不同。

而這一輪具身智能真正想補的，就是：

從「按照固定座標重複動作」，變成「環境變了，依然能把任務做完」。

因此，第一批真正形成生產力的具身場景，反而可能來自傳統自動化幾十年沒有解決掉的那些「非標死角」。

5、機器人大腦最終只有兩道題：越做越久，越換越便宜

機器人大腦的競爭，是不是正在從「完成一次任務」，走向「知道什麼時候失敗、怎麼恢復、什麼時候求助」？

他的回答是：「這是一個方面。」

另一半，是遷移。

在他的判斷裏，機器人大腦至少有兩條座標軸。

一條是時間軸：一次成功能不能變成長期可靠，失敗能不能被發現，發生問題以後能不能恢復並繼續工作。

另一條是空間軸：離開原來的任務、環境甚至本體以後，這套能力還能留下多少，又需要重新補多少數據和工程投入。

只解決前者，一家公司可能把一個項目磨得極其穩定，但換一家工廠又重新開始；只解決後者，一個模型也可能什麼都會一點，卻沒有一個任務真正能長期工作。

所以，一套真正有平台能力的機器人大腦，最後其實只需要回答兩個很難作弊的問題：

• 它能不能越做越久？

• 它能不能越換越便宜？

回頭再看那些會打球的機器人，漂亮的擊球當然值得驚歎，它至少說明機器人的「小腦」和全身運動控制已經進步很快。

但「大腦自主」是一道更難的題。機器人不僅要完成動作，還要知道動作有沒有真正產生正確結果，並且把今天的一次成功，變成明天可以長期運行、換一個地方仍然有用的能力。

所以，機器人大腦真正的分水嶺，並不是：「它會不會做一個漂亮動作。」

而是：它能不能對自己做出的結果負責，並把一次成功變成長期、可遷移的能力。

從「會表演」，到真正「會工作」，差的正是這一層。

機器人大腦未來到底怎麼發展？

下周二晚7點，虎嗅 AI 100 閉門會，追問：世界模型上位，誰將掌控具身智能的大腦？

400億孖展、超七成押世界模型。

創業、模型、資本、學術視角的四位專家同台，聊清楚：

機器大腦怎樣纔算真「上崗」，哪些技術是真突破，今天的高估值如何兌現。

 想看更前沿的一面，下圖掃碼報名。

本文圖片來自AI生成。

本內容來源於網絡，觀點僅代表作者本人，不代表虎嗅立場。如涉及版權問題請聯繫 hezuo@huxiu.com，我們將及時覈實並處理。

End