2024 年末，Physical Intelligence 的实验室里，一台机器人正在接受叠衣服测试。
它从洗衣筐里抓出衣服，却一次带出了两件衬衫。Sergey Levine 当时以为测试已经失败。机器人却把两件衬衫放到桌上，将它们分开，把其中一件放回筐里，开始折叠另一件。
没有人在现场预料到这串动作。事后，研究人员或许能从训练数据中找到相关行为的碎片，却很难解释模型为何会在当时把它们组合起来。
另一次测试中，机器人接到指令，要把厨房里的餐具收好。它没有拉开抽屉，转而打开旁边的烤箱，把勺子和锅铲放了进去。
这个错误其实并不意味着机器人在乱来，它理解了“收好”的部分含义：找一个容器，把东西放进去。只是在厨房生活的语境里，它选错了地方。
Levine 将其称为“语义上说得通的错误”。就像一个被要求收拾房间的孩子，可能会把杂物塞进没人看见的角落。机器人已经获得常识的碎片，也开始犯下“像人一样的错”。“现在，它只需要长大。”Levine 说。
Levine 是加州大学伯克利分校电气工程与计算机科学系的副教授、机器人基础模型公司 Physical Intelligence 的联合创始人，也是 2016 年《麻省理工科技评论》“35 岁以下创新 35 人”Global 名单入选者。8 月 24 日，他在 The Peterman Pod 的一期访谈中，用这些成功、错误和意外，描述了机器人学习的当前位置。
模型开始理解指令、迁移技能，处理训练数据中没有完整出现过的情况；研究者仍不确定，哪些能力能够随着数据和算力投入持续增长，哪些会在真实世界的例外面前停下来。
还没找到那根规模化杠杆
Levine 对当前机器人的判断，来自机器学习过去十多年的一个教训：规模很重要，前提是“扩展正确的东西”。
早期语言模型常用长短期记忆网络（LSTM）。这些模型已经比上一代技术好很多，却不适合在巨量数据和参数上持续训练。Transformer 的关键价值之一，是它更容易扩大。数据、参数和计算投入增加后，性能能够沿着相对清晰的方向改善。
技术发展由此分为两个阶段：研究者先找到可扩展的技术，再把它变成工业规模的工程。
GPT-2 刚出现时，模型能够写出语句连贯的独角兽故事，看起来新奇，却很难解决大量现实问题。研究人员真正看重的，是生成质量会随着数据和模型规模增加而改善。继续拉动这根杠杆，后来才有 GPT-4、GPT-5。
Levine 判断，机器人还处在更早的阶段。“它还没到 GPT-4 或 GPT-5 的阶段。”他说。机器人行业当前仍在确定模型结构、数据组合和训练方法，寻找真正能够规模化的技术路径。
Physical Intelligence 和其他实验室的演示说明，不少组件已经开始工作。它们尚未构成一条稳定的能力曲线。人们很难预测，模型增加一倍数据后会进步多少，也不清楚哪一种训练方式最终会成为机器人的 Transformer。
Levine 因此欢迎 OpenAI、Anthropic 等大型 AI 公司加大机器人投入。机器人学习的生态没有计算机视觉和自然语言处理那么健康。互联网提供了海量图像和文本，机器人数据则属于某个实验室、某台设备或某条生产线，采集昂贵，也涉及真实设备可能造成的物理伤害。
机器人行业过去习惯为单一任务设计控制器，再把软硬件集成为专用系统。基础模型采用另一套前提：机器人将越来越多地由学习得到的模型控制，数据需要跨任务、跨机构和跨设备流动。
“一家公司不足以改变整个行业对机器人学习的理解。”Levine 说。
一次后空翻，证明不了泛化
在机器人行业中那些传播最广泛的画面，往往也是最容易被误读的。
一台机器人完成后空翻，动作复杂，视觉冲击强。这个动作可能经过数百万次练习，在固定地面和确定条件下反复优化。另一台机器人只是从桌上拿起一个杯子，看起来平淡得多；如果它从未见过这个杯子，也没有在这个房间测试过，这次抓取可能需要更强的泛化能力。
“泛化是许多次试验的属性，不是一次试验的属性。”Levine 说。
经过排练的舞台动作可以证明机械结构和控制能力，却很难回答另一组问题：换一个房间还能不能成功，换一种物体会不会抓空，连续运行 100 次会失败几次，失败后能不能恢复。
Levine 将 Waymo 视为一个重要参照。自动驾驶曾被类比为核聚变，永远被认为是未来技术。如今在旧金山，人们已经可以坐进一辆没有司机的 Waymo，让它把自己送到目的地。这证明学习系统确实能够进入物理世界。
早期自动驾驶研究者曾设想在公路中埋设磁性传感器，让车辆沿着改造过的道路行驶。大部分驾驶过程可能因此变得简单，剩下 1% 的特殊情况却无法消失：行人突然走上道路，前方出现垃圾，施工改变车道。
Levine 称之为真实世界的“泄漏”：为了绕开困难而设计的环境，最终仍会被例外穿透。机器人操作也会经历类似过程。工厂里的固定动作可以被高度结构化，一旦机器人离开封闭工位，意外便会迅速增加。
波士顿动力的经典演示更多体现先进硬件和控制工程。机器人后空翻时，重点是控制自己的身体；机器人拿起桌上的咖啡杯时，还要理解身体之外的世界。
如今许多机器人的身体已经“足够好”，瓶颈逐渐移向决策闭环。Levine 给出的分界很直接：控制主要处理机器人自己的身体，AI 则必须把外部环境纳入判断。
他为机器人走向真实世界列出两个里程碑。
第一个，是机器人进入训练之外的新环境后，能够利用自主经验持续进步，直到达到实际可用的稳定性。第二个，是机器人学会调用常识修复错误。把餐具放进烤箱后，它应该意识到不对，重新打开门，把东西取出来。
完成一次任务只是起点。真正的产品需要发现偏差、恢复操作，并从失败中学习。
数据不是石油，更像教育
一些人认为，当机器人开大规模始部署时，可能会出现这样一个听起来合理的商业逻辑：最早拥有大量运行数据的公司，会更快改进模型；模型变强后又能部署更多机器人，形成难以追赶的飞轮。
Levine 认同这种可能性，但给它加了一个严格条件：更多部署必须转化为更多模型能力。
一台焊接机械臂每月完成 100 万次相同焊接，产生的数据可能只会让它成为更熟练的焊接机器人。任务、场景和对象缺少变化，再大的数据量也未必能训练出通用能力。
“数据更像机器人的教育项目，而不是一种可以随意交换的商品。”Levine 说。
这也是人形机器人商业化的矛盾。工厂和仓库更容易率先部署，任务范围有限，周围还有受过训练的工作人员；家庭环境能够产生丰富经验，安全门槛却更高。前者起步早，数据多样性较低；后者起步晚，能力增长的空间可能更大。
数据来源也存在先后关系。模拟环境便宜、可扩展，不会损坏真实设备。YouTube 有海量人类行为视频。有人据此推测，机器人可以像大语言模型吸收互联网文本那样，先学习视频和模拟数据，再用少量真实机器人数据完成适配。
Levine 更倾向于先让模型通过真实具身经验理解物理世界，再把人类视频和模拟数据接到这个基础上。
人学习飞行时可以使用模拟器，因为进入模拟器之前，已经知道物体如何运动，也明白屏幕上的符号对应真实飞机。人观看别人做饭时，不需要看到对方每块肌肉怎样发力，就能理解“拿起盐罐”和“加盐”。生活经验会填补视频没有提供的信息。
机器人没有这些默认背景。真实操作数据为模型提供物理世界的落点，其他数据才更容易获得明确含义。
Levine 提到一项合作研究。机器人数据较少时，模型内部的人类动作和机器人动作彼此分离。随着不同机器人的数据增加，表征开始按照任务聚类：无论执行者是人还是机器，完成同一件事的数据会靠得更近。
跨机器人迁移仍未彻底解决。要让模型在一种新机器人上达到良好表现，通常还需要该设备自己的数据。进步体现在所需数据减少，以及旧机器人学到的技能可以被新机器人复用。
有时，关键在于机器人用什么形式“思考”。
文本适合安排高层步骤，比如收拾厨房时“先打开抽屉，再放入餐具”；空间动作更适合用图像表示。Physical Intelligence 让模型先生成任务下一阶段应该呈现的画面，再根据画面推算动作。一台 UR5 机器人没有看过这种设备折叠 T 恤的数据，却能从其他机器人那里迁移折衣经验。
Levine 将其类比为攀岩。人寻找下一块岩点时，通常不会计算“左臂向左移动 37 厘米”，而是想象手臂伸向那块石头的画面。
基础模型路线也因此要求更广的数据。按照 Levine 的观点，一家公司想做仓储机器人，可能仍然应该收集整理厨房和折叠衣物的数据。两个场景看似无关，却共享抓取、分类、打开容器和处理异常等能力。
这与传统机器人公司的直觉相冲突。做仓储自动化的人，很难接受自己应该为折衣服付出数据成本。语言模型已经给出过类似经验：一个理解多种语言任务的通用模型，可能比专门训练的翻译系统做得更好。机器人能否完整复现这条路径，目前还没有答案。
从 95% 到 100%，隔着真实世界
Physical Intelligence 曾让机器人在 Dandelion 巧克力工厂连续组装包装盒，也让机器人操作专业咖啡机。咖啡实验持续约 13 个小时。期间，机器人有时会撒出咖啡粉，也能在接到指令后拿布清理。除了办公室里的人为了不浪费咖啡，喝到有些兴奋之外，整个实验就没有再发生其他严重事故。
单从整个试验效果来看，机器人自主操作的水平似乎已经很高，但 Levine 提醒，这段运行仍有人类参与。大约每 5 分钟，工作人员会在一个任务结束后更新高层指令，要求机器人制作下一杯咖啡，或者先清理机器。机械操作主要由模型完成，任务调度还没有完全交给机器人。
13 小时说明系统可以承担长时间行为，也暴露出了机器人自主性的边界。机器人清理咖啡机，是因为人告诉它“现在清理”，还没有独立决定何时应该暂停制作、先处理现场。
大语言模型回答错误时，用户可以修改提示词再问一次。机器人只有在自主执行时，才能充分体现价值。如果每个任务都要由人持续试探、重新提示和纠错，自动化节省的劳动很快会被拿回来。
因此，机器人的可靠性门槛高于许多生成式 AI 产品。成功率 95% 的文本工具可能已经实用；成功率 95% 的家务机器人，意味着每执行 20 个任务就可能有一次需要人介入。
Levine 认为，强化学习有机会让机器人通过自主经验补上最后几个百分点，把成功率从 95% 推向接近 100%。“这非常重要，而且目前还没有解决。”
如果人形机器人比预期更晚到来，最可能的原因就在这里：模型拥有大部分必要组件，却长期无法跨过实际部署所需的可靠性门槛。
他的时间预测仍然乐观。结构化任务可能正在发生，或者会在一两年内出现；家庭等开放场景还要再等几年。整体更可能以个位数年计算，而非十年以上。
中国的优势长在整个生态里
谈到中国机器人产业，主持人 Ryan Peterman 提到，社交媒体上的中国机器人演示给人一种快速领先的印象。
Levine 没有直接给出中美排名，他更关注一套完整的产业条件：研究人员、工程师、开源项目、供应链、硬件制造和长期研发。
机器人研究使用的不少可靠、低成本硬件已经来自中国。价格下降后，更多团队可以买到机械臂、关节、执行器和整机，收集数据、复现实验，再修改产品。
“这是一件整体性的事情，不能只做其中一块，把其他所有东西都外包出去。”Levine 说。
中国的优势不只体现在演示动作，还体现在一个新设计能否迅速找到供应商，硬件能否以足够低的成本投入训练，部署产生的数据能否回到模型。2026 年，中国启动人形机器人与具身智能实景实训专项行动，要求地方、中央企业、整机厂商、供应链公司和科研机构联合验证，也是在补齐这套循环。
不过，足够大的规模仍需满足“扩展正确的东西”这个条件。大量机器人进入高度重复的岗位，可能只会产生大量相似数据。出货量、订单和演示数量不能直接换算成通用能力。
Levine 认为，真正的飞轮应该满足一个明确关系：部署更多机器人，能够让模型获得更多能力。谁能把模型、制造、场景和多样化数据连起来，谁才更接近机器人的规模化阶段。
厨房里的那台机器人已经知道，打不开抽屉时应该另找一个容器。它下一步需要意识到，烤箱虽然能装下餐具，却不是正确答案；再进一步，它还要在没人提醒时发现错误，把门打开，将勺子和锅铲重新拿出来。
机器人从演示走向产品的距离，可能就藏在这几个毫不起眼的动作里。
参考资料：
1.https://www.developing.dev/p/sergey-levine-current-state-of-humanoid
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴