AI越聪明机器人越强？真相没那么简单

人们常把机器人和AI混为一谈，仿佛它们是同一个项目。但事实并非如此——引发轰动的AI研究（大视觉模型、强化学习、大语言模型）大多跑在仿真环境或数据中心里，而机器人必须面对重力、摩擦、电池耗电和物体滑落不会产生损失函数这一现实。两者的交汇点究竟在哪里？各自的瓶颈又是什么？

AI真正接触机器人的位置

一台机器人的软件栈通常分三层：感知、规划、控制。AI在前两层取得了实质性进展。

控制层——把规划转化为电机指令的部分——仍然以经典方法为主：PID回路、模型预测控制、逆运动学。AI的工作坐在这一层之上，而非嵌入其中。这种分层解释了一个反直觉现象：机器人可能拥有强大的视觉模型，却依然无法稳稳拿起一个杯子。模型告诉它杯子在哪里，却没有告诉电机在杯子滑落前该施加多大力度。

PID回路（比例-积分-微分控制）是最经典的反馈控制方法：它持续测量目标值与实际值之间的误差，并分别按误差的比例、累积量和变化率三项加权求和，输出修正指令。在机器人关节、无人机姿态、温控系统中几乎无处不在，因为它计算量极小、无需训练数据、行为可预测且易于稳定性证明。模型预测控制（MPC）则更进一步：它在每个控制周期内求解一个有限时域的最优控制问题，预测未来若干步的系统响应并选择当前最优动作，然后滚动重复。MPC能显式处理约束（如力矩上限、关节限位、避障），因此在四足机器人步态、自动驾驶轨迹跟踪中成为主流。逆运动学解决的是相反方向的问题：给定希望末端执行器到达的位姿，反推各关节应取的角度。这三类方法共同构成了控制层的骨架，也是为什么上层AI模型再强，也无法直接决定电机电流——那是控制层经过底层闭环反复校正后的结果。

视觉模型：先看见，再行动

视觉是AI对机器人领域最成熟的贡献。目标检测与分割模型让机器人能够在货架上找到物品、识别外科手术标志、追踪传送带上的包裹。深度估计——通常来自立体相机或与学习模型融合的LiDAR——赋予机器人三维空间感，而非一张平面图像。

# 简化的感知循环
frame = camera.capture()
detections = vision_model.predict(frame)
for obj in detections:
    depth = depth_estimator.estimate(obj.bbox, frame)
    world_pose = camera_to_world(obj.bbox, depth)
    planner.add_target(world_pose)

这个循环在真实机器人上每秒运行数次。模型的任务到生成位姿为止。之后的一切——接近物体并以正确力度抓取——是另一个独立问题。

强化学习：学会移动

强化学习训练了大量运动与操作策略。与其手工编写步态代码，不如在仿真中让机器人运行成千上万次，对保持直立和前进给予奖励，让策略自行涌现。

**Sim-to-real迁移**（仿真到现实迁移）指在仿真器中训练的策略部署到真实硬件时性能下降的现象，根源在于仿真无法完美复现真实物理：摩擦系数随温度变化、电机存在齿隙与延迟、传感器有噪声与漂移、接触力难以精确建模。常见缓解手段包括**域随机化**——在训练时随机扰动质量、摩擦、延迟、光照等参数，迫使策略对这些变量鲁棒；**系统辨识**——用真实数据校准仿真器参数；以及**真实世界微调**——在硬件上用少量数据继续训练。尽管如此，没有一种方法能完全消除差距，这也是为什么许多在仿真中表现完美的步态策略一旦上真机就摔倒。迁移质量往往决定了一个机器人项目是停留在论文里还是能走出实验室。
# 简化的RL训练循环
for episode in range(num_episodes):
    state = env.reset()
    done = False
    while not done:
        action = policy(state)
        next_state, reward, done = env.step(action)
        buffer.store(state, action, reward, next_state)
        state = next_state
    policy.update(buffer.sample())

Boston Dynamics的Atlas和Tesla的Optimus都依赖这类训练来实现平衡与恢复。Sim-to-real迁移才是难点：在仿真中有效的策略往往需要真实世界微调，因为摩擦、电机间隙和传感器噪声永远无法与仿真器完全匹配。

当前已落地的机器人与移动平台

抛开实验室，AI已经在多个场景中驱动机器人创造实际价值：

• 仓储物流：Amazon的移动机器人车队在履约中心搬运货架和包裹，AI路径规划实时绕开行人与障碍物。
• 人形机器人：Figure的机器人和Tesla的Optimus正在分拣与简单装配等任务上测试，使用视觉-语言-动作模型将摄像头画面与语音指令映射为动作序列。
• 手术机器人：Intuitive Surgical的达芬奇系统仍依赖人类外科医生做决策，但AI辅助器械追踪与组织识别。
• 自主无人机：AI驱动的无人机已用于电力线巡检、作物监测和搜索救援，在GPS不可靠时使用机载视觉模型避障。

大语言模型加了什么

LLM正以规划器而非控制器的身份进入机器人领域。给定“清理桌面”这样的高层指令，LLM可以将其拆解为子任务（定位物体、逐个拾起、放入箱子），再交给底层运动策略。Google的RT-2及类似视觉-语言-动作模型更进一步，直接将图像和文本映射到机器人动作。LLM不动任何电机，它决定下一步该发生什么，把执行留给前面描述的控制栈。

视觉-语言-动作模型（VLA）是2023年后兴起的一类模型，代表工作包括Google的RT-2、开源项目OpenVLA等。它的核心思路是把机器人动作当作一种“语言”来处理：将图像帧和文本指令送入一个预训练的多模态大模型，直接输出离散化的动作token，再由低层控制器执行。与传统的“感知—规划—控制”流水线相比，VLA省去了人工设计的中间表示，让模型端到端地学习“看到什么、听到什么、该做什么动作”的映射。其优势是泛化能力强，能理解未见过的物体和指令；局限则在于推理频率低（通常只有几赫兹）、动作精度不及专用控制器，因此多用于抓取、放置等相对粗粒度的任务，精细操作仍需经典控制补足。

真实的限制

AI的进步不会自动消除物理世界的约束：

• 电力：像Optimus这样的人形机器人中度工作续航约2-5小时，远低于人类一个班次。
• 灵巧性：人手有27个自由度及触觉，当前机器人夹爪仍无法匹敌，这就是多数仓储机器人搬运箱子而非单个物品的原因。
• 成本：一台带力感知的操作臂仍需数万美元，将人形机器人挡在大多数工作场所之外。
• 安全：与人共处的机器人需要认证的力限制和故障安全机制，这比AI模型本身更拖慢部署速度。

自由度（Degrees of Freedom, DoF）指一个机械系统能够独立运动的方向数量。人手有27个自由度，加上密集分布的触觉感受器，使其能完成拧螺丝、捏鸡蛋、系鞋带这类需要精细力反馈的动作。当前主流的二指或三指夹爪通常只有1至6个自由度，且触觉传感稀疏，无法感知物体是否将要滑落，只能靠视觉粗略估计。这直接解释了为什么仓储机器人倾向于搬运整个箱子而不是逐个抓取物品——箱子形状规则、抓取点明确，而任意形状的单件物品需要的是人手级别的灵巧性。提升自由度意味着更多电机、更复杂的传动和更高的成本，这正是灵巧手至今仍停留在实验室与高价产品中的原因。

接下来会怎样

未来几年看起来不像是“机器人变聪明”，而更像“机器人在狭窄任务上变得便宜且可靠”。AI将持续改进感知与任务规划，机械工程、电池密度和制造成本则从物理侧缩小差距。瓶颈已经转移：过去是软件，如今越来越是软件下面的硬件。