叠衣服：机器人公司的百亿美元难题

一个看似简单的家务，为何成了机器人界的圣杯

在过去几年里，一个奇特的现象引起了科技行业的广泛关注：那些估值动辄数十亿美元的机器人初创公司，几乎不约而同地将「叠衣服」作为核心演示任务。从 Figure、1X 到 Physical Intelligence，越来越多的明星公司在融资演示和技术发布中，都会展示机器人叠毛巾、折衬衫的画面。

这看起来有些荒谬——人类几秒钟就能完成的家务，为什么会成为全球顶尖工程师和投资者痴迷的目标？答案恰恰在于，叠衣服这件事「简单得欺骗性十足」。

为什么叠衣服对机器人如此之难

变形物体的建模噩梦

对机器人而言，抓取一个刚性物体（比如水杯或积木）已经是相对成熟的技术，因为其形状固定、可预测。但衣物属于「可变形物体」（deformable objects），它的状态几乎是无限的。

一件 T 恤可以皱成一团、翻面、缠绕、部分折叠，每一种状态都对应着完全不同的物理形态。机器人无法像处理固定物体那样，用简单的几何模型来描述它。这意味着传统的运动规划算法几乎失效——你根本无法穷举一件揉皱衣服的所有可能形态。

从技术角度来看，一个刚性物体在空间中只有6个自由度（三个平移、三个旋转），而一件柔性衣物的状态空间维度理论上是无限的——它的每一个点都可以独立运动，受到重力、摩擦力和自身材料弹性的复杂交互影响。在学术界，可变形物体操作（Deformable Object Manipulation, DOM）长期被视为机器人学中最困难的开放问题之一。早在2000年代，研究者就尝试用有限元方法（FEM）对布料进行物理仿真建模，但计算成本极高，且仿真与现实之间存在巨大的「sim-to-real gap」（仿真到现实的迁移鸿沟）。即便是当今最先进的布料物理引擎，也难以精确预测一块真实织物在被抓取、抖动时的确切行为。

有限元方法（Finite Element Method, FEM）是一种将连续体离散化为有限个单元进行数值求解的工程方法，广泛用于结构力学、热传导等领域。在布料仿真中，研究者将织物离散化为由弹簧-质点系统或薄壳单元组成的网格，试图模拟布料在重力、接触和摩擦下的动态行为。然而，真实布料的行为受到纱线结构、织法（平纹、斜纹、缎纹）、纤维材料（棉、涤纶、丝绸）等因素的复杂影响，单一的物理模型难以覆盖所有情况。此外，布料与布料之间、布料与手指之间的接触和摩擦建模涉及高度非线性的碰撞检测问题，计算复杂度呈指数级增长。这使得即便投入巨大算力，纯仿真方法也难以为机器人提供足够可靠的训练环境。

所谓「sim-to-real gap」，是机器人领域的一个核心难题。研究者通常希望在计算机仿真环境中大量训练机器人策略，然后将学到的技能迁移到真实物理世界。对于刚性物体，这一迁移已经取得了相当成功——例如 OpenAI 在2019年展示的魔方求解机械手就是在仿真中训练后迁移到真实硬件的。但对于布料这样的可变形物体，仿真中的织物行为与真实世界的差异要大得多：真实布料的纤维结构、经纬密度、表面摩擦系数、含水量等微观特性都会显著影响其宏观行为，而这些在仿真中几乎不可能完美复现。这使得布料操作的「sim-to-real」迁移成为一个至今未解的难题，研究者不得不更多地依赖真实世界的数据收集。

感知与灵巧操作的双重挑战

叠衣服考验的是机器人的两项核心能力：感知与灵巧操作。

首先，机器人需要「看懂」眼前这堆布料的当前状态——哪里是袖子、哪里是衣领、哪里有褶皱。其次，它要通过双手协调完成一系列精细动作：抓起一角、抖开、抚平、对齐、翻折。这些动作涉及连续的接触力控制和实时反馈，任何一步的微小误差都会导致整个流程崩溃。

这正是机器人领域著名的「莫拉维克悖论」（Moravec's Paradox）的经典体现：对人类而言越是本能、越不需要思考的任务，对机器越是困难。下棋、计算这类高级认知任务机器早已超越人类，但叠衣服这样的基础运动技能却让最先进的AI束手无策。

莫拉维克悖论由卡内基梅隆大学的汉斯·莫拉维克（Hans Moravec）在1980年代提出，同期的马文·明斯基和罗德尼·布鲁克斯也分别从不同角度阐述了类似观点。其核心洞察在于：人类的高级理性思维（如逻辑推理、下棋）在进化史上只有几千年的历史，相对容易用计算方式复制；而感知运动能力经过数亿年的自然选择打磨，已经深深嵌入大脑的底层神经回路中，极难用工程方法重现。这一悖论在大语言模型时代变得更加鲜明——GPT-4 可以通过律师资格考试，但让一台机器人稳定地把袜子配成一对仍然是一个未解难题。人类叠衣服时调动了视觉皮层、运动皮层、小脑的协同工作，涉及数十亿年演化出的本体感知和精细运动控制回路，这些正是当前AI技术最薄弱的环节。

值得补充的是，人类在叠衣服时大量依赖「触觉」而非仅仅依靠视觉。我们能通过手指感知布料的厚度、滑动阻力和边缘位置，从而在不看的情况下完成许多操作步骤。当前大多数机器人的触觉传感器还远不及人类指尖的灵敏度——人类指尖每平方厘米拥有约2500个触觉感受器，能感知微米级的纹理差异。虽然近年来 GelSight、DIGIT 等触觉传感器取得了重要进展，但将高分辨率触觉信息与视觉信息融合并实时用于操作决策，仍然是一个活跃的研究前沿。GelSight 是由 MIT 的 Edward Adelson 实验室于2009年发明的一种光学触觉传感器，通过在弹性凝胶表面涂覆反光涂层，利用相机从内部拍摄凝胶变形来重建接触面的三维几何。DIGIT 则是 Meta AI 研究院基于 GelSight 原理开发的小型化、低成本版本，专为机器人指尖设计。这类传感器能够提供亚毫米级的空间分辨率和丰富的接触力场信息，但其数据处理和与运动控制的实时融合仍面临巨大的算法挑战。近期的研究方向包括将触觉信号编码为与视觉特征对齐的表示空间，从而实现视触觉的联合推理。

叠衣服为何成为机器人技术试金石

通用能力的完美压力测试

对于致力于打造「通用人形机器人」的公司来说，叠衣服是一个绝佳的能力验证基准。如果一台机器人能够可靠地叠好各种材质、各种形态的衣物，那就意味着它掌握了一整套可迁移的核心能力：

• 视觉理解：识别复杂、非结构化的场景
• 双手协调：完成需要两只手配合的精细操作
• 触觉反馈：根据接触感知调整力度
• 长程任务规划：将复杂任务拆解为连续的子步骤

这些能力恰恰是机器人走进真实家庭、处理开放世界任务所必需的。换句话说，能叠衣服的机器人，大概率也能收拾餐桌、整理房间、处理其他家务。

在当前人形机器人领域，各家公司实际上在技术路线上存在显著分歧。一派以 Tesla Optimus 为代表，强调从工厂场景的结构化任务切入，逐步向家庭场景拓展；另一派以 Figure、1X 等为代表，直接瞄准家庭和服务场景中的非结构化任务。叠衣服之所以成为后者的「首选基准」，是因为它天然地整合了机器人领域几乎所有核心技术维度。相比之下，工业场景中的装配或搬运任务虽然商业价值明确，但由于环境高度受控，并不能有效验证机器人在开放世界中的泛化能力。在学术界，类似的基准测试思想早已有之——就像 ImageNet 之于计算机视觉、GLUE 之于自然语言处理一样，叠衣服正在成为具身智能（Embodied AI）领域事实上的「试金石任务」。

这里有必要解释「具身智能」（Embodied AI）这一概念。与传统AI（如聊天机器人或推荐系统）不同，具身智能强调AI必须拥有物理身体，能够在真实世界中感知、行动并与环境交互。这一研究方向认为，真正的智能不可能脱离身体和环境单独存在——正如哲学家所说的「没有身体就没有心智」。具身智能的核心挑战在于，物理世界是连续的、不可逆的、充满不确定性的，而数字世界中的AI可以享受离散化、可回退、完全可观测等「奢侈」条件。叠衣服恰恰将具身智能的所有难点——连续控制、部分可观测、不确定性、长时序决策——集于一身，因此成为该领域的标志性挑战。这一哲学立场可以追溯到梅洛-庞蒂的现象学和布鲁克斯在1990年代提出的「没有表示的智能」主张，认为智能行为从根本上源于身体与环境的持续交互，而非脱离物理世界的抽象符号运算。

数据驱动与端到端学习的转折点

你可能没注意到，近年来叠衣服任务的突破，很大程度上得益于机器学习范式的转变。以 Physical Intelligence 等公司为代表，业界开始采用类似大语言模型的思路，通过海量演示数据训练端到端的机器人策略模型。

机器人不再依赖工程师手写规则，而是通过观看大量人类叠衣服的示范视频、或在遥操作中积累经验，学会如何应对千变万化的布料形态。这种「机器人基础模型」的思路，让叠衣服从一个几乎不可能的任务，逐渐变成了可以稳步逼近的目标。

要理解这一转变的革命性意义，需要回顾机器人控制的技术演进。传统机器人依赖工程师手动编写的状态机和规则系统——「如果检测到衣领在左上方，则执行动作序列A」。这种方法在面对可变形物体时几乎不可行，因为需要为无穷多的布料状态编写规则。2020年前后，以模仿学习（Imitation Learning）和强化学习（Reinforcement Learning）为核心的数据驱动方法开始展现出强大潜力。特别是扩散策略（Diffusion Policy）的出现——这种借鉴图像生成模型的方法，能够将机器人的连续动作轨迹建模为一个去噪扩散过程，使机器人能够生成流畅、多模态的操作动作。

扩散策略由哥伦比亚大学的宋舒杰等人于2023年提出，核心思想是将去噪扩散概率模型（DDPM）应用于机器人动作生成。在训练时，模型学习将噪声逐步去噪为专家演示的动作轨迹；在推理时，从纯随机噪声出发，经过多步去噪生成平滑的动作序列。这一方法的关键优势在于能够建模多模态的动作分布——当面对同一个场景存在多种合理操作方式时（比如先折左袖还是先折右袖），扩散模型不会像传统回归模型那样输出一个平均化的无意义动作，而是能够生成多种有效的操作方案之一。这一特性对于布料操作尤为重要，因为叠衣服往往没有唯一正确的动作路径。

Physical Intelligence 的 π0 模型正是这一思路的代表，它使用了类似 Vision-Language-Action（VLA）的架构，将视觉观测直接映射到机器人动作，无需中间的符号化表示。VLA 模型的核心理念是：既然大型视觉语言模型（VLM）已经学会了丰富的世界知识和物理常识，那么通过在其基础上微调一个动作输出头，就可以将这些知识迁移到机器人控制中。例如，模型可能利用其对「T恤」、「折叠」等语义概念的理解来指导具体的运动轨迹生成，实现从高层语义到低层控制的端到端映射。这种端到端的学习范式让机器人能够隐式地处理布料的复杂物理特性，而无需显式建模每一个褶皱的形变方程。

关于「遥操作」（Teleoperation）这一数据收集方式，值得进一步展开说明。在机器人学习的数据收集中，遥操作指的是由人类操作员远程控制机器人完成任务，机器人同时记录下视觉观测、关节角度、力矩等信息作为训练数据。近年来，遥操作硬件从昂贵的力反馈设备发展到了基于 VR 手柄甚至手机的低成本方案，大大降低了数据收集的门槛。例如，斯坦福大学的 Mobile ALOHA 项目使用了一套成本不到两万美元的遥操作系统，就能收集高质量的双臂协调操作数据。ALOHA（A Low-cost Open-source Hardware System for Bimanual Teleoperation）系统的成功证明了一个关键假设：在当前算法能力下，数据质量和数量可能比算法创新更重要。这与大语言模型领域的经验一致——Chinchilla 定律表明，模型性能的提升很大程度上取决于训练数据的规模。数据规模的扩大使得机器人学习开始呈现出类似语言模型的「涌现」现象——当训练数据跨越某个阈值后，模型突然展现出处理未见过的衣物类型和初始状态的泛化能力。这正是业界对「机器人基础模型」抱有巨大期望的原因。

商业叙事与现实差距

直击家庭市场的想象空间

从商业角度看，叠衣服直接指向了机器人最具诱惑力的应用场景——家庭服务。全球家务劳动是一个规模巨大的潜在市场，而洗衣、叠衣服又是最普遍、最耗时的家务之一。

对投资者而言，一段机器人流畅叠好衣服的视频，比任何技术白皮书都更有说服力。它直观地传递了一个信息：这家公司正在解决真实世界的难题，并且距离商业化落地又近了一步。

具体来看，据多项调查研究估算，全球家务劳动如果按市场价计价，其经济价值高达数万亿美元，其中洗涤和衣物整理相关劳动占据了相当比例。麦肯锡等咨询机构曾预测，家庭服务机器人市场到2030年代可能达到千亿美元级别。这解释了为什么 Figure AI 能在短时间内获得超过26亿美元的融资——投资者看中的不仅是当前的技术演示，更是一旦通用能力突破后所撬动的巨大家庭服务市场。2023-2025年间，人形机器人领域经历了前所未有的融资热潮：Figure AI 在2024年初获得由微软、英伟达、OpenAI 等参与的约6.75亿美元B轮融资后，又在后续轮次中将总融资额推至26亿美元以上；1X Technologies 获得了 OpenAI 基金的支持；Physical Intelligence 在成立不到一年内就获得了超过4亿美元的融资。这些天文数字背后的投资逻辑是：如果通用人形机器人能够实现，其潜在市场规模将超过智能手机和汽车行业的总和——毕竟每个家庭、每家商店、每间仓库都可能需要至少一台。

值得注意的是，家庭场景的商业模式也与工业场景截然不同：工业机器人通常以数十万美元的单价出售给工厂，而家庭机器人的愿景是以消费级价格（理想目标是2-5万美元）进入千家万户，依靠规模效应和潜在的服务订阅模式获利。

从历史角度看，家庭机器人的商业化尝试并非始于今天。2000年代的 iRobot Roomba 扫地机器人证明了消费级家庭机器人的市场潜力，但 Roomba 成功的前提是将任务极度简化——在二维平面上随机或规划路线移动。相比之下，Jibo（社交机器人，2017年停产）、Kuri（家庭陪伴机器人，2018年取消）等试图执行更复杂家庭任务的产品都以失败告终，说明在通用操作能力没有根本性突破之前，家庭机器人的商业化存在极高风险。当前这一波人形机器人热潮的支撑逻辑在于：大模型技术的进步可能终于提供了解决通用操作问题的技术路径，从而打破之前「不够聪明就不够有用」的死循环。

演示背后的现实差距

然而，我们也需要保持清醒。许多惊艳的演示视频可能经过了精心挑选和剪辑，或在受控环境下完成。实验室里能叠好整齐叠放的毛巾，与在真实家庭中处理一整篮混乱衣物，仍有巨大的鸿沟。

速度、可靠性、对未知衣物的泛化能力，都是尚未完全解决的问题。叠衣服之所以持续成为焦点，恰恰因为它还没有被真正「攻克」——它仍是衡量机器人智能进展的一把标尺。

科技行业对「演示与落地之间差距」并不陌生。2016年，波士顿动力的 Atlas 机器人展示了令人惊叹的后空翻和跑酷能力，但直到2024年，其商业化产品 Spot 仍主要用于工业巡检等相对简单的场景。类似地，自动驾驶行业在2017年前后信誓旦旦地宣称「2020年实现完全自动驾驶」，实际上到2025年仍在有限区域内运营。机器人叠衣服的演示可能面临同样的「最后一公里」挑战：演示中的机器人可能只能处理特定材质（如棉质T恤），在特定光照条件下，以远慢于人类的速度完成操作。据公开信息，目前最先进的机器人叠一件衣服通常需要数分钟，而人类只需要十几秒。从「能做到」到「做得好、做得快、做得可靠」，中间可能还有5-10年的工程优化路径要走。

此外，机器人在家庭环境中面临的挑战远不止技术层面。安全认证、产品责任、隐私保护（机器人配备的摄像头在家中持续运行引发的隐私担忧）、以及最基本的——如何让普通消费者信任一台在自己家中自主移动的200磅重的人形机器？这些非技术壁垒可能比技术本身更难跨越。回顾历史，微波炉从发明到普及花了约30年，洗碗机至今在许多国家的普及率仍然不高。即便技术问题全部解决，家庭人形机器人的真正普及也可能是一个需要数十年的渐进过程。

结语：一块毛巾里的机器人未来

亿级美元机器人公司对叠衣服的执着，绝非营销噱头。这个看似平凡的家务，浓缩了通用机器人技术最核心的挑战：如何让机器在非结构化、不可预测的真实世界中，像人一样灵巧地行动。

当一台机器人真正能够可靠、快速地叠好任何一件衣服时，它所代表的将不仅仅是家务自动化的实现，更是通用机器人智能迈过关键门槛的标志。从这个意义上说，那块被反复折叠的毛巾，或许正是通往机器人未来的一把钥匙。

从更宏观的视角审视，叠衣服这个「小任务」实际上折射出人工智能发展的一个深刻转折——从纯数字智能向物理智能的跨越。过去十年，AI在语言、图像、代码等数字领域取得了革命性突破，但这些成就都发生在比特的世界里。当AI试图跨入原子的世界——操作真实物理对象、应对不可逆的物理后果时，才发现真正的挑战刚刚开始。叠衣服正是这个转折点上的标志性战役：赢得这场战役，意味着人工智能真正开始「触碰」现实世界。这一转折也呼应着更深层的技术趋势：从 AlphaFold 对蛋白质结构的预测，到核聚变反应堆中等离子体的AI控制，再到机器人对可变形物体的操作，AI正在从「理解世界」迈向「改变世界」的新阶段。叠衣服虽小，却是这一宏大进程中一个极具象征意义的里程碑。