前英伟达高管：机器人为什么还没迎来ChatGPT时刻

机器人行业为何迟迟等不来自己的"ChatGPT时刻"

当大语言模型在短短几年内完成了从实验室到大众产品的跨越，一个问题反复被提出：机器人什么时候才能迎来属于自己的"ChatGPT时刻"？

Amulya Vishwanath 的答案可能会让乐观派不太舒服。这位在英伟达机器人平台产品营销岗位上工作了七年的前高管，如今转型为风险投资人。她给出的判断是：机器人行业目前仍处于"乐高时代"——执行器、机械手、软件、安全标准这些基础积木还在被一块块重新搭建。

这个判断直接挑战了当前市场上一股颇为流行的叙事：只要有一个足够强大的通用基础模型，机器人的智能化就能像语言模型一样迅速爆发。Vishwanath 的观察指向了一个更朴素的现实——硬件层面的工程量产和安全认证，才是制约机器人走向普及的真正瓶颈。

"乐高时代"：基础积木尚未拼合

Vishwanath 用"Lego era"来概括机器人产业的当下阶段，这个比喻值得展开理解。

乐高积木的特点是标准化、可组合、可复用。但今天的机器人产业远未达到这种状态。执行器（actuator）的设计方案各家不同，机械手的自由度和传感方案没有统一范式，软件栈的兼容性差，安全标准在各个市场之间也缺乏协调。这意味着每一个机器人团队在开发新产品时，相当大一部分精力花在了重新发明轮子上，而不是在已有基础上做增量创新。

这种碎片化直接拖慢了迭代速度。语言模型之所以能快速进化，很大程度上得益于软件迭代的低边际成本——改一行代码就能验证一个新想法。而机器人的每一次硬件改版都涉及开模、采购、组装、测试，周期以月甚至季度计。

执行器是将能量（通常为电能）转化为机械运动的装置，是机器人关节的核心部件。它通常由电机、减速器、编码器和驱动器组成，直接决定机器人的扭矩密度、响应速度和运动精度。目前行业内执行器方案高度分化：谐波减速器、行星减速器和摆线针轮方案各有取舍，准直驱与力控方案在协作机器人场景中争论不休。这种分化不仅推高了单台机器人的成本，也使得不同厂商的软件算法难以跨硬件平台迁移。

机械手则涉及另一层复杂度。自由度（DOF）指机械手可以独立运动的关节数量，人类手部约有20余个自由度，而当前商用灵巧手多在6至12个自由度之间。自由度越高，抓取的通用性越强，但控制算法和传感器融合的难度也呈指数级上升。触觉传感方案——压阻式、电容式、光学式——尚无统一标准，导致抓取策略在不同机械手上几乎无法复用。

为什么通用基础模型救不了机器人

"有了通用基础模型，机器人就能起飞"这个逻辑听起来顺滑，但它隐含了一个错误的类比。

语言模型的工作环境是数字世界，输入输出都是token，不存在物理约束。机器人则必须在物理世界中完成感知、决策、执行的闭环，任何一个环节的误差都可能导致任务失败甚至安全事故。一个在仿真环境中表现完美的抓取策略，到了真实世界可能因为光照变化、物体表面摩擦系数不同而完全失效。

这并不意味着基础模型对机器人没有价值。Vishwanath 的看法更接近于：基础模型是必要条件，但远非充分条件。感知和决策层的能力提升确实能解锁一些新场景，但如果执行器精度不够、机械手灵巧度不足、安全认证过不了，再聪明的"大脑"也无法驱动一具无法可靠行动的"身体"。

仿真到现实的迁移（sim-to-real transfer）是机器人学习中的核心难题。在仿真环境中，物理引擎（如MuJoCo、Isaac Sim）需要对接触力、摩擦、形变等物理过程进行建模，但这些模型与真实世界存在系统性偏差，即所谓的"现实鸿沟"。光照条件、材质反光、空气湿度乃至温度变化，都会让仿真中训练出的感知模型在真实环境中失效。

域随机化（domain randomization）是一种常见的缓解策略：在训练时随机改变仿真环境的光照、纹理、物理参数，迫使模型学习更鲁棒的特征表示。但这种方法本质上是用计算资源换取泛化能力，并不能从根本上消除物理保真度的差距。更重要的是，策略在真实世界中的安全边界无法通过仿真穷举验证，这正是机器人学习与语言模型在验证范式上的根本差异。

被低估的安全标准问题

在讨论机器人时，安全标准往往是最不性感、也最少被提及的话题。但它可能是商业化落地的最大隐性门槛。

工业机器人已有成熟的安全规范体系，但新一代通用机器人——尤其是那些被设计为与人类共享工作空间的协作机器人——面对的安全评估框架远不完善。不同国家和地区对机器人安全认证的要求差异显著，这为想要全球部署的机器人公司制造了巨大的合规成本。

Vishwanath 将安全标准列为基础积木之一，暗示了一个判断：在安全认证体系成熟之前，机器人的规模化部署会受到严重制约。这不是靠一个更强的模型能绕过去的问题。

ISO 10218 是工业机器人安全的基础国际标准，涵盖机器人本体和集成系统的安全要求。ISO/TS 15066 则专门针对协作机器人，规定了人机共享工作空间时的功率与力限制（power and force limiting）原则，要求机器人在接触人体时的力和压强不超过疼痛阈值。然而，这些标准主要基于传统工业场景的确定性动作，对于由学习算法驱动的、行为难以完全预测的通用机器人，现有框架难以直接套用。

安全认证通常由第三方机构执行，例如欧盟的CE认证、美国的UL认证和中国的CR认证。每项认证都需要大量测试和文档工作，周期可能长达数月甚至一年以上。对于希望全球部署的机器人公司，这意味着需要在不同市场重复进行认证流程，合规成本可能占到产品开发总预算的相当比例。这也是Vishwanath将安全标准视为基础积木的原因之一。

对创业者和投资人的启示

如果"乐高时代"的判断成立，那么当下机器人领域的投资逻辑需要调整。

押注"通用机器人基础模型"的团队可能低估了硬件和安全层面的复杂度。相反，那些专注于把某一块基础积木做到极致的公司——比如高性能执行器、灵巧手、或是机器人安全认证工具链——可能拥有更清晰的短期价值定位。

另一个值得关注的信号是，Vishwanath 从英伟达的产品营销岗位转向VC，本身就反映了行业对"谁真正理解机器人落地难点"的人才需求。在这个阶段，产业经验和工程判断力的价值，可能高于纯粹的技术叙事能力。

机器人行业的爆发不会是一夜之间的"时刻"，而更像是积木逐步标准化、拼接、最终形成可复用体系的过程。耐心和基础设施建设，才是这个赛道现阶段最稀缺的东西。