MIT Tech Review：人形机器人的AI突破短期内不会改变你的生活
来源MIT Tech Review AI查看原文
速览
- 人形机器人宣传时间表与实验室实际进展之间存在明显落差
- 当前主流路线 VLA 依赖遥操作数据，任务超出训练集就大概率失败
- 世界模型被视为下一阶段方向，但仍处于早期研究而非产品化路径
- Physical Intelligence 的 π0.7 展示组合泛化迹象，但证据并不牢固
- 大量演示视频由人类远程操控或预先编排，公众认知被高估
- 多步骤模糊任务（如做晚饭）对现有系统仍是未解难题
- 70% 成功率在真实场景中等于不可用，可靠性门槛远高于实验室指标
- 中国公司在人形机器人出货量上占据近 90% 的绝对优势
- 家用场景落地被业内估计还需约 10 年
MIT Technology Review 与 Aventine 合作的一篇深度报道指出，尽管 Elon Musk、Marc Andreessen、Jensen Huang 等人对人形机器人给出了极为乐观的时间表，但机器人研究界普遍持怀疑态度。报道梳理了当前机器人 AI 的技术路线：从硬编码规则，到 VLM（视觉语言模型），再到 VLA（视觉-语言-动作模型），以及被视为下一阶段的 world model（世界模型）。Google DeepMind 的 Gemini Robotics 驱动 ALOHA 2 可以完成装午餐盒、用夹子夹雪豆、折纸等任务，但一旦超出训练集就极可能失败。初创公司 Physical Intelligence 的 π0.7 首次展现出「组合泛化」的迹象——被要求把红薯放进空气炸锅时能做出勉强可用的尝试，但事后发现训练数据中本就藏有两条相关遥操作片段。文章强调，演示视频中大量机器人动作其实由人类远程操控或预先编排；即使是最先进的系统，在「做一顿晚饭」这类多步骤模糊任务上仍然失败。Marc Raibert 直言「70% 成功率等于不能用」。Agility Robotics 联合创始人 Jonathan Hurst 估计，机器人真正能在家庭中做有用的事还需要 10 年。
关键事实
- Elon Musk 在 7 月对股东表示 Optimus 最终将拥有「人类级、然后超人类级的灵巧度」，并在 1 月达沃斯预测 2027 年底前可能向公众销售，单台成本低至 20,000 美元。
- Morgan Stanley 预计到 2050 年「外形和行为像人」的机器人数量将接近 10 亿台，创造超过 5 万亿美元的市场。
- Yann LeCun 在 1 月达沃斯期间表示，做 humanoid 的公司「绝对没有一家」知道如何让这些机器人聪明到有用。
- Google DeepMind 的 Gemini Robotics 是 VLA 模型，驱动 ALOHA 2 可完成装午餐盒、用厨房夹子夹雪豆、折纸等任务，但任务超出训练集时极可能失败。
- Physical Intelligence 的 π0 最初基于 10,000 小时自有人类演示数据训练，2025 年春季发布 π0.5，2025 年秋季发布加入强化学习的 π0.6，2026 年 4 月发布 π0.7。
- π0.7 在「把红薯放进空气炸锅」这一未见任务上做出勉强可用的尝试，但团队事后在训练数据中发现两条人类操控机器人推空气炸锅篮的遥操作片段。
本站视角
对国内做具身智能和人形机器人的团队来说，这篇文章提供了一份冷静的对照表。过去一年国内大量团队在 VLA 路线上投入，把「成功率从 50% 提到 70%」当作阶段性成果对外传播，但 Boston Dynamics 的 Marc Raibert 一句话点破了行业标准：真实场景要求近乎每次都对，70% 等于不能用。这意味着融资叙事和产品落地之间存在一条被刻意模糊的鸿沟，投资人和采购方在评估 demo 时应当追问三件事：这段视频是否由人类遥操作、任务是否在训练集内、失败率是多少。 我们的判断是：这篇文章的价值不在于唱衰，而在于把「组合泛化」这个关键概念摆上台面。Physical Intelligence 的 π0.7 之所以值得关注，不是因为它把红薯放进了空气炸锅，而是因为团队事后在训练数据里找到了两条相关遥操作片段——这恰恰说明所谓泛化可能仍是数据泄漏的另一种形式。对做数据采集和仿真训练的团队，这是一个警示：如果泛化能力依赖于训练集中恰好存在的相似片段，那么 scaling law 在机器人领域能否像语言模型那样成立，就需要打上问号。 需要指出的是，这篇文章的信息来源以美国研究者为主，LeCun、Hurst、Raibert 等人的观点带有明显的路线立场——LeCun 本人正在推进 world model 方向的 AMI Labs，他对 VLA 的否定与其商业利益并不完全无关。同时，文中关于中国出货量近 90% 的数据来自 Omdia 和 Unitree，后者本身是市场参与者，这一比例需要更多独立信源交叉验证。但无论如何，Hurst 给出的「10 年」时间表，与 Musk 的「2027 年开售」形成了鲜明对立，读者应当把两者都视为立场而非事实。
背景与影响
人形机器人的想象可以追溯到 1495 年达芬奇绘制的机械骑士草图。1939 年纽约世博会上，Westinghouse 七英尺高的 Elektro 因「抽烟」表演引发轰动；1973 年日本早稻田大学的 WABOT-1 成为首台全尺寸可编程人形机器人；2000 年本田发布 ASIMO，能在一定程度上爬楼梯、识别人脸、自主移动，但 2018 年因无法超越演示水平而被停产。每一代产品在当时都是令人惊叹的工程成就，却都无法应对真实世界。 这一轮乐观情绪的来源与以往不同：生成式 AI 的突破让外界相信，驱动 ChatGPT、Claude 的语言与图像智能可以直接迁移到物理世界。但报道指出，机器人领域缺少语言模型那样的现成数据海洋——没有海量高质量物理演示可供训练。研究者提出的三条补数据路径各有缺陷：雇人采集遥操作数据成本高、耗时长；用人类活动视频训练数据质量差；把机器人部署到真实世界收集数据则面临安全与可靠性问题。 这意味着，即便 world model 路线被 Nvidia、Google 以及 World Labs、AMI Labs 等拿到大额融资的初创公司推进，Fei-Fei Li 本人仍将其描述为「 nascent（初生）」，并称基础方法仍在建立之中。对中文读者而言，需要观察的是：中国公司虽然在出货量和成本上领先（Unitree 机型低于 6,000 美元），但据 AP 报道，这些订单主要来自企业、学术实验室和国有企业，而非普通消费者——这说明当前需求仍以研究和试点为主，距离真正的消费级市场还有距离。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。