a16z 最新洞察：具身智能從 Demo 到落地，必須跨越的5個(gè)鴻溝

過去兩年，機(jī)器人行業(yè)出現(xiàn)了一種高度重復(fù)的場景。

在精心剪輯的視頻中，機(jī)械臂優(yōu)雅地操作陌生物體，人形機(jī)器人穿行于復(fù)雜地形，策略模型在從未見過的環(huán)境中完成任務(wù)。每一次發(fā)布會(huì)，都會(huì)引發(fā)關(guān)于模型架構(gòu)、訓(xùn)練規(guī)模、算力消耗和基準(zhǔn)測試成績的討論。

但如果我們關(guān)掉聚光燈，問幾個(gè)甚至有些“掃興”的問題：

這個(gè)演示拍了多少次？如果把攝像機(jī)向左移動(dòng)六英寸，系統(tǒng)還能成功嗎？以及它是否真的離開過實(shí)驗(yàn)室？

這些看似“掃興”的問題，恰恰構(gòu)成了機(jī)器人技術(shù)從“看起來可行”走向“真正可用”的分水嶺。

不久前，a16z 投資人 Oliver Hsu 專門撰文，從工程、部署和運(yùn)營視角，系統(tǒng)性梳理了制約具身智能規(guī)模化落地的關(guān)鍵因素。

他的核心判斷并不指向“模型不夠強(qiáng)”，而是指出：真正的瓶頸，出現(xiàn)在研究成果走向生產(chǎn)系統(tǒng)的那一段路上。

今天，我們就從這篇文章出發(fā)，拆解機(jī)器人技術(shù)在現(xiàn)實(shí)世界中遲遲難以鋪開的真正原因。

從一個(gè)被反復(fù)忽略的事實(shí)說起

如果部署遲遲沒有發(fā)生，并不意味著研究停滯。恰恰相反，機(jī)器人學(xué)習(xí)可能正處在近十年來最活躍的階段。

視覺–語言–動(dòng)作（VLA）模型的出現(xiàn)，是一次范式級變化。

它不再把機(jī)器人控制視為孤立的運(yùn)動(dòng)規(guī)劃問題，而是引入了互聯(lián)網(wǎng)規(guī)模的語義理解能力，讓“語言理解”“視覺感知”和“動(dòng)作生成”進(jìn)入同一建?？蚣?。

從谷歌RT-2，到 Physical Intelligence 的 π 系列，再到 GEN-0、GR00T N1，這一系列工作不斷擴(kuò)大訓(xùn)練數(shù)據(jù)的來源、機(jī)器人形態(tài)的多樣性，以及策略在不同任務(wù)和環(huán)境中的泛化能力。

仿真到現(xiàn)實(shí)的遷移也在持續(xù)改善，領(lǐng)域隨機(jī)化和世界模型正在削弱“仿真不真實(shí)”的老問題。

跨平臺泛化開始成為共識。

Open X-Embodiment 把來自 20 多種機(jī)器人平臺的百萬級軌跡放在同一訓(xùn)練框架中，模型在陌生硬件上的成功率顯著提升。

靈巧操作也不再只是展示性成果，模型開始處理可變形物體、工具使用和高接觸復(fù)雜任務(wù)。

如果只看研究進(jìn)展，機(jī)器人智能幾乎已經(jīng)跨過了“可行性”的門檻。

限制具身智能落地的5個(gè)因素

問題在于，這些能力幾乎沒有進(jìn)入真實(shí)生產(chǎn)系統(tǒng)。

在工廠里，大多數(shù)工業(yè)機(jī)器人仍然執(zhí)行的是高度確定性的流程：重復(fù)焊接、固定抓取、預(yù)先編程。當(dāng)產(chǎn)品規(guī)格發(fā)生變化，系統(tǒng)并不會(huì)“學(xué)習(xí)”，而是重新編程。

倉庫揀選是少數(shù)接近研究能力的場景，但即便如此，部署系統(tǒng)通常只處理結(jié)構(gòu)化商品，在受控光照和固定貨箱布局下運(yùn)行。實(shí)驗(yàn)室中“雜亂環(huán)境下任意物品揀選”的能力，距離規(guī)?；杂忻黠@差距。

至于人形機(jī)器人，更多仍停留在試點(diǎn)和展示階段。它們是研究人員的開發(fā)平臺，而不是企業(yè)可直接采購、部署、維護(hù)的生產(chǎn)工具。

一個(gè)直觀的對比是：

研究領(lǐng)域的主角，是大模型實(shí)驗(yàn)室和前沿初創(chuàng)公司；

部署領(lǐng)域的主角，仍然是工業(yè)機(jī)器人OEM和區(qū)域系統(tǒng)集成商。

這兩套體系，幾乎沒有真正融合。

直覺上，人們常把這種落差歸因于“技術(shù)擴(kuò)散需要時(shí)間”。但這只是部分原因。

更關(guān)鍵的是，部署自主物理系統(tǒng)，本身與研究就是兩個(gè)完全不同的問題。自動(dòng)駕駛已經(jīng)給過我們足夠多的前車之鑒。

機(jī)器人從實(shí)驗(yàn)室走向生產(chǎn)環(huán)境，會(huì)同時(shí)遭遇一整套技術(shù)與運(yùn)營挑戰(zhàn)：

首當(dāng)其沖的就是，分布變化帶來的成功率幻覺。

研究系統(tǒng)往往在與訓(xùn)練數(shù)據(jù)分布高度一致的環(huán)境中評估性能。而真實(shí)世界，永遠(yuǎn)不按分布行事。

實(shí)驗(yàn)室里95% 成功率的策略，一旦進(jìn)入倉庫，光照、背景、視角、物體材質(zhì)、機(jī)械磨損都會(huì)發(fā)生變化，成功率可能迅速跌到 60%。

也就是說，基準(zhǔn)測試無法覆蓋這種復(fù)雜性。研究關(guān)注的是“平均表現(xiàn)”，部署面對的是“所有情況”，大量長尾場景沒辦法完成覆蓋。

第二，可靠性閾值，也是研究與生產(chǎn)的另一條根本分界線。

在論文中，95% 成功率是優(yōu)秀結(jié)果；在生產(chǎn)中，95% 意味著每天幾十次故障。

每一次失敗，都意味著人工介入、系統(tǒng)中斷和運(yùn)營成本。制造系統(tǒng)通常要求99.9% 以上的穩(wěn)定性，而學(xué)習(xí)型策略的失敗往往集中在訓(xùn)練分布之外，具有明顯的系統(tǒng)性。

研究追求性能最大化，生產(chǎn)追求失敗最小化。這是兩個(gè)完全不同的目標(biāo)函數(shù)。

第三，算力和延遲的悖論。

VLA 模型的性能提升，伴隨著參數(shù)規(guī)模和推理延遲的增長。而機(jī)器人控制，對實(shí)時(shí)性極度敏感。

操作任務(wù)通常需要20–100Hz 的控制頻率。即便是 7B 級模型，在邊緣硬件上也難以穩(wěn)定滿足這一要求，更不用說云端推理引入的網(wǎng)絡(luò)延遲。

于是出現(xiàn)了雙系統(tǒng)架構(gòu)：慢速語義推理與快速運(yùn)動(dòng)控制分離。但這本身，也引入了新的系統(tǒng)復(fù)雜性。

第四，被低估的“系統(tǒng)集成”。

真實(shí)部署的機(jī)器人必須嵌入一整套既有系統(tǒng)：WMS、MES、ERP、監(jiān)控、合規(guī)、維護(hù)。

如果一個(gè)策略無法接收真實(shí)任務(wù)指令、無法與其他設(shè)備協(xié)同、無法上報(bào)狀態(tài)，它在生產(chǎn)環(huán)境中的價(jià)值幾乎為零。

更棘手的是安全認(rèn)證。現(xiàn)行標(biāo)準(zhǔn)是為可預(yù)測、可分析的程序化機(jī)器人設(shè)計(jì)的，而不是為神經(jīng)網(wǎng)絡(luò)策略。如何證明一個(gè)數(shù)十億參數(shù)的模型是安全的？目前并沒有成熟答案。

第五，維護(hù)是最后一道現(xiàn)實(shí)門檻。

研究系統(tǒng)由研究人員維護(hù)，生產(chǎn)系統(tǒng)由技師維護(hù)。

當(dāng)一個(gè)學(xué)習(xí)型機(jī)器人出現(xiàn)異常行為時(shí)，問題可能出在感知、策略、控制、硬件或系統(tǒng)集成。對權(quán)重進(jìn)行“調(diào)試”，并不是現(xiàn)有維護(hù)體系能夠承載的能力。

這不是單點(diǎn)問題，而是系統(tǒng)性缺口。

更為嚴(yán)峻的是，以上這些問題并不是孤立存在的，往往會(huì)形成一條負(fù)反饋鏈：

分布變化導(dǎo)致失敗，失敗增加人工干預(yù)，干預(yù)提高成本，成本限制規(guī)模，規(guī)模限制數(shù)據(jù)，數(shù)據(jù)不足又加劇分布問題。

正因如此，部署差距不是靠單一研究突破就能解決的。

填平鴻溝：從“模型”到“基建”

要解決這些問題，僅僅依靠GPT-5這樣的大模型升級遠(yuǎn)遠(yuǎn)不夠。我們需要的是機(jī)器人領(lǐng)域的DevOps和基礎(chǔ)設(shè)施。

比如，在早期的數(shù)據(jù)收集階段，我們需要建立遠(yuǎn)程操作的基礎(chǔ)設(shè)施，讓機(jī)器人能夠在干活的收集數(shù)據(jù)。只有當(dāng)機(jī)器人開始通過勞動(dòng)創(chuàng)造價(jià)值同時(shí)考慮數(shù)據(jù)收集成本時(shí)，這個(gè)飛輪才能轉(zhuǎn)起來。

又或者，讓AI變得更加可靠。既然無法避免錯(cuò)誤，那就讓錯(cuò)誤變得“可控”。讓機(jī)器人學(xué)會(huì)完全“優(yōu)雅地失敗”（比如在搞不定時(shí)主動(dòng)響應(yīng)而不是直接撞上去），并引入傳統(tǒng)代碼作為安全兜底。

為邊緣部署而設(shè)計(jì)的高效模型，類似Hugging Face的SmolVLA，未來的方向是“小而美”的模型，或者專門為機(jī)器人設(shè)計(jì)的芯片，而不是把通用的GPU負(fù)載塞進(jìn)機(jī)器人身體里。

這些能力，決定了機(jī)器人能否從“聰明”變成“可靠”。

與軟件世界不同，物理世界過于復(fù)雜，單一產(chǎn)品很難通吃。

機(jī)器人更可能以生態(tài)系統(tǒng)的方式演進(jìn)：通用能力打底，圍繞具體任務(wù)進(jìn)行微調(diào)，逐步擴(kuò)展應(yīng)用邊界。

這種生態(tài)演進(jìn)的特點(diǎn)，將機(jī)器人拉入了中美科技競爭的深水區(qū)。

一種普遍的觀點(diǎn)是：美國在“大腦”（模型能力）上領(lǐng)先，致力于打造超級智能；而中國在“身體”（產(chǎn)業(yè)鏈與應(yīng)用場景）上統(tǒng)治地位。

美國擁有最頂尖的VLA模型，但中國擁有最龐大的工業(yè)機(jī)器人部署量和最復(fù)雜的制造業(yè)場景。如果說美國的策略是把上限推得更高，中國的策略把應(yīng)用鋪得更廣。

在維護(hù)競賽中，誰能率先解決“部署差距”，誰能將技術(shù)優(yōu)勢轉(zhuǎn)化為巨大的經(jīng)濟(jì)價(jià)值。誰能建造出那一座橋梁，讓實(shí)驗(yàn)室的演示真正走進(jìn)千家萬戶和萬千工廠，誰就是下一個(gè)時(shí)代的勝利家。

這也解釋了為什么機(jī)器人部署差距，與中美AI 路徑分化高度相關(guān)。模型能力領(lǐng)先，并不自動(dòng)轉(zhuǎn)化為經(jīng)濟(jì)價(jià)值；而部署能力，往往決定最終的產(chǎn)業(yè)規(guī)模。

這不僅是對這一代機(jī)器人公司的考驗(yàn)，也是一場尚未開始的競賽。

PS：如果你對AI大模型領(lǐng)域有獨(dú)特的看法，歡迎掃碼加入我們的大模型交流群。