让机器人有事做，比做机器人更难

当机器人从实验室走向工厂、餐厅、家庭和火场，硬件参数不再是唯一标尺。会走路、会抓取只是入场券；能不能在变化的环境中稳定完成任务，才是“有事做”的门槛。莫拉维克悖论揭示了这种倒置：人类不假思索的日常动作，恰是机器最难跨越的高墙。

莫拉维克悖论把机器人拦在系鞋带之前

机器人学家汉斯·莫拉维克在20世纪80年代末的研究中发现了一个颠倒的难易顺序：对人类来说困难的数学、逻辑和科学推理，机器做起来很轻松；对人类来说简单的接球、系鞋带、读懂情绪和自由走动，机器却觉得困难重重。这就是莫拉维克悖论。

投入智慧型机器人研究逾20年的李祖圣特聘教授指出，这个悖论真正指向的痛点是“如何让机器人跨入实体物理世界”。机器人要接住球，手臂必须在精确的时间出现在正确的空间位置。人类通过缓慢摸索把动作逐渐沉淀为直觉反射，机器人却要面对虚拟模拟与实体世界之间的巨大落差。

• 解微积分、下国际象棋，计算机可以做到世界冠军水平；
• 接住一个球、在房间里走动而不撞到东西，五岁小孩轻松完成，机器人却要反复试错；
• 系鞋带、叠衣服、读懂人类情绪、进行对话，这些人类习以为常的能力，仍是机器人工程的高墙。

进化解释了这种反差。人类之所以在物理交互方面如此出色，是因为不擅长在丛林里发现老虎的祖先早已被淘汰。我们对物理世界的理解深到不需要思考，以至于误以为这件事很“简单”。让机器人“有事做”，首先就要面对这些被低估的简单任务。

机器人奥运会：开门、洗煎锅比解微积分更难

Physical Intelligence团队曾用一个“机器人奥运会”的设想检验通用性：不比赛跑步和跳跃，而是做那些人类觉得毫不费力、机器人却做不到的日常任务——开门、洗有油的煎锅、用塑料袋捡狗屎。团队没有为这些任务做专门开发，只是把任务导入已有的通用系统，结果几乎全部通过。

失败的两个任务很能说明问题：把衬衫翻面失败，因为机械爪伸不进袖子，属于硬件限制；徒手剥橙子失败，因为手指力量不够，最后不得不用小刀，从技术上说算违规。任务本身并不“高科技”，却同时考验硬件形态、力量控制、感知和通用策略。

Physical Intelligence的第一个通用策略模型叫π0，随后迭代到π0.5，代码和权重已经开源，任何人都可以下载并在自己的机器人上微调。Levine多次用个人电脑作类比：PC改变世界，不是因为设计出了“最佳”硬件，而是让无数人以较低门槛尝试各种想法。机器人领域同样需要一个可加载到不同形态上的基础模型，降低从头搭建智能栈的门槛。

这意味着“让机器人有事做”不是为每个任务写一套专门程序，而是让通用物理智能迁移到开门、洗锅、整理衣物等不同场景。未来机器人未必是“金属做的人”，也可以是挂在天花板上的五条手臂、无人机组成的建筑蜂群，或嵌入冰箱的智能系统。形态千变万化，底层物理智能是否通用，才是关键。

虚拟世界里摔一万次，实体世界仍可能偏差几厘米

为了让机器人动起来，工程界已经跳出纯人工推算的框架。2022年以前，双足迈步主要依赖人工设定的步态规划，工程师要精确计算每一毫秒维持身体不倾倒的零力矩点，并在脚底安装压力传感器监控是否踏实地。如今，趋势转向增强式学习搭配物理模拟软件，让算法在虚拟世界里引导机器人经历成千上万次摔跤和试错，自主摸索动态平衡。面对碎石、钉子、砖头或软垫等复杂地形，机器人已能即时调整姿态。

但物理极限依然存在。受关节活动角度和重心稳定限制，人类自然行走时的跨障抬腿高度通常很难超过腿长的一半，机器人同样受机构设计约束。更棘手的是“模拟正确、实体偏差”：负责模拟物理特性的软件为了运算效率，常把整具肢体的复杂受力简化为只有单一集中重心的“质点”来运算，虚拟世界里的正确，到了实体世界可能偏差几厘米。

感知死角也在拖后腿。多数机器人镜头装在头部，放下物品的瞬间形同全盲，随手乱丢正是因为看不见下方；在手腕加装镜头确认，只要多看一眼，控制命令就会变慢。商用机器手同样构成壁垒：耗资数十万元采购的机器手，多半不开放核心控制参数与原始码，只能执行单纯的点对点抓取，遇到