在一项名为“Project Fetch”的实验中，Anthropic 测试了其 AI 模型 Claude 操作实体机器人的能力。结果显示，最新的 Claude Opus 4.7 无需人类协助，就能以比人类团队快十几到几十倍的速度完成多项任务，展现了高效的自主性。然而，在需要精确控制的“捡球”环节，它仍然表现吃力。这一进展表明，AI 正从辅助人类、与人类协作，逐步走向能够独立使用物理工具，预示着物理世界中的“代理式 AI” 正在萌芽。
实验回顾：新旧对比
最初的 Project Fetch 实验旨在观察 Claude 模型能多大程度上帮助非机器人专家来操作一个四足机器人。结果发现，得到 Claude 辅助的团队表现远超仅靠自己摸索的团队。
但当时，模型本身无法独立完成任务。一年后，情况发生了巨大变化。
- 旧模型 (Claude Opus 4.1): 无法独立完成任务，甚至在最开始的“连接机器人”步骤上就卡住了。
- 新模型 (Claude Opus 4.7): 无需人类协助，在不到一年前人类参与者完成的所有任务上，速度快了约 20 倍。
我们再次看到了一个模式：首先，模型对人类有帮助。然后，人类对模型有帮助。最后，模型在很大程度上能够自己完成任务。
克劳德的强项：速度与效率
新模型在之前人类团队完成的任务上表现出了压倒性的速度优势。
- 在人类团队去年完成的每一项任务上，Claude Opus 4.7 的完成速度至少快了 10 倍。
- 与两个人类团队相比，新模型的平均速度优势更加明显：
- 比无克劳德团队快 37 倍以上。
- 比有克劳德团队快 18 倍以上。
除了速度，效率也极高。新模型能迅速找到最佳解决方案，编写的代码量比人类团队少了近 10 倍，且代码首次尝试的成功率很高。即使偶尔选择了过时的算法，它也能自行找到变通方法，最终解决问题。
克劳德的弱点：精确的闭环控制
尽管进步显著，但 AI 尚未完全解决机器人技术。实验中最关键的“取回”部分——精确地移动一个沙滩球——仍然是其短板。
人类在经过练习后，可以熟练地操控机器人轻推沙滩球。这个过程需要：
- 快速感知球的路线是否偏离。
- 理解错误与上一个指令的关系。
- 调整后续指令以精确移动球。
这是一种人类擅长的闭环控制能力。Claude 虽然能让机器人移动到球的后方并尝试推动，但整个过程控制不佳，最终未能成功。它无法像人类一样，通过感知、反馈和调整来巧妙地完成任务。
这意味着什么？
这个实验揭示了一个重要的转变。过去，我们讨论的是 AI 如何辅助人类使用工具；现在，我们看到 AI 已经越来越接近独立使用现成的物理工具。
这与 AI 在编程领域的演进非常相似：它们先是学会使用现有的软件工具，然后发展出更具代理性的编码能力。如今，同样的趋势正在物理世界显现，我们可能正进入物理世界代理式 AI 的早期时代。
虽然要实现更通用的、能自主设计和适应物理任务的 AI 模型还有很长的路要走，但模型能力的发展速度常常超出预期。不久前，AI 自己构建软件工具似乎还很遥远，但现在正在发生。因此，我们不应排除它们在硬件领域也遵循同样的发展轨迹。