尽管人形机器人在舞蹈和服务等展示中表现惊艳，但它们短期内难以取代人类员工。核心障碍在于，机器人仍不擅长灵巧地操纵各类物体，缺乏将技能泛化到新任务和新环境的能力，并且存在严重的安全与可靠性问题，如过热和意外摔倒。从实验室演示到大规模、经济可行的商业部署，还有一条漫长而复杂的道路要走，这与自动驾驶技术的发展历程颇为相似。
演示与现实的差距
近年来，从特斯拉擎天柱机器人服务饮品到中国优必选机器人在春晚的同步舞蹈，人形机器人的进步速度令人印象深刻。这些表演让许多人对机器人取代人类工作感到焦虑。
然而，机器人专家的观点更为冷静。许多看似惊人的演示，其背后另有隐情。
- 远程操控 (Teleoperation): 一些最引人注目的演示，如特斯拉机器人当酒保，实际上是由人类在远程控制。机器人的硬件足以完成动作，但其自主软件还不行。
- 非实用性任务: 另一些演示，如机器人跳舞或后空翻，虽然技术上令人赞叹，但这些能力与实际工作（如包装箱子、钉钉子）所需的物体操纵技能关系不大。
正如物理智能公司联合创始人 Karol Hausman 所说，人们“不擅长判断机器人技术的进展，也不擅长判断什么是真正令人印象深刻的”。机器人能完成后空翻，但“拿起一个可乐罐这样简单的事情，结果却非常非常困难。”
核心挑战：物体操纵
机器人技术中最核心、最未被解决的问题是物体操纵。与在地板上跳舞不同，大多数有用的工作都需要与外部世界中的物体进行互动，而这些物体会以难以预测的方式做出反应。
- 任务的复杂性: 2025年，机器人专家 Benjie Holson 提出了“人形机器人奥运会”，列出了15项对于八岁儿童来说轻而易举，但对机器人极具挑战性的任务，例如开门、制作花生酱三明治、剥橙子等。
- 性能的局限: 尽管 Physical Intelligence 公司在短短三个多月内就完成了其中10项任务，但其表现也揭示了当前的局限性：
- 训练成本高: 每项任务都通过数小时的人工“操偶”演示进行模型微调。
- 效率低下: 完成任务的时间是人类的 4到10倍。
- 成功率不高: 总体成功率仅为 52%。
- 长时程任务的难题: 目前的机器人模型难以完成需要数小时的复杂项目，如“组装一个橱柜”。它们的记忆能力有限（通常只能记住几分钟前的操作），并且可靠性不足以连续完成数百个子任务。
难题之二：泛化能力
即便机器人能被训练来完成某项特定任务，一个关键瓶颈在于它们能否将学到的技能泛化到新的环境或稍有变化的物体上，而无需大量的重新训练。
假设你训练机器人将午餐盒放入一个拉链背包。如果换成一个带搭扣的背包，目前的机器人很可能就无法完成任务。
目前的机器人部署大多选择那些变数足够小、传统自动化无法处理，但又不足以难倒现代人工智能方法的特定场景。
- 例如，在一家药品仓库里，机器人需要从货架上取下不同的盒子。但每当仓库增加一种新商品时，就必须对机器人进行额外训练才能识别和抓取。
- 机器人技术专家对 Generalist 公司的一项演示印象深刻，不是因为任务本身有多难，而是因为机器人无需在现场重新训练，就能在新环境（展厅）中完成任务。这恰恰说明了过去模型的泛化能力有多么脆弱，甚至光线变化都可能导致失败。
安全性：会走路的机器人很危险
除了操纵物体的挑战，人形机器人的腿也带来了自身的工程难题，其中最大的一个是安全问题。
大多数当前的双足机器人需要持续耗费能量来维持平衡。一旦断电，重达数十甚至上百公斤的机器人就会倒下，可能对周围的人造成伤害。
- 过热问题: 这是普遍存在的挑战。例如，Unitree 公司的 G1 机器人在高强度工作5到10分钟后，电机就会过热，需要冷却半小时以上才能再次工作。
- 意外故障: 电池突然耗尽或微小的设计缺陷都可能导致机器人摔倒。Agility Robotics 公司曾发现，部分机器人使用一段时间后，下蹲时一条腿会因电路板弯曲而失灵，导致摔倒。
- 当前的解决方案:
- 将机器人部署在安全围栏内，与人类工人隔离。
- 设计更轻、更柔顺的机器人，以减小摔倒时的冲击力。
- 使用轮式底盘代替腿，但这牺牲了在楼梯或不平坦地形上的行动能力。
通往大规模部署的漫漫长路
从一个成功的实验室演示，到一个可以广泛部署的可靠产品，中间的道路极其艰难。
传奇机器人学家 Rodney Brooks 在2024年写道：“我很少见到一项新技术能在实验室演示后不到十年内就成功部署到机器人上。”
当前的机器人学习领域，与2015年的自动驾驶行业非常相似。当时，人们普遍认为全自动驾驶将在几年内实现，但十年后，真正的无人驾驶汽车仍仅限于少数城市和特定区域。
- 现实世界的复杂性: 真实世界充满了无数的边缘案例 (edge cases)，这些是自动系统难以理解和处理的。
- 部署成本高昂: 机器人的标价通常远低于其总部署成本的一半。尽管人工智能有助于降低部署成本，但调试神经网络的故障本身也带来了新的挑战。
总而言之，尽管近年来人形机器人在硬件和算法上取得了巨大突破，但要实现它们的广泛应用，我们仍有很长的路要走。