在剛剛落幕的2026世界機器人大會上，宇樹科技創始人王興興給出了一個很有傳播力的判斷：如果有一天，把一臺機器人帶到完全陌生的環境，只需要用語言告訴它做什麼，它就能在大約80%的陌生場景中完成80%的任務，那麼具身智能就迎來了自己的“ChatGPT時刻”。至於這個時刻何時到來，他的預測是，最快兩三年，慢則五年甚至十年。

這個論斷的價值，在於給長期缺乏統一尺度的機器人產業提供了一把直觀的尺規。它把人們的注意力從機器人會不會跑、能不能翻跟頭、舞臺表演是否驚豔，重新拉回到真正決定產業前景的問題：泛化能力。在固定產線上，機器人經過專項訓練，可以把任務做到接近100%的成功率。但走進一個陌生房間，僅憑一句話就能處理從未見過的物體，需要的是另一個層級的智能。

不過，如果真把機器人的“ChatGPT時刻”與2022年大語言模型的突破相提並論，我卻越來越覺得：機器人要通過的，是一場難度高得多的考試。差別首先來自它們面對的兩個世界。大語言模型處理的是高度數位化的資訊世界。書籍、郵件、網頁、代碼，都可以轉換成Token（詞元），模型的輸出同樣以Token序列呈現。在一般的資訊交互中，一次錯誤通常還有補救空間，可以追問、糾正，也可以重新生成。

機器人面對的是真實的物理世界。這個世界連續、動態、部分可觀察，而且充滿偶然性。塑膠袋產生形變，櫃門只打開一半，光線忽然變暗，寵物從腳邊經過，這些在人類看來微不足道的變化，都可能讓訓練有素的動作瞬間失效。所謂“泛化能力”的瓶頸，就藏在這裏：機器人一旦離開熟悉的場景，面對新的物體、新的空間關係和新的干擾，原先學會的能力很難穩定遷移。

這正是機器人與大語言模型之間最深的一道鴻溝：語言世界容得下誤差，物理世界會把誤差變成後果。語言模型說錯一句話，我們可以糾正並重新生成。機器人若把玻璃杯的位置判斷錯三釐米，杯子可能已經碎在地上，而碎裂的玻璃又改變了接下來的環境。具身智能因此處在一個更加嚴酷的閉環：觀察世界—理解世界—決定行動—控制身體—改變世界—重新觀察。任何一環出現偏差，都可能沿著鏈條傳導下去，且無法像對話那樣“清空重來”。

更棘手的是，現實中的任務往往是一條很長的動作鏈。我們對一個人說“把廚房收拾一下”，只有七個字，背後可能包含幾十甚至上百個判斷與操作。什麼該留，什麼該扔，餐具放在哪里，垃圾如何處理，物品怎樣歸位。機器人不僅要理解“收拾”這樣含義模糊的指令，還要在執行過程中不斷感知環境變化，隨時調整後續行動。動作鏈越長，中間一次判斷或操作的偏差，越可能影響整個任務。

今年發佈的LongAct（用於評估長時序家務任務規劃能力的測試集），恰好說明了這一點。研究人員甚至刻意拿掉了機器人最困難的低層運動控制，只考察其對長時序任務的理解與規劃能力。即便如此，當前頂尖模型的目標完成率僅為59%，完整任務成功率更只有16%。換句話說，暫且送給機器人一雙“完美的手和腿”，它的大腦面對複雜家務時，仍經常走不到終點。

Google DeepMind今年發佈的Gemini Robotics 2，則從實際操作一端印證了同樣的問題。這款模型已經能夠驅動人形機器人實現行走、彎腰、伸手與操作物體，完成持續數分鐘、包含多個步驟的複雜任務，進展相當明顯。但DeepMind公佈的數據同樣耐人尋味：雙指夾爪完成常規抓取放置、工具裝配和精密插接任務的成功率分別約為74%、79%和90%。換成五指靈巧手之後，不同任務之間的落差卻非常大：擰下燈泡的成功率達到92%，擰回去卻只有36%；紮緊垃圾袋為44%，使用簸箕32%，封合密封袋40%。

這組數字很有啟發。真正決定機器人能否進入家庭和工廠的，往往是那些人類毫不起眼的小動作：紮好一個垃圾袋，拿起一件皺巴巴的衣服，撿起掉在桌角的一顆藥片，把不同形狀的碗逐一放進洗碗機。對人來說近乎本能的動作，背後其實需要視覺、空間感知、力覺、常識判斷、任務規劃與即時控制的高度協同，而這正是當前機器人能力最薄弱的地方。

這也讓我對王興興提出的“80%”多了一層疑問。80%的任務完成率，究竟是一個技術上的突破點，還是一個真正可以放心使用的門檻？聊天機器人若能答對80%的問題，已經相當有價值。家庭機器人如果平均每做五件事就有一件失敗，我們很難放心讓它獨自照看老人與孩子。

由此，機器人產業真正要跨越的，可能是兩道不同的門檻。

第一道是能力臨界點。機器人進入相對陌生的環境後，能夠聽懂自然語言指令，自主拆解任務、規劃步驟，完成相當比例的工作。王興興提出的“80%”，大體指向的就是這一層級。一旦跨過這道門檻，人形機器人就有機會從演示階段，進一步走向工廠、倉庫、商場等半結構化場景中的常態化應用。

第二道是更加苛刻的信任臨界點。真正決定人們是否願意把現實空間交給機器人的，還在於它的行為能否被預期。它可以偶爾犯錯，但不能在犯錯時失控；可以遇到不會做的事，但要知道自己的邊界，並以安全的方式退出。只有當機器人的失效方式也變得可控和可解釋，家庭、醫院、養老院這類高風險場景才可能真正向它開放。

從80%走向99%，往往比從0走向80%更加困難。自動駕駛過去十餘年的歷程，已經反復證明了這一點。讓車輛在絕大多數道路上自動行駛，技術上並非遙不可及。真正耗費時間的，是那些罕見、複雜、不可預測的長尾場景。機器人面對的長尾更加龐雜。世界上的廚房沒有統一尺寸，杯子沒有統一形狀，每個家庭都有自己的物品擺放邏輯，甚至每個人對“把房間整理一下”的理解都不盡相同。

不過，長尾問題難解，並不意味著機器人的進步只能緩慢爬坡。未來幾年真正值得關注的，是具身智能能否形成類似大模型的數據飛輪。視覺—語言—動作模型（VLA）、世界模型、仿真訓練、真人視頻以及機器人在真實環境中產生的數據，正在被逐步連接起來。機器人每獲得一次真實世界經驗，都可能成為下一代機器人共用的訓練素材。一旦這種迴圈建立起來，機器人能力的提升就可能從單點突破進入持續加速的階段。

但它未必會複製ChatGPT那種“一夜之間改變世界”的路徑。ChatGPT上線後，可以借助現成的電腦、手機和雲端基礎設施迅速觸達海量用戶。機器人則必須經過製造、部署、維護和安全認證，還受到成本、續航、關節壽命和供應鏈約束。一個新的大語言模型可以在幾個月內服務數億人。一個新的機器人模型即使能力突然翻倍，也需要一臺臺機器進入工廠、商場和家庭，才能真正轉化為現實生產力。也正因為如此，再看人形機器人，我已經不太關心它還能不能跑得更快、跳得更高，也不太容易被一段驚豔的演示視頻說服。這個行業最容易發生的誤判，就是把出貨量的增長當成智能水準的增長，把一次成功表演當成長期穩定的自主作業能力。

我更願意盯住三個數字：進入從未見過的環境，任務成功率是多少；面對長時序任務，從頭到尾完整完成的比例是多少；持續運行多長時間，才需要一次人工干預。哪一天，機器人公司開始持續公佈這些數據，而且逐年穩定改善，那才是真正值得關注的信號。

真正成熟的技術，最終都會從奇觀中退回日常。未來機器人的“ChatGPT時刻”，或許不會誕生於一場萬眾矚目的發佈會，也不會由一次後空翻、一場拳擊或者一段刷屏視頻來宣告。它可能發生在一個極其普通的下午：我們隨手指著廚房說一句“幫我收拾一下”，然後轉身離開，再也沒有回頭看它。

（作者胡逸為數據工作者，著有《未來可期：與人工智慧同行》一書）

來源：中國澎湃新聞