机器人为何与常识作斗争?

一个能解决金牌数学问题的机器人,却不能可靠地从桌子上拿起一个不熟悉的物体。没有一个资助机器人技术的人愿意用这句话作为开场白。但这却是整个领域中最重要的事实--因为它解释了为什么在演示中令人眼花缭乱的机器人,在部署中却总是令人失望,而那些需要了解这一差距才能做出决定的人,往往是最后一个被明确告知这一差距的人。

Eugene
4分钟阅读Posted: 2026年5月18日
机器人为何与常识作斗争?

机器人越是变得聪明,这种差距就越令人费解。如今,机器人能够解出一道国际数学奥林匹克金牌题,却无法可靠地从床上捡起一件皱巴巴的衬衫;它能规划一条横跨大陆的物流路线,却无法从塞得满满当当的书架上稳稳地取下一本书,而不把旁边的书撞倒。 这些并非等待修复的疏漏。它们是某种特定问题的标志——仅凭更强的处理能力和更大的训练数据集,是无法解决这一问题的。一个能解出数学奥林匹克金牌题却无法稳稳地从床上捡起一件皱巴巴的衬衫的机器人,并不是一个有故障的机器人——它是一个建立在某种智能基础上的机器人,而这种智能在进化过程中从未与物理世界建立联系。

到2026年,全球将有466万台工业机器人投入运行,类人型机器人的产量也将达到数万台。然而,常识鸿沟——即AI机器人系统在无结构、不可预测的日常环境中表现出的特定缺陷——依然是区分“真正可靠”的机器人与“仅能展示惊人能力”的机器人的关键未解难题。 那些决策最依赖于清晰理解这一鸿沟的人——采购官、运营经理、投资者、政策制定者——往往是最晚被明确告知这一问题的。

什么是人工智能机器人领域的“常识鸿沟”?

人工智能机器人领域的“常识鸿沟”,是指机器人系统在执行需要对非结构化环境进行情境判断的物理任务时所表现出的系统性失效——这些任务对任何健康的成年人而言都是自动且无意识的,但要求机器人对训练数据未曾预见的状况进行明确推理。这种鸿沟之所以存在,是因为物理世界并非数据集:它包含本质上无限多样的物体状态、光照条件、表面纹理、空间布局以及人类行为,而没有任何

培训计划无法完全涵盖,而人类的常识并非通过推理,而是通过一生中积累的具身经验来运作的。 对于任何评估机器人是否适合在现实世界中部署的人——无论是家庭、医院、零售环境,还是任何物理条件无法精确控制的场景——常识缺口正是导致机器人在演示中表现完美,但在实际应用中却屡屡失败的具体技术原因,而理解这一点将改变你在签署采购订单前需要提出的问题。

莫拉维克在1988年观察到的现象,以及至今发生与未发生的变化

汉斯·莫拉维克在1988年的《心智之子》中写道:“让计算机在智力测试或下跳棋时展现出成人水平的表现相对容易,但在感知和移动能力方面,要赋予它们一岁幼儿的技能却困难重重,甚至根本无法实现。”此后每一代人工智能的进步都再次印证了这一观察。2016年,AlphaGo在围棋比赛中击败了世界冠军,却依然无法自主移动棋子。 正如《物理智能》机器人博客在2025年12月所指出的,如今的大型语言模型虽能解决金牌级别的数学难题,却无法用铅笔可靠地写下答案。这一悖论之所以存在,源于一种仅靠规模扩展无法解决的不对称性:人类在认知上感到困难的任务——国际象棋、数学、形式推理——是进化过程中近期才获得的能力,且人类在此类任务中的表现存在高度变异性,这意味着它们适合基于结构化数据进行模式识别。 而人类觉得轻而易举的任务——行走、抓取陌生物体、解读物理情境——则是约十亿年进化精炼的产物,其编码并非基于符号推理,而是基于具身的感觉运动系统,其复杂程度远超当代AI系统训练管道中的任何内容。

自莫拉维克(Moravec)以来发生的变化在于进化的速率

通过结合更先进的传感器、来自实体机器人部署的大规模训练数据集,以及视觉-语言-动作模型的出现——这些模型能在机器人采取行动前为其提供更丰富的环境背景信息——目前正在解决哪些具体且范围有限的常识子问题。Physical Intelligence 的 π0 系列及其类似架构,在五年前还难以解决的操作任务上取得了真正的进展。 但在特定有限任务(即抓取已知配置下的已知物体)上的进展,并不等同于在一般情境判断问题上的进展。“能在仓库中可靠地抓取一个箱子”与“能处理家庭厨房中遇到的任何物品”之间的差距,并非程度上的差异,而是所解决问题类型上的质的区别。

机器人真正失败之处——以及为何这种模式并非随机

一旦掌握了观察要点,这些失败模式便显得具体且富有启示。

当人类从塞满书籍的书架上取书时,通常会先将书向侧面轻推以腾出空间,再将其滑至边缘后才提起。这两个动作都不是有意识地计划的。它们源于本网站所称的“情境抓取”——即一种基于身体的、潜意识的能力,能够解读物理情境,并根据积累的物理经验实时调整抓取方式、力度和时机。 而采用标准操作策略的机器人在接近同一本书时,会直接伸手去拿,未能考虑到相邻的书籍,结果要么卡住,要么将它们撞倒。这种失败并非推理错误,而是缺乏一种物理知识——这种知识在训练数据集中从未存在过,因为它从未明确到足以被记录下来。

根据国际机器人联合会《2025年世界机器人报告》的数据,2024年全球新增的54.2万台工业机器人中,74%部署在亚洲。这些部署之所以能大规模成功,恰恰是因为它们

在结构化的工厂环境中运作,其物理条件经过专门设计,以适应机器人的工作需求:物体位置固定、光线可预测、零件几何形状明确、表面状况可控。2025年9月《环球时报》援引的中国服务机器人行业分析师直言不讳地指出:“高精度传感器和力控技术仍是瓶颈,机器人难以从结构化的工厂环境适应到非结构化的家庭环境。” 作为全球机器人应用最密集的制造业经济体,欧洲尚未解决这一问题,因为工厂的设计是围绕机器人的局限性展开的,而非反其道而行之。

欧洲的做法则以另一种方式揭示了这一限制。德国的工业机器人部署——欧洲规模最大——主要集中在汽车制造领域,在那里,零部件会以已知的位置放置在已知的工装上,机器人的任务是根据可预测的输入,以高精度执行固定的动作。 贝恩公司《2025年技术报告》指出,全球大多数类人机器人应用“仍处于早期阶段,高度依赖人类监督”。这种监督并非临时性的质量控制措施,而是为了让人类在场处理那些机器人尚无法可靠执行的情境判断。

美国正在最清晰地记录技术前沿的实际所在。 Physical Intelligence公司于2025年12月提出了所谓的“机器人奥运会”——一系列精准揭示常识差距的挑战任务:在面包上涂抹花生酱、清洗油腻的平底锅、将钥匙插入锁孔、将袜子翻面。这些并非被视为成就,而是被呈现为当前系统无法可靠跨越的界限——对于一家本可通过更乐观的表述获利的公司而言,这实属难得的坦诚时刻。

在演示中令我们印象最深刻的机器人,几乎总是

在经过特殊设计的环境中运行,这种环境会刻意掩盖一旦你做出微小改动就会立即出现的具体故障。

演示到部署的鸿沟并非营销问题——而是这个根本问题

常识鸿沟与现实世界中机器人部署所遭遇的持续性失望之间并非偶然关联,这正是其运作机制。

演示是一个受控环境。物体是已知的,位置是固定的,光线经过优化,任务序列经过反复演练,以至于系统的故障模式已被识别并加以规避。机器人表现得令人印象深刻,因为演示的设计旨在让其始终处于能力范围内。而部署环境则不受控。物体每天都在变化。地面状况也在变化。 包裹以意料之外的姿态送达。传感器误判了反光表面。有人在机器人行进路线上放置了训练数据中未曾出现过的物品。

试想一下,当你给某人指路去一个他从未去过的地方时会发生什么。如果你告诉他“在药店左转,然后在学校右转”,这些指示本来是有效的——直到药店因装修而关闭,脚手架改变了视觉参照点。 一个熟悉该社区环境的人会读懂情况并做出调整。而缺乏这种环境认知的导航系统在遇到脚手架时就会失效,且无法在无人干预的情况下恢复。机器人系统在部署中失败的原因也一样:它们的任务知识虽然精确,却十分脆弱,而物理世界几乎有无限的能力去呈现那些超出精确边界的情况。演示环境将这种情况发生的可能性降到了最低,而实际部署则会暴露出所有这些情况。

其实际意义非常明确:任何在受控环境之外部署机器人的组织

在结构化的环境中,应将演示表现视为系统在理想条件下所能达到的上限——而非其在普通周二早晨实际表现的写照。

常识鸿沟是否正在缩小——如果确实如此,究竟是什么在推动这一变化?

在这场辩论中,两种立场均由严肃的研究者基于严谨的证据提出,二者都不应被轻率否定。

乐观派立场由Physical Intelligence、波士顿动力(Boston Dynamics)的研究人员,以及构建世界模型和视觉-语言-动作系统的团队所代表。他们认为,常识差距正在以比大多数观察者承认的更快速度缩小——并非通过符号人工智能或显式编程,而是通过现实世界部署数据的积累。当机器人在真实环境中大规模运行时,它们会产生历史上无法系统收集的那种物理体验数据。 AGIBOT部署的10,000台类人机器人,除其他功能外,本身就是一套数据采集基础设施。Physical Intelligence的π0架构及类似系统,正开始展现出跨物体类型和任务条件的泛化能力,而这些在两年前还难以解决。其论点是:这一差距虽真实存在,但并非根本性障碍——充足的物理训练数据,结合更先进的传感器和力反馈系统,将逐步扩展可靠能力所及的范围。

持结构性怀疑论的观点认为,常识问题并非数据问题,而是架构问题。人类认为轻而易举的技能并未以可纳入训练数据集的显式知识形式存储;它们体现在物理系统之中,而当前的机器人硬件尚无法接近这种复杂性。 无论机器人双手多么精密,它们都缺乏人类指尖那17,000个机械感受器,这些感受器能持续提供关于表面纹理、打滑风险以及

力分布。如果没有这种物理感知基础设施,无论有多少训练数据,都无法实现那种能够可靠地操作陌生物体的“情境化抓握”。贝恩公司(Bain & Company)在其《2025年技术报告》中指出,尽管人工智能推理方面取得了进展,但“灵巧性和精细动作控制仍处于相对初级阶段,在触觉灵敏度和精确度方面存在明显差距”。

一个不争的事实是,这两种观点在不同的时间尺度和环境中都是正确的。对于受控环境中结构化、范围有限的工业任务,技术差距正在缩小,并且随着部署数据的积累,这一差距将继续缩小。但对于通用型、非结构化的日常环境——无论是家庭、街道,还是存在意外障碍的医院病房——技术差距主要并非数据问题,也不会主要通过增加数据来解决。 这需要触觉感知、力控制和本体感觉方面的硬件突破,而这些技术的研发周期比当前机器人领域主流的软件进步更长、更难预测。诚实的答案是——常识性问题的不同部分所处的研发时间线大相径庭,而弄清你的部署依赖于哪一部分,才是你最该问的问题——但大多数报道却回避了这一点。

根据信息技术与创新基金会2025年7月的报告,韩国计划在2028年前向服务型和工业机器人领域投资22亿美元,目标是在2030年前部署100万台机器人。 这些机器人能否部署在韩国老龄化人口真正需要的环境中——家庭、护理机构、非结构化的社区环境——取决于硬件的进步,而仅靠投资无法将这种进步加速到超越材料科学和制造能力的发展速度。资金填补软件缺口的速度比填补硬件缺口更快。常识

这种差距部分源于硬件方面的差距。

这引出了更深层次的问题:人工智能机器人系统究竟如何运作,以及能力发展的真正障碍究竟位于技术栈的哪个环节。

这一发展进一步印证了:

“满架问题”并非比喻。这是一个具体且有据可查的故障模式,研究人员借此解释为何一台能解决大学数学考试的机器人,却无法完成任何十岁儿童都能不假思索完成的任务。那个十岁儿童拥有若干

它们的手和手腕凝聚了数亿年的进化工程,蕴含着任何训练都无法替代的物理知识——因为这种知识从一开始就不是符号化的。理解这一点并不意味着机器人没有用处,也不意味着它们不够令人印象深刻,更不意味着在它们能够可靠工作的环境中,它们无法带来真正的变革。这意味着演示视频几乎总是拍摄于空无一物的场景中——而一旦你把架子放回房间,你就会发现机器人真正掌握了什么。

1. 为何机器人如此智能,却难以完成简单任务?机器人之所以难以完成简单的物理任务,是因为人类眼中的“简单”任务在计算上并不简单——它们依赖于具身感觉运动系统中编码的数十亿年进化优化,而非训练数据所能捕捉到的显式推理。 这被称为莫拉维克悖论(Moravec's Paradox),由机器人学研究者汉斯·莫拉维克(Hans Moravec)在其1988年的著作《心智之子》(Mind Children)中提出:对人类而言简单的任务,对机器而言在计算上却很困难,反之亦然。根据《物理智能》(Physical Intelligence)2025年12月的分析,大型语言模型如今虽能解决金牌级数学难题,却无法可靠地完成涂抹花生酱或将袜子翻面等物理任务。

2. 机器人学中的莫拉维克悖论是什么?莫拉维克悖论指出:高级推理(如国际象棋、数学、形式逻辑)对机器而言计算上较为简单,而低级感觉运动技能(如行走、抓握、解读物理情境)在计算上却十分困难。 汉斯·莫拉维克于1988年提出,这种不对称性存在的原因在于:感觉运动技能是约十亿年进化发展的产物,其编码存在于神经和物理系统中,而这些系统的复杂性无法通过任何训练数据集来捕捉。这一悖论在2026年依然具有现实意义:全球范围内大规模部署的工业机器人处理的是结构化

在制造任务中表现可靠,但在非结构化的家庭和服务环境中却屡屡失利。

3. 为何机器人在工厂表现优异,在家庭环境中却屡屡受挫?工厂机器人的成功源于工厂环境是围绕其局限性设计的——物体以已知位置送达,光线稳定,表面状况可预测,且机器人的任务范围明确界定。 家庭环境则缺乏结构化:物体状态多变、表面不规则、光线变化,且所遇到的物理情境种类本质上是无限的。2025年9月《环球时报》援引的中国服务机器人行业专家指出,尽管工厂部署方面进展迅速,但机器人“难以从结构化的工厂环境适应到非结构化的家庭环境”。这一差距并非软件层面的局限,无法迅速弥合——它在一定程度上源于触觉感知和力控制方面的硬件限制。

4. 机器人领域的“常识鸿沟”是什么?常识鸿沟是指机器人系统无法像人类在日常情境中自动运用那样,对物理情境进行情境化判断。这包括本网站所称的“情境抓取能力”——即无需明确规划,就能实时解读物理情境并调整抓取方式、施力、接近角度和时机的一种潜意识能力。 机器人之所以缺乏这种能力,是因为它需要数十亿年进化生物学所塑造的具身物理经验,而非基于训练数据集的统计学习。人类大多数“简单”的物理任务都依赖于此,这正是它们位于常识鸿沟彼岸的原因。

5. 机器人的常识问题是否正在得到解决?部分解决了,且仅限于特定的受限环境中。世界模型、视觉-语言-动作系统以及大规模部署数据收集,正在为结构化操作任务(即在已知环境中抓取已知物体)弥合这一鸿沟——

配置,在可预测的环境中进行导航。 而在非结构化的日常环境——如家庭、杂乱的工作空间、护理场所——中的差距却未能以同等速度缩小,因为这不仅取决于人工智能推理方面的软件进步,更依赖于触觉感知和力控方面的硬件突破。贝恩公司(Bain & Company)的《2025年技术报告》指出,即使在领先的人形机器人平台上,“灵巧性和精细动作控制仍处于相对早期阶段,在触觉灵敏度和精度方面存在明显差距”。

6. 为何机器人演示效果比实际部署更好?机器人演示是在受控环境中进行的,这些环境专门设计为保持在机器人的能力边界内——已知物体、固定位置、优化照明、排练过的任务序列。 而实际部署则会遇到超出该能力边界的情况:陌生的物体朝向、多变的表面、意料之外的障碍物、变化的布局。这种差距并非某种阴谋论意义上的欺骗——鉴于这些系统的验证方式,这种差距在结构上不可避免。其实际意义在于:演示表现代表了系统在理想条件下所能达到的上限,而任何针对机器人实际应用的评估都应在真实的部署环境中进行,而非精心设计的演示场景中。