拆解人形机器人的 hype 与现实：从马斯克、黄仁勋的万亿产业预言，到AI教父泼的冷水，看懂当前机器人技术到底卡在哪
小伙伴们，你最近是不是总刷到人形机器人跳舞、递水、端茶倒水的视频，各路大佬也跟着疯狂站台：马斯克说特斯拉Optimus是史上最大产品，2027年底就要卖2万美元，能自动化几乎所有劳动；黄仁勋2026年1月放话今年人形机器人就能达到人类水平；摩根士丹利更预测2050年“长得像人、行为像人”的机器人会接近10亿台，撑起超5万亿美元的市场。
但MIT Technology Review与非营利研究基金会Aventine合作的最新深度报道里，包括AI教父Yann LeCun在内的一堆顶级机器人专家直接泼了盆冷水：现在所有做通用人形机器人的公司，根本不知道怎么把机器人做得足够有用，更别说在短期内改变你的生活了。
先说说这些大佬为什么这么乐观。核心逻辑是：驱动ChatGPT、Claude这类大语言模型的AI突破，同样能赋能机器人，让机器像模仿人类语言一样模仿人类动作。马斯克甚至说Optimus最终会有“人类乃至超人类的灵巧度”，从搬运金属板到叠衣服都能干。硅谷风投教父Marc Andreessen也放话，机器人可能成为“行星历史上最大的产业”。
但LeCun2026年1月在达沃斯论坛直接开炮：“所有做通用人形机器人的公司——绝对没有一个——知道怎么让这些机器人足够智能到真正有用。” 俄勒冈州立大学机器人学教授、Agility Robotics联合创始人Jonathan Hurst也纠正常见误区：“做长得像人的机器人非常容易，但做动态运动、物理行为都像人的机器，难度要高得多。” 现在大家很容易把“长得像人”和“能干的通用机器人”划等号，这本身就是个巨大的误导。
图片说明：特斯拉Optimus机器人在公开活动递送食物的演示画面
现在的AI机器人到底进展到哪了？要回答这个问题，得先看技术路径的迭代。
早年的机器人策略都是工程师硬编码的：几千行代码死板规定机器人在上百个任务里的每一毫米运动，灵活性极差。过去几年最大的变化，是这些策略开始交给先进AI系统来实现，而不是写死在软件里。
最早落地的是视觉语言模型（VLMs）：本质是大语言模型的升级版，额外在图像上训练，能识别场景里的物体并理解上下文。比如给VLM看一张咖啡洒了的照片，它能知道去找旁边的抹布清理，这种即时的场景理解能力，几年前硬编码的机器人根本做不到。
接下来是视觉-语言-动作模型（VLAs），在VLMs的基础上加了运动指令组件，让机器人不仅能看懂场景，还能采取行动。VLAs的训练数据通常来自遥操作：人类用远程控制器操控机器人完成动作，系统收集这些运动数据来训练模型。比如把VLA驱动的机器人放在桌前，让它“关上笔记本”“绕好耳机线”，只要它之前见过这类任务，就能自己识别物体、规划动作、执行操作。
谷歌DeepMind现在最先进的机器人AI系统Gemini Robotics就是VLA，他们用ALOHA 2——一套低成本开源双手遥操作硬件作为测试平台——来验证模型能力。这套设备外观就是一对机械臂加夹爪和摄像头，看起来简陋，却是实验室里的主力测试工具。在Gemini Robotics的控制下，ALOHA 2能完成相对复杂的任务：用两个夹爪小心翼翼地把白面包放进密封袋，封口，把一串葡萄放进特百惠容器盖好盖子，再把所有物品装进午餐盒拉上拉链。虽然打包的午餐不算丰盛，但这能力放在三年前都是不可想象的。
但瓶颈也非常明显：目前VLA驱动的机器人如果遇到训练集之外的任务，极大概率会失败。伦敦帝国理工学院机器人学教授Edward Johns直言：“如果看所有任务的集合，真正的通用策略得能完成所有任务，但现在的Gemini Robotics模型，只能做‘这里一点、那里一点’的少量任务。”
那怎么让机器人变得更通用？业界的第一个思路是堆更多训练数据。谷歌DeepMind的机器人前技术负责人Pannag Sanketi说，他们想凑“尽可能多的数据”，但问题是：大语言模型训练有现成的海量文本，机器人却没有对应的高质量物理演示数据集。现在收集数据的方式都有缺陷：雇大量人做遥操作收集数据，成本高、耗时长；用人类活动的视频训，数据质量差；把机器人放到真实世界收集数据，又不安全、不可靠。Sanketi认为多管齐下的方式是最可行的路径。
但Agility的Hurst直接说“堆数据是根本 flawed 的前提”：现实世界的任务复杂度爆炸式增长，哪怕只是“做咖啡”这个简单任务，变量就多到离谱：没有两个厨房是完全一样的，咖啡机的工作原理不同，杯子形状不同需要不同的握持方式，咖啡粉、热水、牛奶的处理方式都不同。靠VLA实现通用，需要“覆盖机器人所有可能做的所有任务的数据”，也就是几乎无限的训练数据集。LeCun也更直接：大语言模型成功的AI方法对机器人这种高维、连续、充满噪声的数据根本没用，“你必须用别的办法”。
现在业界看好的另一条路径是世界模型：一种不以文本为主，而是用视频、3D扫描、传感器数据训练的AI，目标是预测现实世界中行动的结果，让机器人建立对物理世界的精准内部表征，理解物体怎么运动、碰撞、坠落、变形。如果能用和真实物理一致的仿真环境训练机器人，研发速度会更快、成本更低、也更安全，不用总在真实世界测试。更关键的是，装备世界模型的机器人能推理环境，而不是只会被动反应，能提前预判行动的后果。
Nvidia、谷歌都在做相关技术，资本也在疯狂涌入：李飞飞联合创立的World Labs 2026年2月融了10亿美元，同年9月底被AMD以82亿美元收购；LeCun联合创立的AMI Labs 2026年3月也拿到了10亿美元融资。但就连李飞飞自己都承认，这个领域现在还处于“新兴”阶段，基础方法还在建立，2026年6月她还公开提到领域面临非常严峻的挑战。目前世界模型还只是个有潜力的研究方向，不是通向通用机器人的捷径，不过我们已经能看到它的一点点潜力。
旧金山的机器人初创公司Physical Intelligence（PI）2026年4月放出的π0.7版本，就是世界模型潜力的一次小展示。这家公司主打开发“通用大脑”，理论上能让任何机器人变成通用型。他们的π0系列迭代很快：2024年发布的首个通用机器人系统π0，是当时宣称“最有能力、最灵巧的通用机器人策略”的VLA，初始训练数据是1万小时遥操作收集的人类演示，加上多个开源机器人数据集；2025年春季的π0.5加入了网络标注图像，能力更多样；2025年秋季的π0.6加入了强化学习；2026年4月的π0.7首次加入了轻量级世界模型，机器人执行任务时，模型会生成下一步操作的快照给它。
图片说明：Physical Intelligence研发的机器人用刀AI架构
图片说明：员工遥操作机械臂演示切西葫芦供AI训练
图片说明：研究员向同事指出训练视频中的细节
图片说明：π0.7控制的机器人夹爪持厨房刀切西葫芦
PI宣称π0.7展现了“组合泛化”的初步迹象：AI系统可以通过重组训练数据里学过的技能，完成从未接触过的任务。测试里他们让模型“把红薯放进空气炸锅”，这个任务之前从来没训过。演示视频里机器人折腾了几下，犯了点小错，最后做出了还过得去的尝试，虽然没完全完成任务。
PI联合创始人、UC Berkeley教授Sergey Levine对此很兴奋：“这是我们第一次令人信服地看到这种组合泛化， basically 我们可以让模型做我们没专门收集数据、专门训练的任务，它真的能做出一个还过得去的尝试。” 不过后来团队挖了一下，发现训练数据里刚好有两段人类用机器人推空气炸锅篮子的遥操作数据，可能就是这点碎片化的数据，让π0.7差点完成了烤红薯的任务。目前它的泛化能力到底有多强，还是个未知数。
图片说明：不同机器人模型执行多样化任务的尝试情况
你可能会觉得，实验室里都已经能烤红薯了，离落地不是很快？但别忘了，现在很多你看到的炫酷机器人演示，都有一个没说破的秘密：很多时候是人在远程控制，或者提前把动作写好了脚本。比如2025年3月和黄仁勋同台、 seemingly 能回应他指令跟着他走的机器人，实际上就是 makers 说的“幕后傀儡师”在远程操控。
更大的问题是，机器人要在真实环境里全自主运行，还有两个没解决的难题：一是在新的、混乱的环境（比如建筑工地、陌生的家庭）里，自主规划运动路径、知道该去哪，还是 largely unsolved 的挑战，谷歌DeepMind让机器人进厨房打包蘑菇意面食材的尝试已经失败了；二是处理包含多个步骤的模糊任务，比如“做晚饭”这种，要开冰箱、切菜、开火，中间的决策、顺序调整，现在的机器人根本做不到。
而且实际使用对成功率的要求是近乎苛刻的：波士顿动力创始人Marc Raibert说，现在业界吹的VLA，成功率从50%升到70%就兴奋得不行，但70%的成功率等于根本不能用——“你用的时候肯定希望它每次都能成，而不是十次里七次成功。”
现在真正在真实场景测试的人形机器人，做的都是严格受控环境里的极有限任务，离通用差得远。Agility Robotics有几百台机器人在GXO物流、亚马逊、Schaeffler的设施里做试验，但现阶段只能做移动箱子这种简单任务，而且花了数年才把机器人做到足够安全，让物流公司愿意尝试。马斯克2025年5月还吹年底要有几千台Optimus在特斯拉工厂干活，2026年1月就改口说只有一些在做简单任务。现在能预购的家用机器人1X Neo卖2万美元，承诺帮你做叠碗、开门、整理客厅之类的家务，但现阶段大部分任务还得远程人类操作员控制，甚至得有人通过摄像头盯着你家里。Jonathan Hurst的判断是：“如果让我选个数，我觉得至少得10年，机器人才能真正在人家家里干有用的活。”
图片说明：1939年世博会的Elektro机器人，当时也会表演、会抽烟，和现在的人形机器人 hype 如出一辙
人形机器人的梦想其实早就有了：1495年达芬奇就画过由缆绳滑轮控制的机械骑士；1973年日本早稻田大学造了第一个全尺寸可编程人形机器人WABOT-1；2000年本田发布的ASIMO能爬台阶、识别人脸、自主移动，看起来已经非常厉害，但2018年还是停产了，因为它没法突破演示的实用性，落到真实使用场景里根本不够用。今天的机器人就算搭上了先进AI的快车，面临的还是和几十年前一样的核心挑战：怎么从实验室里的炫酷演示，变成你真的能用、能帮你干活的东西。
你愿意等10年，花几万块买个能帮你做家务的机器人，还是现在就想试试？
