本文来自微信公众号： 具身志 ，编辑：|越十三，作者：仲庆元


报道提要


从一颗能扛住收割机的番茄，到一只让先进模型反复失败的透明塑料袋，再到被重新改造的纸箱，机器人进入现实世界的过程，一直不只是机器变得更聪明。人类也在反复决定：这部分麻烦，究竟该留给机器，还是提前从世界里拿掉。


为了让机器人顺利干活，沃尔玛准备改造一种已经用了二十多年的周转纸箱。


2026年10月，《华尔街日报》报道了沃尔玛仓库自动化中的曲折。箱子没有坏，只是在新的自动化系统面前，它太大了。此外，员工熟悉的拆零、分拣，到了机器人与人一起工作的现场，也要反复试验和调整。


一项工作交给机器之前，要先改动多少东西？沃尔玛遇到的麻烦，让人想起一颗番茄。


1949年，美国加州大学戴维斯分校，两位研究者开始合作，想解决同一件事：怎样让机器收番茄。


科比·洛伦岑，是农业工程师；杰克·汉纳，则研究蔬菜育种。两人虽然做的是同一个项目，却分别从机器和番茄下手。


为什么造一台收割机，还需要研究番茄？


人可以挑出成熟的果实，控制采摘的力度，再把番茄放进筐里。收割机要做的却是切下、抬起藤蔓，再让果实与藤蔓分离。它得用一套连续的动作，处理田里大量的番茄。


平常的番茄难以承受这套动作。果实太容易破损，经不起机械处理；太难从藤蔓上脱落，机器就不容易收下来；成熟时间相差太大，又难以一次集中收获。


于是，这道题从一开始就分给了两种专业。洛伦岑改进机器；汉纳则开始育种工作，以让番茄更耐机械损伤、更容易脱离藤蔓，成熟时间也更一致。


整个1950年代，洛伦岑团队不断改进试验机。可最终走向农田的，并不是一台能温柔采摘任何番茄的万能机器。


汉纳团队培育的、适合机械收获的番茄，也成为这项发明的一部分。学校后来回顾这段历史时，特别强调了农业工程与生物学的并行合作。


事实上，很长时间里，自动化从来不只是造出一台更好的机器。它还包括把机器面前的世界，变得更容易处理。


七十多年后，机器人多了一种当年的收割机不具备的本事：从人的操作示范中学习。因此，它不必把每个物体都当成早已知道位置的目标，也有机会把以前学过的经验用到陌生现场。


这让那颗番茄留下的问题重新变得有意思。如果机器越来越会应变，人类还要为它改变多少现实世界？


工厂最擅长的，是消灭意外


把机器面前的世界变得更容易处理，今天的工厂把这件事做到了极致。


零件被送到确定的位置，夹具把它固定，输送线按照固定节拍前进。机械臂不需要理解眼前究竟是什么，它只要走到预定位置，合拢夹爪，再沿一条提前验证过的轨迹移到下一处。


人们通常把站在产线中央、不断挥动的机械臂称为“机器人”。但在真实项目里，机械臂只是系统中最容易被看见的一部分。


在机械臂周围那些不太显眼的东西——工装、传感器、安全装置、控制程序、设备接口——却共同决定着它能不能一直干下去。除此之外，机器人运进工厂以后，还得有人布置工位、校准坐标、处理碰撞和干涉，再用一轮轮测试，把生产里的意外挤出去。


汽车零部件厂的自动化工位，机械臂与安全围栏、输送机构及其他配套设备共同构成作业系统。图片来源：梅卡曼德机器人


一份NIST（美国国家标准与技术研究院）在2015年发布的报告引用当时的行业数据称，一套自动化系统的成本中，机器人本体只占20%—25%，系统集成占45%—60%。报告同时指出，从一个应用到下一个应用，软件能够复用的部分非常有限。


这组历史数据，不能直接当作今天的报价单。但它留下的那个问题，却没有过时：买到一台机器人，与让它在某一家工厂稳定工作，是两笔不同的账。


机器人过去之所以可靠，很多时候并不是因为它足够理解世界，而是因为工程师先替它删掉了世界里的变化。


不过，这条边界一直在动。


例如，当机械臂多了一双3D视觉的“眼睛”以后，零件和料筐就不必每一次都停在完全相同的位置。视觉系统可以先找到物体，再把位置传给机器人，原本由精密定位和刚性工装承担的一部分工作，开始转移到感知和软件里。


以前要求“料筐必须在那里”，现在可以有一部分变成“机器人自己去找”。


可找到东西以后呢？怎么抓、怎么移动、出了错怎样调整？


过去，这些往往还得靠工程师替机器人安排。现在，研究人员开始尝试让机器人从人的示范中学习这些动作。


这类将视觉、任务指令和动作联系起来的模型，被称为VLA，也就是“视觉—语言—动作”模型。


一只塑料袋，难住了先进模型


2026年，西门子德国埃尔朗根工厂里，两台机械臂面对的是一个看起来很小的任务。


从料筐里拿起一只装着配件的透明塑料袋，把它放进纸箱剩下的空隙里，再确保袋子和里面的零件都没有高出纸箱闭合面。


人处理这件事很顺手。他会随手捏住袋子没有装东西的一角，抖一下，让零件沉到底部；如果袋子太长，就顺手卷一卷、折一折，再把它塞进空隙。


机器人看到的却是另一种世界。


透明袋的边缘不容易识别；几只袋子叠在一起，轮廓互相遮挡；袋子是软的，每抓一次都会产生新的形状；里面的网线、说明书和小配件还会移动。


夹爪如果捏住装有零件的位置，可能抓不稳，也可能直接损伤内容物。即使袋子被放进纸箱，一小截线缆也可能勾住说明书，留在箱口上方。


研究团队使用的是两台UR7e机械臂和Physical Intelligence的π0.5模型。在模型真正开始学习以前，研究人员还是先修改了现场。


他们给夹爪换上定制的3D打印指尖，增加灯板，把纸箱和料筐固定在确定位置。为了采集示范数据，他们还花了大量时间调整遥操作系统，让人的动作能够平滑、安全地变成机器人的动作。


接着，研究人员发现，人类最自然的两个动作恰好很难教。第一个是抖袋子，这个动作速度快，又需要连续记住前面的状态，论文称现有VLA缺少完成这种重复动作所需的记忆。第二个是把袋子卷起来，它对灵巧性要求很高，也很难通过遥操作稳定复现。


于是，研究人员又改了一次任务。他们不再让机器人模仿人抖袋子，而是让一只机械臂把袋子提起来，借助重力使配件滑到底部；袋子放进纸箱以后，另一只机械臂负责把露在外面的配件推回空隙，再把塑料袋压平。


西门子埃尔朗根工厂的透明配件袋装箱实验，左为抓取环节，右为整理袋内配件的环节。图片来源：研究论文《A Factory-Floor Deployment Case Study of VLA Pipelines》


到了工厂现场，研究团队还是没有直接把全部难度交给模型。他们先减少料筐里的袋子，让袋内零件预先聚到一侧，也暂时去掉需要机器人重新调整袋子位置的情况。等机器人学会一个较简单的版本，再一层层把拥挤、遮挡和随机摆放加回来。


在约两周的现场窗口里，研究团队累计采集了2535段、约10小时的轨迹。其中242段是恢复示范，专门教机器人怎样从抓取、放置等失误中接着做下去。


只不过，最后的效果依然没有达到团队预期。


在最后两组不再简化袋子摆放条件的测试中，约65%的失败案例里，袋内配件仍然留在产品上方，没能落进纸箱空隙。此外，机器人也会一次抓起多只透明袋，或者把袋子停在纸箱外。


由此可见，哪怕机器人已经接入先进模型，研究人员仍然要改灯光、改指尖、固定箱子、设计动作、整理数据、分析失败，再逐步把现实世界的复杂性放回来。


看起来，世界仍然在迁就机器。但在这份工作记录里，人做的工作已经和过去不完全一样了。


以前，工程师主要把知识写进程序和工位；现在，一部分知识开始被写进数据和模型。


做完这一次工程，究竟能留下什么？这才是那只袋子带给机器人企业的下一道题。


下一家客户，还要从头教吗？


如果一个项目结束，经验主要留在工程师脑子里，或者留在只为这一条产线写的程序里，下一家客户到来时，很多工作还得重新开始。


但如果一次失败能够更新模型，再被其他机器人用上，第一次付出的工程，就有机会多服务几个现场。


让多台机器人共同积累经验，是智元机器人正在尝试的做法。


在公司披露的SOP在线训练系统里，多台机器人同时做不同的工作，采集成功、失败以及人工接管产生的数据。这些轨迹汇集到云端，与专家示范一起用于继续训练，更新后的模型参数再传回机器人。


叠衣服、组装纸盒、补货等任务，成为这套研究系统里的练习。一个人接管机器、纠正动作，留下的不必只是这一次任务的结果，还可以是一段供模型继续学习的经验。


它追求的是：一台机器人踩过的坑，能不能让其他机器人少踩一次？


机器人行业希望省下的，除了每次完成动作的劳动，还有同一种工程，在每一家客户身上重新支付一遍。


不过，数据能够汇到一起，还得经得起离开原来现场的检验。换一间房，换一张床，学过的动作能不能继续用？


2026年9月，研发人形机器人的Figure公布了一项测试：搭载Helix 2.5的机器人进入30户陌生真实住宅，整理客厅、叠毛巾、铺床。三项行为此前已经训练过，但对应的任务数据没有包含这些测试住宅和物品，到了当地也没有重新采集任务数据或微调模型。


住户的沙发、床和操作台面留在那里。机器人要改变站位，去接近不同的物品；按照公司披露，它会后退调整位置，也会在铺床时绕到床的另一侧，修正折叠动作。


Figure还做了一项对照。两组模型接受相同的家务训练，一组此前没有学过Index人类行为数据，另一组则先用Figure收集的大量人类真实活动数据进行过预训练，这套数据被称为Index；其余训练和测试条件保持一致。前者完整任务成功率为9%，后者为56%。只有规定物品全部整理好、毛巾全部叠好，或整张床铺好，才算成功。


在这些做成的任务里，人没有为每一户重新采集示范。原本可能要在新现场补上的一部分准备，已经提前进入了模型。


工程没有凭空蒸发。人类行为数据要积累，模型要训练，家务仍然要教。只是投入不必全部等到下一户门口，再重新发生一遍。


56%的完整任务成功率，也把另一件事留在了眼前：会把经验带过去，与能在那里可靠地干活，仍然隔着一段距离。这是公司组织的住宅实验，距离家庭每天放心把工作交出去，还有不少失败要解决。


模型最终要靠一具具体的身体做事。臂长、夹爪、相机的位置，以及错误发生后能否恢复，都可能影响工作结果。西门子的定制指尖不会因为模型更通用就自动失去用处，Figure的实验也没有给出新客户整套部署的工期和成本账。


“通用”最有商业价值的含义，因而可能不只是机器会多少种动作，还包括换一个任务、换一家客户以后，人有多少工作可以不再重做。


机器人可以慢慢学，生意不能等


沿着这条路想下去，很容易期待一个终点：机器人足够聪明，直接走进原来的环境，接手原来的工作。


可一家需要按时交付构件的工厂，未必愿意把每次换型，都变成对机器人应变能力的考试。


造房子的人，已经在改造自己的生产方式。


大界机器人2025年披露的中建海龙项目里，模块化建筑所需的一部分钢结构在珠海基地制造。房子不同，构件也不同，产线面对的是需要频繁换型的小批量、多品种生产。


其中一条产线，由搬运机器人把次梁送入工位，装配台夹紧定位，两台机器人扫描、焊接，随后流转到打磨工位，为后续加工做准备。


定位工装、焊接机器人与数字化工艺规划共同承担构件加工任务。图片来源：大界机器人


夹具没有消失，变化也没有消失。按照大界的项目披露，工人导入二维或三维图纸后，软件解读图纸内容、规划机器人动作；焊接和打磨的工艺参数库，也成为生产的一部分。不同构件的要求，被转成软件和机器能够执行的任务。


这里没有要求每件产品都长成同一个样子，也没有把所有差异留到机器面前，等它临场理解。图纸、工艺规划、感知和工装一起分担了工作。


变化本身，开始有了可以提前安排的位置。


这与让机器人走进陌生住宅，是不同的工程选择。住宅测试尝试让机器多承担一些环境差异；构件工厂则把部分差异提前交给设计和制造流程。对于要交付产品的企业，两种办法都得算效率与可靠性的账。


而在沃尔玛，一种用了二十多年的周转纸箱，也到了重新设计的时候。


沃尔玛原有的一类周转纸箱，对新的自动化系统来说太大。公司计划在随后几个月更换，新箱高度缩短约3.8厘米。


但箱子变矮，仓库并没有因此只剩下轻松。新箱需要用胶带封口，多了一道工序，也增加了成本。仓库经理Phillip McIlrath说，纸箱的变化虽小，却明显改变了员工的日常工作。另一端，供应链负责人预计，新箱能缩短门店补货时间，节省人工成本。


一只箱子的账，得从仓库算到货架。仓库增加的工作，被寄望于换回门店减少的工作。


因此，适配自动化设备只是这项改变的一部分，纸箱还得服务商品在整套业务里的流动。门店能省多少，还要看预期能否兑现；但封箱这一步，已经落到了现场员工的日常操作里。


与此同时，沃尔玛的仓库自动化改造还面临另一项限制：它要在不停业的情况下推进。新设备安装、调试时，进货和发货也得继续。


企业等不起一个所有问题都已解决的完美现场。它要在现有生意继续运转的时候，找到能用、可靠、又值得付钱的一套组合。


这意味着，让环境适应机器，不一定是技术落后的表现。有时，它本身就是一种更聪明的经营选择。


结语|谁适应谁，其实问错了


七十多年前，洛伦岑和汉纳最终没有造出一台能够温柔采摘任何番茄的万能机器。


他们同时改变了机器，也改变了番茄。


今天的机器人已经可以从海量图像、语言和动作数据中学习。它会识别陌生物体，会根据指令规划动作，也开始尝试把一个现场积累的经验，带到另一个陌生现场。


但当它面对一只透明塑料袋，人仍然会加一盏灯，换一副指尖，重新设计动作，再把失败一次次喂回模型。


轮到机器人参与造房子，人又先在图纸里安排好了构件的形状、焊缝与动作。钢材尚未送进工位，一部分难题就已经提前解决。


其实，机器人和世界，从来没有停止过互相改造。


物理AI真正可能改变的，只是这条边界又移动了一次。机器开始接走更多原本属于环境和现场工程的复杂性，而人类也会继续把另一些复杂性放到更便宜、更稳定的位置。


也正因此，每当机器人走进一个新的世界，我们仍然要重新决定一次：


是让机器再聪明一点，还是让世界再简单一点？


END