1
0春晚的机器人表演看完，它们确实比去年更“像样”了——动作更整齐，节奏更稳定，甚至能在舞台上把复杂的编排完成得干净利落。
很多人大概率会冒出一个很现实的问题：舞台上的机器人能跳舞，和家里那个能把厨房、洗衣、收纳、做饭一条龙搞定的“家务机器人”，到底差了多远？
也许只要五年！机器人研究者 Sergey Levine给出了他的预判。他是加州大学伯克利分校的教授，还是Physical Intelligence 联合创始人。
为什么他敢把时间压得这么短？为什么机器人不会像自动驾驶一样，又是一个让我们再听二十年的故事？
对于这个问题，Levine提供了逻辑清晰的分析框架：三大技术关键和数据飞轮何其启动。
一、“打理家务”其实并不容易
先从现实说起，机器人现在到底是水平？我们习以为常的“叠衣服、整理厨房台面、折披萨盒”是很简单的事情，但对机器人来说，这些恰恰是最难的入门题——因为它们要和“柔软、形态不定”的物体交互。
衣服不是刚体，披萨盒的折痕需要对齐，厨房台面的杂物会不断变化位置；人们随手能处理的细节，对机器人而言意味着感知、抓取、力度、协调的完整链条。
但这些“单点技能”即便做得再好，也仍然只是起点。Levine 描绘的终极形态，是你对机器人下达一个非常高级的指令：“帮我打理家务。”
这听起来像我们对智能音箱说“帮我放一首歌”，但“打理家务”这个范围太大了：我们可以继续补充细则，比如“晚上六点做晚饭，每周六洗一次衣服”，然后机器人在接下来的几个月里持续、自主地执行，自己规划、自己解决问题；洗衣液快用完了，它会提醒你，甚至主动下单补货。
这已经不是“工具”，而是更像一个真正的“管家”。而这也把问题推到了关键处：它和我们今天能设置的定时任务，到底有什么本质区别？
区别在于：定时任务是把未来写死；而“管家机器人”必须面对现实的不确定性。比如周六突然停水怎么办？厨房临时多了一道菜怎么办？孩子把玩具撒满客厅怎么办？
要实现家庭管家的目标，机器人还需要：常识推理、工作中的持续学习，以及最重要的安全保障。这三项能力过去默认只有人类才拥有。
二、“数据飞轮”何时启动
说到这里，Levine 的一个关键词就出现了：数据飞轮。
在商业世界，飞轮效应很常见：系统一旦启动，就能自我增强、越转越快。把它放到机器人身上，意思就是：当机器人真正被部署到真实世界里，哪怕一开始能力有限，它也会在与环境的一次次互动中积累数据和经验，这些经验再反过来训练模型，让它变得更聪明；更聪明之后又能处理更复杂的任务，收集到更多、更高质量的数据，于是形成正向循环。
那么，这个飞轮什么时候才能开始转？
Levine 的回答是“很快”，并且给了一个更具体的时间框架：未来 1–2 年，第一批“足够有用”的机器人就可能走出实验室，进入一些商业或家庭场景，开始启动飞轮；而“能完全自主打理家务”的中级管家型机器人，他给出的中位数预测是 5 年。
我们见过太多关于AI的乐观预测，最后都被现实打脸。那这个“五年”到底是基于最理想的情况，还是他真的看到了某种不可逆转的进展？
Levine 的回答反而很克制：这不是一个瞬间爆发的故事，而是能力范围持续扩张的过程。
他用了一件我们都亲历过的事情来类比：编程助手的演化。
最早的编程助手只能补全函数名，后来能补全整行代码，再后来能根据注释生成完整函数；到今天，顶尖工具甚至能帮你完成大部分编码工作，乃至提出架构建议。它们始终是人类专家的增强工具，但增强的力度在持续变大。
机器人也会走类似的路径：一开始也许只是一个“能稳定冲好一杯咖啡”的咖啡师助手，随着飞轮转动，它的能力会扩展到管理咖啡店后厨，包括补货、清洁、维护设备等等。渐进，但会不断加速。
三、为什么机器人不用“再等 20 年”
聊到机器人，有一个绕不开的话题：自动驾驶。
自动驾驶的故事我们听了快二十年，从最初的极度乐观，到现在的普遍谨慎。很多人会问：凭什么机器人不会成为下一个自动驾驶，让我们再等上二十年？
Levine 认为这个质疑必须正面回答，而他的论证抓住了三个“技术起点”的差异。
第一，感知与理解世界的能力出现了代差。
2009年甚至2015年，自动驾驶感知系统在很大程度上依赖工程师手写规则与启发式算法；今天，基于 Transformer 的大模型在理解与泛化方面强得多。简单说，AI “看懂世界”的能力，和十几年前已经不是一个量级。这不是小步改良，而是底层范式的变化。
第二，机器人更容易在安全条件下启动学习回路。
自动驾驶的容错率极低，一个小失误就可能带来灾难性后果，所以它无法靠“差点撞到人”这种方式去学习。家用机器人则不同：洗碗时打碎一个盘子，最多是你心疼一下钱包，再让它把碎片收拾干净。这种受控环境里的试错，虽然也不舒服，但至少可承受、可反馈、可迭代，于是学习回路更直接、更高效。
第三，常识的引入改变了游戏规则。
今天的机器人可以利用大型语言模型（LLM）和视觉语言模型（VLM）中蕴含的庞大常识。你给 VLM 看一张写着“当心地滑”的牌子，它不仅能识别这是块牌子，还能理解其中的含义：地板湿，走过去可能滑倒，你应该绕开或小心。这种“不必亲自踩过所有坑，也能通过推理规避风险”的能力，是早期自动驾驶系统很难具备的。
更强的感知与泛化、更安全的学习回路、再加上可被调用的常识大脑，这三者叠加，让 Levine 认为这次的情况与自动驾驶并不相同。
四、机器人“大脑”的组成
说“常识大脑”容易空泛，但 Levine 给出的描述很具体：它不是一个简单程序，而更像一个由两类模块组成的组合体——视觉语言模型（VLM）+ 动作专家。
我们可以把它想象成一个更完整的生物体：VLM 负责“思考、规划、理解”，像大脑皮层；动作专家负责“精确运动控制”，更像小脑和运动神经。两者分工明确，却紧密协作。
比如对机器人说“把桌子收拾干净”，它的摄像头像眼睛一样捕捉桌面视觉信息，输入给 VLM；VLM 在内部把模糊目标拆解成可执行步骤：桌上有脏盘子、空杯子、苹果盒，第一步应该把盘子拿去水槽。
随后，这个“拿起盘子”的指令会被传递给动作专家，由它把抽象命令转化为一连串精确、流畅的物理动作：机械臂以特定角度和力度稳定抓取，避免滑落或碰撞。
这套结构的意义在于：机器人不只是“会动”，而是开始“会规划”，并且能把规划落实为可靠动作。
五、真正的瓶颈：高质量数据
到这里，最大的难题就浮出水面：数据。
大语言模型能学习互联网的文本和图片，但机器人不能只靠“网上的视频”学会叠一件皱巴巴的 T 恤。现实世界的物理互动数据从哪里来？这才是整个领域的核心瓶颈，也是 Levine 反复强调的一点：解决它需要工业级规模的努力，而不仅仅是大学实验室里的科研项目。
很多人会下意识提出一个看似合理的方案：数据不够，那就多搞几千个机器人，让它们 24 小时不停地干活，规模扩大一百倍不就行了吗？
Levine 的回答是：关键不是让它们“蛮干”，而是找到正确的规模化维度。
任务种类的增加当然重要，但更重要的是让机器人在同一类任务里经历足够多的变化：一千件不同材质、不同大小、不同褶皱程度的衣服都能叠好，甚至衣服是湿的、带破洞的、被压住的，它也能处理。
换句话说，真正值钱的数据不是“平稳场景”，而是那些让系统变稳健的边界情况。
目前机器人训练的数据量，相比互联网级别的数据仍然差一到两个数量级，所以策略不是等“收集齐一切”再出发，而是先获得足够高质量的数据来启动飞轮。
一旦机器人能在真实环境中完成一些有用任务，它就会进入自我持续收集数据、正向加速迭代的循环。
六、机器人的涌现能力
如果说飞轮解释的是“为什么会快”，那么真正让人感到震撼的，是另一件事：机器人是否会像大模型一样出现涌现能力？
Levine 的答案是肯定的，而且他把这种能力归因于一种现象：组合泛化。
我们可以把它理解成“像 LEGO 积木一样拼接能力模块”。一个模型未必见过“用国际音标写巧克力蛋糕食谱”这种奇怪任务，但它见过海量的国际音标单词，也见过大量蛋糕食谱的结构，于是它能把两项技能拼起来，生成从未见过的新东西。
机器人也会出现类似的“拼接式创造”。Levine 提到的一些真实案例，听上去甚至比舞台表演更有冲击力：
机器人在叠 T 恤时不小心抓起两件，发现另一件压在下面很碍事，它没有卡住，而是停下动作，把多余的那件捡起来扔回篮子，清空工作区再继续；机器人往购物袋装杂货，袋子翻倒了，它先把袋子扶正，再继续装剩下的东西。
有人故意把短裤翻成里外反面递给它，它在折叠前先自己摸索着把短裤翻回正面。
这类行为的可怕之处在于：它们不是被明确编程的规则，也不是被逐条教会的动作，更像是“为了完成任务而自发出现”的问题解决能力。
当底层的物理世界解决问题能力，再结合上层语言模型的理解与推理能力，机器人就有可能超越简单重复劳动，真正开始应对复杂多变的现实世界。
七、最后一个更大的问题：叠衣服，会不会反而是通向更强智能的入口？
写到这里，你也许会发现一个很反直觉的事实：我们原本以为“叠衣服”是最琐碎的事，但它可能恰恰逼迫系统建立对物理世界的深刻表征。
Levine 在访谈结尾抛出过一个很深的观点：人类之所以能进行复杂的抽象思维，很大程度上源于与物理世界的互动经验。
我们会用“势头（momentum）”“分量（weight）”这样的物理概念去描述抽象事物，这说明物理经验在塑造我们的认知结构。
那么，如果一个AI真正能够深刻理解物理世界如何运作，它获得的可能不只是“叠衣服更快”，而是一套更底层、更强大的隐喻与表征系统，让它处理抽象知识工作时也更强。
换句话说，学会把一件衣服叠得又快又稳，或许并不是家务的终点，而可能是通向下一代通用智能的一块关键拼图。
当数据飞轮真正转起来之后，进步往往不是线性的，而是突然让你意识到——原来门槛已经被跨过去了。
而那一天到来时，我们可能会回头发现，改变一切的并不是舞台上的炫技，而是房间里那件被叠得整整齐齐的衣服。
