具身智能可否复制大模型的成功？如果机器人给你递一杯水

这个幻觉就是，既然语言文本可以训练出越来越聪明的大语言模型比如Anthropic的Opus、OpenAI的Astra，那么只要让机器人看足够多的人类动作，收集足够多的人类操作数据和轨迹数据，是不是也能训练出通用的具身智能？

市场似乎相信，只要把人类如何拿杯子、开门、整理物品、使用工具的动作大规模记录下来，就能像语言文本之于大语言模型一样，为机器人智能提供训练燃料。于是，市场开始寻找下一代Scale AI、Surge AI，投资者开始计算人类动作视频的小时数，并开始把数据采集规模直接换算成未来的商业价值。

但这个推论忽略了一个根本问题：

大语言模型成功的关键，并不只是数据多，而是互联网的语言文本恰好提供了一种能够被大规模获取、重复利用，并且可以有效训练模型的数据资源。

具身智能（机器人）并没有天然获得同样的条件。

差别在于，互联网的语言文本记录了人类对世界的描述，机器人数据则试图教会机器如何在真实世界中行动。前者可以在数字空间里反复读取和学习；后者必须面对重量、摩擦、形变、碰撞，以及那些稍有偏差就可能造成损失的现实后果。

第一个问题是，机器人给你递一杯水，它什么时候才可以松手？具体而言就是，当机器人把一杯水递到你面前，你伸手去接，它什么时候应该松手？松早了，杯子可能掉下去；松晚了，它还抓着杯子不放。你只是碰了一下杯子，或者手已经握住杯子、却还没有拿稳，机器人又该怎么办？看见人手碰到杯子，不等于知道人已经拿稳了杯子。

2026年，研究人员Linfeng Li、Lin Shao和David Hsu发表了一项关于机器人向人递交物品的研究。研究指出，传统的被动感知方法难以可靠地区分“人已经牢牢抓住物体”和“手只是偶然碰到物体”。

研究者因此让机器人主动做出轻微动作，再通过感知人施加的力来判断真实的接触状态。在12名参与者、30种刚性物体的实验中，这种方法取得了97.5%的成功率，比两种常见基线方法高出30多个百分点。但这项研究最值得注意的是它揭示的机制：

机器人需要做的不只是观察，还要通过行动获取信息，再根据物理反馈决定下一步。

人类递杯子时，会不自觉地感受对方是否拿稳，甚至通过手上的细微阻力来判断何时松手。对人来说，这几乎是本能；对机器人而言，它可能需要专门的感知、控制和决策机制。

这正是具身智能数据与互联网文本的一个重要区别。机器人不仅需要知道人类做过什么，还需要知道动作如何改变了世界，以及世界如何反过来影响动作。

继续上面的问题，当物体本身不再是坚硬的杯子时，困难还会进一步升级。比如，把杯子换成塑料袋、湿毛巾或者一根线缆，机器人还会吗？

现在，把杯子换成一个塑料袋。你让机器人抓住袋口，把它提起来。袋子可能是空的，也可能装着东西，可能已经被压扁，也可能粘在桌面上。机器人抓住了袋子，却可能没有抓住袋口；提起来了，也可能因为袋子变形而把里面的东西洒出来。

再换成湿毛巾，它的形状会随着抓取和拉扯不断变化，湿润程度也会影响摩擦力。最后换成一根线缆，它会弯曲、滑动、打结，还可能被其他物体压住。

从数采的角度而言，上面的例子不是简单地把训练数据中的“杯子”换成“塑料袋”，而是物体的物理性质变了，动作与结果之间的关系也可能改变。这意味着，机器人在实验室里学会一项任务，不等于它已经掌握了这项任务背后的普遍规律（泛化能力）。

上面这一点，真实的产业界现在都知道。

塑料袋、湿毛巾和线缆有一个共同特点，它们会在操作过程中发生形变甚至包括重量的变化。机器人每次抓取都可能改变物体形态，物体形态变化又会影响下一步动作。它必须持续观察、调整和纠错，而不是机械的执行一条预先学好的轨迹。

然后，上面的案例再一次升级，机器人插入一个USB接口，看见了等于做得到么？把一个USB插头放在机器人面前，告诉它：“把插头插进接口。”

从视觉上看，这个任务非常简单。机器人能够识别插头和接口，知道它们应该连接在一起，也能规划出一条将插头移向接口的轨迹。

但真正操作起来，插头可能偏了几毫米，角度可能不对；插头已经碰到接口，却没有真正插进去；机械手可能继续向前推，结果卡住了。这时，机器人需要判断：是位置偏了，还是角度不对？是接口方向识别错误，还是插头已经接触到边缘？应该继续施力、稍微退回，还是调整角度重新尝试？

看见接口，知道目标，甚至生成一条看似合理的动作轨迹，都不等于完成了插入，这里有一个关键区别：

视觉系统可以判断插头“看起来已经对准”，但插入成功往往取决于图像中难以直接确认的接触状态、细微的几何偏差和施力结果。机器人必须将视觉判断与真实物理反馈结合起来，并且能够验证结果。

好在刚刚于2026年9月发布的FailBench研究，正好把这个问题量化了。

研究人员Zaruhi、Tatul和Hrant建立了一个机器人操作失败检测基准，收集了来自14个公开来源的2197次操作尝试，其中包括12个真实世界数据源和2个仿真数据源。研究评估了13种基于视觉语言模型的失败检测方法，考察它们能否判断机器人一次操作究竟成功还是失败，研究结果是：

表现最好的检测器平均平衡准确率为0.77，在依赖接触信息的装配任务上，模型表现明显变差，部分情况下准确率接近随机猜测水平。

这也就说说，机器人不仅会做错，还无法可靠地判断自己是否做错。如果成功与否取决于一个物体有没有明显移动，视觉语言模型通常能做得比较好。但如果成功与否取决于是否真正接触、卡合或插入，模型的判断能力就会大幅、显著下降。

这恰恰是USB插入一类任务的难点。机器人如果把“看起来完成了”当成“实际上完成了”，就会在失败后继续执行后续任务，或者根本不进行纠错。

真正的考验是能否泛化

所以，对于具身智能而言，数据规模从来都不是答案，真正的考验是能否泛化。上面三个案例指向同一个问题：递水杯，机器人需要判断真实的接触状态；抓取塑料袋、湿毛巾和线缆，它需要应对物体形变和环境变化；插入USB，它需要识别细微的物理误差、验证任务结果，并在失败后调整动作。

它们都不是“看见物体→模仿动作”这么简单。

大语言模型的成功，让我们看到了规模化训练的巨大威力。但从大语言模型的成功推导出“只要把人类动作采集得足够多，就一定能训练出通用机器人”，中间仍然缺少关键证据。

具身智能需要的数据，不只是动作本身，还包括动作发生时的环境、物体的物理状态和物理性质、施加的力、动作的结果，以及失败之后如何纠正。

谁会拥有最有价值的数据？

从投资的角度考虑，更有价值的问题是，谁才拥有真正有价值的数据，是专门的数采公司么？

一家数据采集公司可以安排人类反复演示如何拿起杯子、整理货架或抓取物品。但一家已经部署机器人的物流企业、制造工厂或服务企业，却掌握着真正难复制的数据：机器人在真实工作流程中遇到了什么问题，在哪些条件下失败，失败造成了什么后果，经过怎样的调整后才真正完成任务。

前者可能记录的是“人如何做动作”，后者有机会记录的是“在什么条件下做了什么、产生了什么结果，以及下一次应该如何做得更好”。

这些数据会告诉模型，哪些动作真正有效，哪些看似正确的动作实际上失败了，以及在不同环境下应该怎样调整。所以，最有价值的数据未必来自专门的数据采集公司，它应该来自已经部署机器人、掌握实际工作流程的真实生产企业。

（全文完）