来看组数据：根据CB Insights的统计，2025年人工智能领域的融资总额已经占据了整个风投市场的48%，创下了历史新高。资本正在疯狂押注AI技术栈的每一个角落——从基础模型到应用开发，再到那些耗资巨大的AI数据中心。机器人赛道呢？全年总投资额407亿美元，占比9%。于是，一个价值几百亿美元的问题就摆在了台前：AI驱动的机器人，到底要进化到什么程度，才能真正撬动经济大盘？

（来源：CB Insights）

针对“机器人会不会也有一个ChatGPT时刻”这个热门话题，俄勒冈州立大学的机器人学教授、Agility Robotics联合创始人Jonathan Hurst，以及前Google X旗下Everyday Robots首席执行官Hans Peter Brøndmo，给出了一个相当冷静的判断。两位都是这个领域摸爬滚打多年的老手——乔纳森是腿足式机器人领域的国际权威，他团队研发的Cassie和Digit人形机器人已经进入商业部署；汉斯则领导过谷歌那个雄心勃勃的“登月计划”，在真实办公室环境中部署了上百台自主工作的AI机器人，积累了海量的实战经验。他们的结论是：机器人领域不太可能等来某一个爆炸式的“ChatGPT时刻”。真正的突破，需要漫长而艰苦的工程实践、多种AI工具的协同作战，以及大量真实世界数据的反复淬炼。

网络视频与现实之间的鸿沟真实存在

多年来，网上从来不缺人形机器人跳舞、跑酷的炫酷视频。但机器人圈里有一句老话：“永远别信网上的机器人视频。”精心剪辑的“剧本式”表演，和那些真能在复杂环境里干实事的机器人之间，隔着一条巨大的鸿沟。

就拿最近那些刷屏的机器人表演来说吧。底层控制和同步编舞确实惊艳，但本质上它依然是一场严格编排的预设表演。它所展现的自主性，其实更接近流水线上的工业机械臂——离踏进你家客厅、帮你收拾碗筷，还差着十万八千里。

原因很简单：让AI驱动的机器人在复杂多变的人类环境中执行通用任务，难度的天花板还远未触及。那些表演让人产生“未来已来”的错觉，可实际上，AI在这些演示里只被用于底层的运动控制，比如防止机器人摔倒。而要让它成为真实、非结构化空间里的通用帮手，这种底层控制只是冰山一角。

数据瓶颈仍是未解难题

先说说为什么像ChatGPT、Claude这类大语言模型能那么强大？根本原因在于它们吞下了海量的、由人类产出的互联网数据——这几乎是AI训练界的“黄金标准”。

可一旦要给AI安上一副物理躯体，让它与现实世界互动，事情就变得极其棘手了。

通用机器人的AI，必须在复杂多变的环境里，同时应对物理、几何、时间等多重相互冲突的限制。为了具备通用性，它需要海量的高质量、高维数据——涵盖光照、力度、速度、关节极限、安全边界等等——才能应对现实世界中几乎无限的突发情况。而恰恰是这类优质数据，目前极度稀缺。

行业眼下怎么做？只能靠远程操作、人类动作捕捉，以及模拟器探索来一点点收集。这工程大得吓人。举个例子，谷歌Everyday Robots光是为了训练一个垃圾分类模型，就在模拟器里跑了2.4亿次实例。而机器人的每一项单点技能，要想达到（甚至还没达到）人类水平，都需要耗费同等体量的数据。可见这数据瓶颈有多顽固。

不存在单一的机器人AI

要想靠一个万能模型驱动通用机器人和我们共存？说实话，还差得远。

机器人的形态千差万别——轮式的、双足的、多臂的、飞行的、水下的……现实世界又充满了不可预知的人和动物。怎么训练一个模型，在所有场景里都安全可靠地运行？答案是：做不到，至少很长一段时间内做不到。

两位专家认为，引领通用机器人下一次重大突破的，将是面向机器人的“智能体AI（Agentic AI）”。这是一种高层协调模型，能在有限监督下进行推理、规划、使用工具并从结果中学习。它像一个“中枢大脑”，指挥着各种执行特定任务的专用子模型。可以预见，在不久的将来，我们会看到多个机器人通过搭载的智能体AI实现相互协作。

好消息是，AI工具正在解锁机器人强大的新能力，并催生出全新的市场。更令人振奋的是，这些模型正变得广泛可用，有些甚至已经开源。就像互联网的普及推动了真正的进步一样，随着更多人能访问这些AI工具和技术，机器人复杂行为的“平民化”将不可避免。

硬件依然是一块难啃的骨头

机器人是一个高度复杂的系统，安全性和实用性依赖从感知系统、控制中心到每一个底层执行器的精准协同。

拿执行器（电机和齿轮）来说吧。过去工业机器人上大规模使用的硬件，根本没法适应人类生活环境。传统工业机器人一旦发生意外碰撞，冲击力极大，破坏性极强。但人类的动作模式完全不同——我们在与世界互动时，有着极高的“柔顺性”，常常利用与环境的物理接触来辅助完成任务。比如插钥匙，我们很少需要把钥匙和锁孔完美对齐，而是凭感觉顺着边缘摸索，摇摇晃晃地插进去。机器人要想具备这种能力，就必须用上能敏锐感知力反馈、能与环境柔顺交互的新型执行器。这类硬件目前已经存在，但针对在人类身边工作的机器人系统，大规模量产和普及还远未实现。

真正的价值来自于“简单”的任务

看起来炫酷的任务和能创造实际价值的任务，往往是两码事。机器人技术完美印证了“莫拉维克悖论”：对人类来说极其困难的事（比如复杂数学计算），对机器很容易；而对人类来说轻而易举的事（比如幼儿般灵巧的动作），对机器却极其困难。

但商业落地从来不讲情面。客户只关心一件事：你能不能解决实际问题。AI机器人必须在效率上超越现有方案，并且具备绝对的可靠性与安全性。

Agility Robotics在客户现场部署人形机器人Digit时，最先遇到的就是安全问题。在人类空间里活动的机器人，本身就带来了新的风险。最初的部署甚至不得不拉起物理屏障。团队耗费了数年时间，深度依赖AI的人类检测和行为控制技术，才一步步攻克这个挑战。

（来源：Agility Robotics）

已经被谷歌解散的Everyday Robots项目，也留下了宝贵的教训。2019年，他们在办公楼内部署了能自主擦桌子、垃圾分类的机器人，结果迅速意识到真实世界对机器人来说有多“混乱”。但正是这些现实经验，反过来指导了AI系统的架构设计，并收集了大量能与模拟数据结合的真实世界数据。

说到底，只有立足于特定客户需求，在真实场景里不断试错，才是打造实用AI工具、最终迈向通用机器人的唯一路径。脱离了丰富的现实世界经验，根本不存在所谓的“顿悟时刻”，没有一劳永逸的银弹算法，也没有任何海量数据能凭空捏造出一个通用机器人。

毋庸置疑，世界正通过机器人将AI引入现实的物理世界。乔纳森和汉斯的判断是：AI会推动机器人进入“寒武纪大爆发”，但这个过程是渐进式的、一步一个脚印的，而不是一夜之间的奇迹。真正有价值的机器人，将先在工厂、仓库、物流、养老、灾害救援等场景中落地，然后，才逐步走进我们的家庭。

1.https://www.cbinsights.com/research/report/venture-trends-2025/
2.https://engineering.oregonstate.edu/people/jonathan-hurst
3.https://www.linkedin.com/in/hanspeter/
4.https://spectrum.ieee.org/robotics-ai-breakthrough