叠衣99%成功率背后，机器人离走进你家还有多远？

先看一组数据：Sunday Robotics 宣称其 ACT-2 模型在陌生家庭叠衣成功率超过 99%，测试场景涵盖 50 个不同的家庭，包含上千件各类衣物。这个数字如果属实，意味着机器人从实验室走向家庭的最后一公里，可能已经被打通了半条路。

但作为一个每天都在跟 AI 工具打交道的人，我第一反应不是兴奋，而是怀疑。99% 在陌生家庭成功，这个“陌生”到底有多陌生？测试的家庭是否有统一的光照、布局、衣物材质？叠衣这个动作，看起来简单，实则涉及布料感知、抓取力度、折叠顺序、空间避障，每一项都是工程难题。我自己的跨境电商选品模型，号称准确率 95%，但碰上冷门品类（比如宠物汉服）就直接掉到 60% 以下。所以我对任何宣称的高成功率，都会先问一句：你测试的样本分布有多广？

不过，仔细看完 Sunday Robotics 的技术说明后，我承认他们确实做了些不一样的事。ACT-2 的核心不是通过海量数据编程所有动作，而是用模仿学习（imitation learning）的变体，让机器人从人演示的视频中自主提取关键动作特征。这意味着它不需要针对每个家庭预先建模，而是通过视觉和触觉传感器实时决策。这跟当年我用 GPT-3 生成文案类似——不是写死模板，而是让模型理解上下文。

技术博客里提到，ACT-2 在训练时使用了 2000 小时的人叠衣视频，覆盖不同材质、颜色和折叠方式。模型内部有一个“注意力机制”，专门关注衣物边缘和褶皱关键点。

这解释了一个关键问题：为什么它能适应陌生家庭。因为训练数据已经包含了足够多的环境变化，比如不同光照、不同桌面高度、不同衣物摆放方式。但注意，这仍然是在有限变量下的测试。真正家庭中，可能遇到湿衣服、带纽扣的衬衫、被猫压住的裤子——这些极端情况，99% 的成功率能覆盖多少？

我理解，Sunday Robotics 是想通过 ACT-2 向市场证明一个方向：家庭机器人不需要为每个家庭重新训练。这个方向是对的。但做跨境电商的人都知道，从“实验室成功”到“用户愿意买单”之间，还有两个巨大的坑：成本和使用门槛。

成本方面，ACT-2 运行的硬件基础是 Sunday Robotics 自己的机器人本体，售价预估在 2 万美元以上。这个价格意味着它目前只能卖给极客和科研机构，普通家庭不会为一个叠衣机器人花这么多钱。使用门槛方面，虽然模型宣称“即插即用”，但用户需要将衣物按特定方式放置在机器人工作台上，然后机器人才能操作。这跟“把衣服丢进洗衣机，按下按钮”的体验比，还差着等级。

所以我的观点分两层：第一，ACT-2 在泛化能力上确实是一个技术里程碑，它证明了端到端学习在物理世界中的可行性，这比波士顿动力那种事先编程的路线更接近人类的学习方式。第二，从商业落地看，它离“走进你家”还差两个关键要素：价格降到 5000 美元以下，以及任务范围从“只叠衣”扩展到“叠衣+收拾+简单的清扫”。否则，用户为什么要买一个只能叠衣的机器人？还不如买个熨烫机。

说回趋势预测。我认为接下来两年，家庭机器人领域会进入“垂直场景大爆发”阶段。类似 ACT-2 这样的模型，会被移植到不同家务任务上，比如整理床铺、摆放餐具、甚至给宠物喂食。每个任务都会有一个专门的 AI 模型，但硬件平台会逐渐统一。到 2028 年左右，可能会有一款售价 5000 美元以内的“家庭事务机器人”出现，能完成 5 到 8 种常见家务。但这需要传感器成本降低和电池续航突破，以及更关键的一点：用户对机器人犯错的心理容忍度。毕竟，99% 的成功率意味着每 100 次就有 1 次可能把白衬衫叠成抹布，而用户往往记住的是那 1 次。

Sunday Robotics 的 ACT-2 是一块很好的路标，但不是终点。就像我用的 AI 选品工具，最初也经常推错类目，但每迭代一次，我对它的信任就多一分。机器人也一样，需要时间。

原文链接：https://www.ithome.com/0/978/617.htm