两个“具身”的路线之争：WAIC上的规则引擎与端到端

WAIC第三天，我挤在浦东展馆的机器人区，旁边一个做自动驾驶的哥们儿正在吐槽：“你看这个抓取演示，五秒一个动作，比我们线上模型的latency还稳定。” 我盯着那台机械臂——它正用真空吸盘把一个易拉罐从A点挪到B点，动作精准但机械，像极了我们风控系统里那些跑了几年的固定规则：if 设备指纹黑名单 then 拒绝，if 交易金额>阈值 then 人工审核。

另一边的展台，具身智能的Demo正用自然语言指令控制机器人：“把桌上的苹果放到蓝色盘子里。” 机器人停顿了两秒，然后歪歪扭扭地移动夹爪，成功了一半——苹果滚到了盘子边缘。围观人群鼓掌，但熟悉黑产的我都知道，这种“两秒延迟”和“成功率九成”在真实生产环境里意味着什么。

两条路线：规则引擎的“可解释性” vs 端到端的“灵活性”

先看传统机器人控制。这就像我们做反欺诈的经典规则引擎——确定性、可审计、可回滚。一个典型的工业机械臂程序：

# 传统控制逻辑（伪代码）
def pick_and_place(object_position, target_position):
    if not gripper_status == "ready":
        return error("gripper not ready")
    approach_vector = object_position - current_position
    if norm(approach_vector) > safety_threshold:
        return error("approach too far")
    move_to(object_position, velocity=0.5)
    gripper.close()
    lift_up()
    move_to(target_position, velocity=0.3)
    gripper.open()
    return success

每个步骤都有边界检查，异常处理，日志输出。规则覆盖度可以量化，误报率可以压到0.1%以下。但代价是：只能处理已知场景，换一个零件就要重新标定参数。

再看大模型驱动的具身智能。这像我们最近在尝试的图神经网络异常检测模型，端到端，从视觉输入直接输出动作序列：

# 端到端具身模型（推理阶段）
perception = vision_encoder(camera_image)  # 256维特征
language_embedding = text_encoder("pick up the apple")  # 128维
joint_state = robot_state_encoder(joint_angles)  # 64维
action_tokens = transformer_decoder(perception, language_embedding, joint_state)  # 每个token控制一个电机
motor_commands = token_to_motor(action_tokens[-1])  # 最后一个token映射到执行

[!note] 核心差异：规则引擎的延迟是纳秒级的，端到端模型的推理延迟至少是百毫秒级。在物理世界，100ms的延迟就可能让机械臂撞上工件。

数据驱动的“黑产”问题：泛化与过拟合

WAIC上最让我感兴趣的是某公司的“柔性抓取”方案。他们用仿真数据训练了一个抓取姿态预测模型，宣称能抓取任意形状的物体。现场演示很完美——但我和他们工程师聊了聊，发现两个致命问题：

• 仿真到现实的迁移鸿沟：仿真中摩擦力、光照、物体材质都是理想化的。真实场景中，一个沾了油的苹果和一个干燥的苹果，抓取策略完全不同。这就像我们风控的“样本选择偏差”——训练集里80%是正常交易，黑产样本只有1%，模型学到的是“大部分交易正常”，但实际部署时黑产会精准攻击那1%的盲区。

• 规则覆盖度的“长尾”：演示中他们只展示了三四种物体。我问：“有没有测过不规则物体，比如剪子、钳子？” 对方沉默了两秒。这让我想起我们做规则引擎时的一个经验：任何规则集都有长尾，端到端模型只是把长尾从显式规则变成了隐式特征。黑产会找到那千分之一的特征组合，像对抗样本一样触发模型的最差结果。

工程落地：谁能在物理世界跑通？

现阶段，我倾向于认为“混合架构”才是现实路径。就像我们做反欺诈，先用规则引擎过滤掉90%的明确欺诈，再用深度学习模型处理模糊案例。在物理世界，可以这样分层：

1. 底层运动控制：用PID、轨迹规划等传统控制，保证安全性和实时性（毫秒级响应）

2. 上层决策：用大模型理解任务语义，生成粗略动作序列（秒级规划）

3. 中间层：规则引擎做“安全护栏”，校验模型的输出是否在物理约束内（比如关节角度、力矩限制）

拿风控场景类比：规则引擎是“拒绝列表”，深度学习是“风险评分”，混合架构是“先查拒绝列表，再打分，然后人工复核高风险”。

WAIC上还有一个展台展示了“机器人安全停靠”系统——当检测到人员靠近时，机器人立即降速并停止。这其实就是一个简单的规则：if 人体距离 < 50cm then 急停。用端到端模型去做这个判断，反而会因为推理延迟导致安全隐患。

最终，物理世界的AI竞争，不是模型参数量的竞争，而是工程容错率的竞争。黑产不会给你时间调参，产线不会因为你的模型“正在学习”就停止生产。

原文链接：https://www.qbitai.com/2026/07/454802.html