场景赛的金牌，比百米冲刺更有含金量

我注意到一个有意思的细节：第二届世界人形机器人运动会，智元精灵 G2 拿了两金三银两铜，两块金牌分别来自消防应急和图书管理，恰恰是场景赛里最不起眼的两项。场馆里不少观众围在百米赛道旁边看机器人冲刺，但真正让我驻足的，是图书场景里那个把书从货架拿下来、翻到指定页码、再放回原位的机械臂动作。慢，但稳。

这届赛事把场景赛从 6 项扩到 21 项，占全部 51 项的四成以上，报名队伍 666 支，场次翻了一倍多。竞技赛的规则很好理解：跑得比别人快、举得比别人重、踢得进球门，全是可量化的指标。场景赛不一样，它考的是「能不能把一个长流程完整走下来」。货架识别、路径规划、抓取姿态、放回位置，中间任何一环掉链子，前面全白干。从我这边看，竞技赛比拼的是机器人的上限，场景赛测的是它的下限。

我在实验室带学生做蛋白质结构预测时，经常遇到类似的问题。AlphaFold3 在同源建模的标准数据集上跑出不错的准确率，一换到新蛋白、新底物，结果就垮一半。原因在于标准集里的样本分布是光滑的，真实场景充满长尾：某段序列就是和已知结构不像，某些 loop 区域就是比训练集里所有样本都别扭。机器人也是一样。场馆里跑得再稳的机器狗，换到铺着地摊、光线忽明忽暗的家里，可能连门槛都过不去。所以「场景赛」这个设计本身，就是行业在替产业化回答一个问题：机器人在非理想环境下，到底能扛住多少不确定性。

这届运动会把 100 米改成了全自主项目，场景赛也要求全自主定位、识别与操作。全自主意味着容错率被拉低了，以前出了问题人可以远程接管，现在规则要求你把判断权交给模型本身。裁判和观众看得见的是机器人拿没拿稳一本书，看不见的是这个动作背后，从视觉语言模型到运动控制指令的决策链路。我对这条链路太熟了，输出格式但凡有一点不稳定，下游一个抓取动作就不知道偏到哪里去。结构化指令加字段校验，这套做法在机器人控制里同样适用。先锁死接口，再谈智能，顺序不能反。

所以我不太认同「拿了奖牌就能拿订单」这个口号，它只对了一半。奖牌证明的是机器人在设定条件下能完成任务，但订单需求端往往是「在场馆里能跑，不等于在仓库里能用」。供电、网络、光照、货架间距，环境里任何一个变量变了，模型可能就需要重新微调。不过反过来想，人形机器人公司愿意把比赛当自己的训练场，这个信号本身比名次更值钱——与其在虚拟环境里刷一万个回合，不如在真实场景里设三十道难题。出赛场就能进现场，这个标准对现在的行业来说仍然偏高，但方向是对的。

至于奖牌能不能换订单，那是后话。这届运动会把场景赛比重拉这么大，至少说明行业在认真对待这件事。