展台上翻跟头容易，走进家里怎么这么难

这问题我琢磨了好一阵子：为什么展台上翻跟头、跳舞、端茶倒水的机器人看着已经挺能打，一说到买一个放家里，大家第一反应都是摇头？

过去十八个月人形机器人融资翻了数倍，这个数字我不怀疑。但资本和展台热度背后，真正值得抠的是另一件事：从「在展台上表演一个动作」到「在家里陪人待一整天」，中间隔着的到底是不是几代技术迭代的距离？还是说压根就是两条路线，只是被放在同一个筐里了？

拿我做风控的视角看，这里面的核心矛盾和上线一套反欺诈模型几乎一模一样。展台是结构化环境，灯光固定、地面平整、观众和你隔着一道围栏，机器人只需要执行脚本化的动作序列，本质上是在「条件可控」的测试集上跑。而家庭环境是一个完全开放的非结构化空间，光照在变、地毯的摩擦系数在变、小孩的玩具散在地上，更麻烦的是家里每个人的行为都不符合任何脚本预设。这就像我们离线回测跑得再漂亮，一上真实流量就现原形，特征分布飘了、误报率飙升，黑产从没按测试集出过牌。

张福民那段话说得挺准，陪伴机器人要同时攻四个技术支柱：运动、交互、记忆、触感。但我看完第一反应是，这四个里面真正决定能不能进家门的，可能不是大多数人以为的「运动」。关节电机做得再柔顺，那是工程问题，堆钱堆时间能解决。真正的坎在记忆和交互，这两个东西决定了机器人是「像人」还是「像机器」。

交互要求本地化部署的大模型实现低延迟多轮对话，这个牵扯到算力层面的死结：大模型训练动辄上万张GPU集群，但机器人本体上只能跑Jetson那种嵌入式平台，中间隔着剪枝、量化、蒸馏一整条模型压缩的链路。我做异常检测也遇到类似的事，服务端跑得动的模型，挪到端侧设备上要么精度掉得没法看，要么延迟卡到用户直接卸载。这代机器人低价卖出去，结果对话反应慢三秒，比动作僵硬更劝退。

记忆这块我觉得是被低估最严重的。长期记忆加情感状态机，跨会话留存个性化信息，这听起来不过是给LLM加个数据库，但落地场景细想全是坑。风控里做用户画像，维度再多也就几十上百个特征，而且大部分是数值型的。人的对话记忆是语义级的，昨天的玩笑、上周提到的同事名字、生气时语气变化，这些要跨会话保持一致性，对状态管理的要求极高。我这边测下来，上下文稍微一长就丢信息，从聊天流里抓任务信息最怕上下文断裂，这个问题在机器人身上只会更严重，因为它的输入不光是文本，还有视觉、触觉、环境状态的多模态融合。

再看仿真和现实的鸿沟，这也是我上周在医疗机器人那篇里提过的老问题。域随机化在仿真里把摩擦力、光照、传感器噪声都搅了一遍，本质上是想穷举现实世界的不确定性。但现实世界的不确定性和黑产手法一样，是演进式的，永远有你没枚举到的那条路。仿真几小时攒出人类多年交互经验，这个听上去很美，但经验的分布跟真实世界差着量级。碰倒一个水杯、猫跳上桌、老人突然停顿的动作，这些极端长尾事件，仿真里给一百个随机种子也覆盖不出来。

还有数据本体割裂的问题。两指、三指、五指灵巧手各有各的数据集，不同本体采集的数据没法互相复用，这在我眼里就是典型的重复造轮子。领域里做异常检测，各家特征工程各有各的高招，但至少数据的schema是统一的，换个算法跑同一份数据没问题。机器人这边不一样，本体形态直接把数据格式锁死了，开源数据集换个硬件就复现不了，等于标本都采了但没法共享。这个格局不改变，行业级的通用数据集就起不来，各家都在自己的小圈子里内卷。

所以我倾向于判断，工业场景会先跑通。仓储、巡检、产线是半结构化的，规则可预期，任务边界清晰，即便出了问题也很容易被人工兜住。家庭场景为什么这么难？因为这个场景的定义本身就是「没有标准场景」。做工业机器人可以定义准确率、成功率、节拍时间，做陪伴机器人你要回答一个问题：什么是「正常的陪伴」？这个定义在不同家庭、不同文化、不同年龄段的人之间都不同。我在风控里最有感触的一件事，识别异常容易，定义「正常」极难，因为正常本身就是一条浮动的地平线。

展台上翻跟头证明的是工程上限，走进家庭赌的是对「正常」的理解。后者才是那堵真正的高墙。