机器人撞人、跌倒、头掉了…… 我们去人形机器人运动会看了一整天。各个项目的参赛选手，个个身怀绝技，不过重点还是看足球 —— 因为这次运动会，大多数项目都允许真人在背后遥控，而足球赛要求机器人必须是自主行动：自主理解环境、自主配合、自主摔跤。

2025 年了，AI 的 “大脑” 已经超越绝大多数人，但 “小脑” 似乎还没发育好。想让机器人像人一样运动，为什么这么难？

我替机器人说两句：做人，就是很难。

AI 领域有个著名悖论：意思是对于数学、下棋这种需要复杂认知的任务，AI 已经远超普通人，但它想学会走路、踢球这种对人再简单不过的动作，却难上加难。为什么？

其实还是时间的威力。人类祖先从开始具备复杂的认知能力，到现在 “练习时长” 大约是几十万年；而奔跑、跳跃这类动作，看似简单，背后依赖的直觉和协调性等等，却需要上亿年的生物进化才能达到。AI 离抹平这个差距，还差得很远。

而如果从运动的角度，我们会发现，今天赛场上的机器人，相比过去好像还 “退化” 了。像波士顿动力的机器人，早在 2017 年就可以优雅地后空翻，而今天场上这些机器人，却显得呆滞又迟缓。难道是机器人的 “进化术” 走偏了吗？

并不是。波士顿动力过去是控制理论的代表，这些机器人看起来动作流畅，但底层依赖的是人类工程师预先编写的规则和公式，以及高度可控的环境，本质上不是自主的行为。这条路线最终没法通向真正的智能，只能通往 “表演”。

过去 10 年，以语数为代表的行业，引入了强化学习来训练机器人。它的底层逻辑是：通过大量仿真数据构造虚拟环境，让智能体在其中不断试错、修正，最终自己找到一套好的动作策略，再把这种策略迁移到现实的环境之中。

然而，单靠这一种方法也有局限：机器人在一项任务上学到的能力，很难泛化到其他场景。比如机器人学会了后空翻，也学会了射门，但要想让它把两个动作结合起来，像 C 罗那样踢出倒挂金钩，它就想不到了，还得重新训练。

为了让机器人真正 “学会做个人”，目前业内认可的主流方案是 VLA（视觉 - 语言 - 动作模型），让机器人同时学习视觉图像、文字语音和动作行为之间的内在联系，看懂环境、听懂指令、做对动作。而这种路线，需要海量的数据来支撑 —— 顺利的话，它能像 ChatGPT 那样 “力大砖飞”、智能涌现、突然开悟，但目前，机器人大脑发育最大的障碍，恰恰又是数据不够用。

比如，这是特斯拉机器人工厂，而这些带着 VR 眼镜、穿着动作捕捉设备的人类，就是在采集真机数据，包括真人看到的场景、收到的指令和动作轨迹等等。看起来很科幻，但这种工作其实属于 “劳动密集型”。据我们了解，国内一家头部的人形机器人创业公司，一个采集员每小时大概只能生产两条有价值的训练数据，折算下来，一条真机数据的成本是 10 块钱。而一位机器人公司的技术负责人说，初步检测 VLA 的学习能力，至少要 1000 万条高质量的真机数据 —— 大家可以算算，为了补上这个差距，需要多少钱、多少时间。

除了真机采集，目前也有直接用视频数据，或者用仿真模拟数据训练 VLA 的方式，从而提升数据规模，代价就是要牺牲一部分质量。不过总体而言，当下走 VLA 路线的机器人，动作还是比较迟缓，像是开了 0.5 倍速，还被吐槽成 “美国前总统模拟器”。

说到底，想让机器人真正 “学会做人”，是一条漫漫长征路。不管是之前的控制理论、强化学习，还是现在流行的 VLA，可能都不是这条路的终点。真正的终点，也许只是一个瞬间，但在那个瞬间来临之前，我们也得像今天这些机器人一样，不断碰壁、跌倒，又一次次站起来，才能最终找到新的方向。