智東西
作者 許麗思
編輯 漠影

機器人花式后空翻、拳擊、擬人化奔跑、跳舞……這些高難度炫技已經讓人見怪不怪，進工廠干分揀、組裝、巡檢也越來越多，有時候容易讓公眾覺得，機器人看上去很聰明能干，距離走進日常生活不遠了。

但把視角從屏幕拉回到產業現場，畫風卻不太一樣。行業整體處在試點多、規模化少的早期階段，多數項目仍停留在實驗室demo和展會秀場，技術路徑、商業模式都還在探索，真正能落地的少之又少。

這種觀感上領先、應用上滯后的強烈反差感，不由得讓人追問，無遙操、全自主的機器人距離走進人類生活到底還有多遠？

ATEC2025賽事專家委員會主席、香港工程院院士劉云輝教授提出，機器人有三大核心能力，行走、操作、改造環境。這也是判斷機器人能否適應真實環境的重要依據。再具體一些，從機器人完整的“感知-決策-執行”的流程上來看，機器人需要準確感知真實環境，進行全自主決策，并完成最終的長鏈條任務執行。

問題是，這些能力在今天的機器人身上，究竟到了哪一步？行業需要一個盡量接近真實又能公開觀察的窗口。

近日，第五屆ATEC科技精英賽構建了一套真實世界適應力測試框架，比賽由香港中文大學主辦，ATEC前沿科技探索社區、北京大學、北京師范大學、螞蟻集團聯合承辦，專家評審陣容包括劉云輝、謝立華、Masayoshi Tomizuka等多位國際知名機器人學者。

賽事在全戶外場景下考察行走、操作、改造環境等多項能力，來自全球的13支頂尖賽隊完成了吊橋穿越、定向越野、自主澆花與垃圾分揀等系列任務。

就像螞蟻集團技術戰略部負責人所說，“設計的每一道題，都不是為了讓它‘完成得好看’，而是為了讓它在碰撞中暴露真正的弱點。因為如果問題不是真實的，就不會牽引出真實的技術進步。只有“真問題”，才能讓行業知道下一步要突破什么。”

一、拒絕標準化環境，機器人須進入非結構化的真實場景

當前，多數機器人技術驗證，基本都是在燈光可控、地面平整、障礙物規則的標準化環境中。

結果就是，這種設置屏蔽了真實世界的大量不確定性，就算取得不錯的表現，也難以拓展到其他場景的應用中。這是在判斷全自主機器人能否進入人類生活場景時，最先被標準場地抬高預期的第一個維度——環境感知能力。

感知到底難在哪？對機器人來說，要求它能習慣各種亂七八糟的光影、背景和雜物，能實現多模態信息融合，還要在目標和環境不斷變化的情況下，保持輸出穩定。

ATEC2025賽事組專家、香港中文大學（深圳）理工學院助理教授鐘仿洵提到，“真實環境里最大的問題是不確定性和高動態性，你看到的不一定是真的。”機器人必須具備識別并處理感知信息中“不確定性”的能力，這是實現高級自主的前提。

垃圾分揀就是一個很典型的例子，這樣的任務尤其注重機器人的環境識別能力：垃圾類型、材質、形狀都各不相同，還可能有污漬、遮擋、隨意堆疊。同一個物體只要在堆疊順序、污漬上變一下，在實驗室里訓練出來的識別能力很可能一下子就無法正常工作了。

多支賽隊在采訪時提到，實驗室里的精準識別，到了真實場景可能瞬間失效。比如，比賽當天，香港大晴天的太陽光線非常強烈，香蕉皮在被反復抓取后發生不可回彈形變；實驗室采集的桌子數據完全不適用，現場桌子反光影響了激光相機點云；透明物品比如礦泉水瓶由于反光等原因，導致多臺機器人識別失敗；有的機器人垃圾還沒抓取到，就急著往垃圾桶走……

這與很多機器人應用試點中，換一個工位、燈光，應用效果就大打折扣的情況高度相似。它們指向的都是同一個行業事實：機器人在真實環境的感知能力，是可大規模部署的基本前提。

在運動場景中，類似的問題同樣存在。定向越野比賽，復雜蜿蜒的林間小路光影搖曳，樹蔭和坑洼不斷交錯，機器人必須判斷眼前的暗塊到底是可以踩上去的土路，還是需要回避的坑洼，需要感知系統可靠估計地形、識別可通行區域。

劉云輝教授表示，這類任務強調是在自然場景下測試運動能力和環境識別，在一些有限引導下，看看機器人能不能通過實時反應克服障礙、爬山涉水。

作為冠軍選手的浙大Wongtsai團隊稱，面對復雜的真實環境，他們在Isaac LAB中搭建了一個盡可能還原比賽場景的環境，甚至專門對RealSense相機的噪聲，比如雙目視差、散斑投射、紋理缺失等問題進行模擬。這種“仿真到真實”的閉環設計，讓他們的四足機器人成為首個全自主跑完全程定向越野的參賽選手。

行業正加快從標準場地可用走向真實場景可用，真實環境是機器人走出Demo、能在更多場景復制落地的必修課。

如果機器人能學會全自主垃圾分揀，解決了背后復雜視覺感知、多材質物體識別、穩定抓取上的長期難題，就有望在工廠、環衛、物流等“臟亂差”場景應用；如果機器人能自主完成定向越野，就能解決未來在園區巡檢、戶外勘探、災害救援等復雜地形場景中遇到的真實難題。

二、擺脫人類遙控，機器人大規模落地需要自主決策

現在，我們看到的許多炫酷的機器人能力展示，很多都是由人類操作員遙控操作，機器人更多扮演遠程操作平臺，而非具備真正決策能力的智能體。這種機制，在產業發展早期，確實能夠更快速驗證機器人能力、收集數據、積累經驗等。

但是，機器人的表現很大程度上來自人類的經驗判斷和臨場操作，是人腦在替機器人的大腦工作，容易掩蓋了機器人在感知、決策等的短板，難以真實反映其在無人干預下的表現。這是在判斷全自主機器人能否進入人類生活場景時，最容易被遙控表現美化的第二個能力——決策自主性。

一些頭部公司已經做出調整，以特斯拉Optimus為例，年中，其宣布放棄了傳統遙控操作學習的方式，之后，馬斯克10月發表對Optimus功夫視頻的評論：“是AI，不是遙控”，這都說明，無遙控已經成為具身企業未來發展的清晰共識。

全自主、無遙操是行業發展的重要趨勢所在，賽事通過評分規則，明確獎勵無遙操的參賽選手。但這也極具挑戰性，浙大Wongtsai團隊的隊長朱承睿形容，從人類遠程遙控操作到自主控制，大概是蒸汽機時代到電氣化時代的飛躍。

吊橋穿越任務中，機器人需要通過三種不同間距的橋面段，自主識別橋面結構，決定是否需要借助工具通過、是否拉繩搭橋等。有的選手給機器人裝上寬大的“腳底板”，避免穿越過程中被縫隙卡住；有的機器狗通過跳躍繞開縫隙，還省略了拉繩搭橋的步驟。

在劉云輝院士看來，這類任務的核心是決策與規劃，因為橋板位置不一樣，機器人要自己做思考、做決策，比如拿起板來填充，從而改變環境，適應自己的運動。這是包含了環境評估、工具使用、任務規劃的高級智能行為。

港中文CUMAE團隊談道，比賽中的不同任務對機器人的硬件和AI能力有不同要求，AI和機器人的發展應在一個大系統里相互配合、發揮優勢，而不是彼此單獨發展，這給了團隊在未來解決類似問題的一個思路。

目前，機器人在小腦的運動控制與運動性能進步飛快，但在大腦部分的AI能力還很基礎，不少業界人士都曾表示，AI能力不足也導致了機器人沒能真正大規模落地。

隨著行業向規模化落地邁進，全自主能力必然會成為機器人企業的核心競爭壁壘，也是機器人從“工具”邁向“伙伴”的核心標志。

三、不止單一能力，機器人需要穩定跑完一整條長程任務鏈

即使感知、決策能力都過關，機器人能否進入人類生活場景，還取決于第三個維度：能不能穩定執行具有一連串復雜動作的長程任務鏈，而不是只完成某一個精彩動作。

不少演示都是通過遙控來實現對機器人單一動作能力極限的展示，但是在倉儲揀選、園區巡檢、災害救援等真正應用場景中，機器人需要完成的是具有多個步驟的長程任務鏈。

家庭場景也是如此，疊衣服、澆花、洗碗、收納等也是長程任務，以家庭澆花這樣看似小事的精細任務為例：機器人需完成取水壺、接水、走到花盆前、控制澆水、再歸位的全流程，水壺重量和重心在過程中持續變化，這考驗的是從感知、規劃到力控、步態協同的一整套能力。

在ATEC的自主澆花任務中，這種系統性挑戰被直觀呈現：有的機器人在拿起水壺后頻頻搖晃、對不準澆花位置等，需要多次調試，人工多次干預；少數隊伍能完成全流程，但往往速度較慢。這些場景與現實中“機器人總是要人去救場”的情況非常相似。

“VLA模型有一定的泛化能力，但它只能理解圖像和語言指令，無法將這些指令與真正的物理交互相對應，在物理世界的理解和交互能力方面存在不足。”浙大Wongtsai團隊說。最終，團隊還是選擇了傳統的視覺識別+機械臂規劃的方案。

北理工CyberPrime團隊提到，自主澆花任務難以全自主完成的原因主要有兩方面：硬件上，傳統高精度機械臂重量大、速度慢，搭載在四足機器人平臺上不穩；軟件上，操作算法泛化能力有限，實驗室用少量道具訓練的策略，到了比賽現場完全不適用。在他們看來，機器人走入生活，硬件運動能力沒問題，主要瓶頸在于操作精度、安全性和自主性，這也是實驗室未來幾年主要攻破的方向。

這也揭示了具身智能正面臨的處境：各種模型、算法看上去很聰明，但一落到具體機器人的執行層面上就處處受限，軟硬件脫節；機器人下半身能夠順利移動，但是上半身操作環節卻格外吃力。更嚴格地說，即便能跑起來，在長時間、多輪次、多場景的任務鏈下，它們也很難保持一貫的穩定性和可維護性。

未來，真正落地的機器人產品，必須要面對長程任務鏈這道坎，重視系統可靠性、任務完整性實現移動與操作的統一。

結語：真實世界“翻車”很正常，是具身智能落地的必經之路

兩天的比賽看下來，任務挑戰大，全自主太難，機器人翻車情況確實存在。

不過，劉云輝院士覺得，翻車很正常，也是一個進步，至少把機器人拿到場景下測試了，失敗也是一個結果，但能夠給到反饋，讓開發者反思哪里做的不夠好、技術應該怎么改進。“我覺得你沒有失敗，其實就永遠不可能有成功的一天。”

針對戶外復雜場景，各參賽隊伍嘗試了多樣化的技術路徑與創新方案：有的團隊將傳統模塊化算法與前沿的端到端大模型方案并行測試，尋找穩定性與智能化的最佳平衡；有的為應對吊橋的動態晃動，設計出輕量化控制與實時環境建模相結合的獨特策略。這些充滿創造力的技術探索，為機器人場景落地積累了寶貴實踐經驗。

不少參賽選手在采訪中都提到，ATEC的比賽設置貼近現實場景，對技術發展來說具有更實際的意義。他們基本都懷抱著強烈的使命感，期待著機器人未來更多地去完成人類無法完成的工作，讓機器人去承擔人類危險的工作，這種真實世界極限挑戰就是通往那條路的起點。

具身智能要從風口上的故事變成基礎設施，需要一套能經得住時間考驗的測試場和評價體系。

幾年后回頭看，這場沒那么多“爽感”的基于真實場景的大賽，或許正是這套體系的早期雛形。