为了让机器人成仙：无数可怜人正戴上传感器，整天切黄瓜叠衣服！

业内人士指出，人们对人形机器人的兴趣由来已久，真正发生变化的是，如今这项技术已经具备商业化的可行性，而人工智能显然在其中扮演了关键角色。

行业的希望寄托于破解"物理人工智能"的密码——将专门化的人工智能装入一副拥有传感器、电池和执行器的身体，而这些执行器本身就极其昂贵且技术复杂。

这被视作一种范式转变，有望让人形机器人在2050年之前发展成为规模高达数万亿美元的市场。

但要兑现这些庞大的数字，靠的绝不是派对小把戏或舞蹈表演，而是要让机器人真正进入家庭、医院、工厂，尤其是工厂。

有从业者坦言，一旦真正与机器人共事，就会意识到其中的挑战之大，眼下市面上确实存在不少"人形机器人炒作"。

炒作的声音大多来自科技行业最具影响力的人物，但炒作既建不起供应链，也改写不了全球劳动力市场。真正在支撑这场变革的，是那些不为人知的角落——比如深圳某产业园里一间没有窗户的无尘实验室。

清晨九点，26岁的阿强已站在实验室里，头顶重型头盔，身背电池与线缆，耳麦里传来数据组长冰冷的提醒："下刀要慢，手腕力道保持均匀，千万别摇晃脑袋，这组50Hz的位姿和触觉流数据很贵。"

切黄瓜、叠衣服、开抽屉，这些琐碎到极致的动作，被以每秒五十次的频率封装进服务器，成为机器人"觉醒"路上的燃料。

一段拍摄于2025年的演示画面展示了名为Neo的机器人，它宣称由人工智能驱动，但在演示中仍需真人远程协助操作，操作员的名字恰好叫图灵。

Neo的制造商是初创公司1X，创始人是伯恩特·博尔尼奇。

他介绍说，眼前这一台是Neo的伽玛版本，也是员工在自家进行家居测试所使用的版本，正是它帮他洗衣服；而目前正在研发、即将投产的最新工程版本，将进入首批客户家庭。

博尔尼奇解释，Neo的整体行为在本质上都是由人工智能驱动的：它接收图像、力、触觉以及关于世界的一切信息，输入一个庞大的神经网络，最终输出直至具体力矩的电机指令，从而完成从平衡、行走到操作物体的各种动作。

与传统机器人被编程为以固定方式重复同一任务不同，使用人工智能的机器人在理论上可以随着时间推移，在不可预测的环境中不断学习。

这类技术有时被称为"物理人工智能"，除了人形机器人之外，还涵盖其他通用智能机器人以及无人驾驶汽车——凡是依靠电机、传感器、摄像头和人工智能模型来理解周遭世界的设备，都归于此列。

博尔尼奇指出，行业已经清晰地看到，数据量与机器人能够完成的任务数量和成功率之间存在明显的正相关关系。数据越多，机器人的表现越可靠、越通用。

而这正是行业最大的困境所在——它需要海量、真实、带有物理接触反馈的数据，仿真世界远远不够。

以往大家寄希望于"合成数据"，也就是在类似电脑游戏的仿真引擎里，让虚拟机器人练习几亿次，但仿真终究抹不平真实世界里那点微妙的摩擦、重量和意外。

于是，一支规模惊人的"人肉数据大军"被推上了流水线。在特斯拉Palo Alto的工程总部，数十名被称为"数据采集员"的工人，每天背着重达14至18公斤的电池与电缆背包，头上戴着挂满5个摄像头的重型头盔，在模拟客厅和厨房里全天候重复做家务。

特斯拉为此开出了每小时20至48美元的高薪，计划采集上亿小时的轨迹数据。

而在Scale AI以及新晋数据巨头Avala的"物理AI工厂"里，这张网络甚至延伸到了全球——Avala旗下聚集了超过1.5万名经过专业训练的遥操作员，他们手握外骨骼遥控架，以每秒50次的高采样频率，实时向服务器传输第一人称空间内容与骨骼关节角度。

所谓机器人"越来越聪明"，其实是无数普通人日复一日把自己的身体拆解成数据流的结果。

这就是当下的悖论：为了让机器最终能"独立行走"，一大批可怜人先被套上了传感器。

他们的动作要标准、稳定、可复用，脑袋不能晃，手腕不能抖，情绪也不能溢出画面。人被要求先像机器一样精确，机器才能反过来学着像人一样自然。

回到落地场景，物流企业GXO的高管帕特里克·凯勒赫表示，公司大约一年前开始进行人形机器人试点，过去10年一直在使用各种机器人，目前正处于将人形机器人引入仓储运营的前沿。

据其介绍，GXO找到了一些人形机器人可能发挥作用的场景，例如在冷库环境中作业。

人形机器人能够在冷库中连续工作至电池耗尽，完成由库外人员指挥的任务，从而避免让员工长时间处于寒冷环境中。

然而，人形机器人目前仍远非完美：它们会损坏货品、掉落物品，还可能把货物放错位置。因此让员工与其协同工作、进行纠错和审核至关重要，以确保动作的准确性。

人形机器人在工程层面仍面临诸多挑战，可能在仓储流程中形成瓶颈——它们速度较慢，电池续航有限，而抓起箱子或处理物品所需的灵巧性，是依靠电机和执行器运动的人形机器人难以复制的。

凯勒赫认为，未来几年人形机器人不会大量替代员工的岗位，因为任务过于复杂，从品质角度也太过关键，且基于最终定型技术的投资回报率目前仍不明朗。

除了物流巨头，亚马逊、现代等企业也在测试第三方人形机器人，一些厂商则陆续公布早期数据。

这些试验对判断人形机器人的适用场景至关重要，同时能为技术研发和监管完善提供源源不断的数据。数据、场景、反馈，构成了一个不断自我强化的循环，而这个循环的最底层，正是那些戴着头盔、背着电池、在实验室里挥汗如雨的采集员。

人形机器人最有可能率先落地的场所，如工厂和仓库，本身就是为工业机器人设计的。而要把它们放进面向人的环境，如医院和家庭，或将是更严峻的考验。

有经济学家分析，在制造业中，生产流程高度固定，可以将人隔离开让人形机器人执行任务；而在医院这样的半结构化环境中，即便有护理协议和流程规范，仍存在大量不确定性，且往往涉及生死攸关的情境，出错的代价极高。

那么，人形机器人未来会克服技术障碍、收回投资，成为帮我们叠衣服、浇花、造车的不可或缺的伙伴，还是最终成为一种新奇的过客，让位于其他形态的机器人？在这一领域深耕四十年的戈德堡表示，看到这门学科一次次焕发新生令他深感着迷，也让他兴奋。

他认为这一领域仍有许多年份的问题和研究等待完成，因此他并不希望自己的表述听起来令人沮丧——事实上他对未来相当乐观，只是同样重要的是，对时间表要保持现实的态度。

与此同时，一台人形机器人在阳台上向镜头挥手，无人机缓缓拉远，或许正是当下这一切合适的注脚。

说到底，机器人要"成仙"，靠的不是奇迹，而是无数个阿强在无尘实验室里切下的每一刀、叠好的每一件衣服。

这些以每秒五十次采样频率上传的动作数据，正在以肉眼看不见的方式，一点点堆起未来那栋高楼。

高薪、外骨骼、头盔、背包，光鲜的数字掩盖不了一个尴尬的现实：在通用人工智能真正落地之前，人依然是最廉价也最精密的传感器，被反复调用、反复消耗。

当机器人终于学会稳稳切开一根黄瓜的那天，或许没人会记得，是多少个清晨九点、多少个僵直的手腕、多少组昂贵的数据流，把它一步步送上了那条被称作"未来"的路。