具身智能：机器人为什么还学不会叠衣服

引言

大模型能写文章、能解题、能对话，于是人们自然会问：为什么机器人还做不好叠衣服、收拾桌子这些小孩都会的事？答案揭示了一个关键差别：语言与图像可以在网上大规模学习，身体经验却很难批量获得。具身智能讨论的正是这个问题：智能不只是会说、会看，还要能在真实世界里动手、感知反馈、从失败中调整。

一、叠衣服难在哪里

叠衣服看似简单，实际包含一连串难题。衣服是柔软的、可变形的，拿起来的形状每次都不同；机器人要先感知布料的边缘、褶皱与重力状态，再决定抓哪里、用多大力、怎么翻折。每一步都会改变下一步的初始条件，误差会不断累积。相比之下，抓取一个固定形状的盒子要简单得多，因为盒子的状态可以用几个数字描述清楚。柔性物体、接触力、摩擦与形变，这些物理细节让“叠衣服”成为检验具身能力的经典难题，而不是工程师故意刁难。

二、数据困境：身体经验无法靠爬网页获得

语言模型可以从海量文本中学习，机器人却没有同等规模的身体数据。真实机器人采集数据慢、成本高、还容易损坏设备；仿真环境可以批量生成数据，但仿真与现实之间存在差距：仿真里的布料、摩擦、光照与真实世界并不完全一致，仿真里练好的技能搬到真机上常常失灵。折中办法是两者结合：仿真中大规模练习基本技能，真实数据做小规模校准与验证，再通过遥操作收集人类示范。但这条路仍然昂贵，而且每个任务、每种物体往往都要重新积累数据，通用性远不如语言模型。

三、感知与控制必须闭环

人叠衣服时，眼睛和手是实时配合的：看到褶皱就调整手指，感到布料滑动就改变力度。机器人也需要这样的闭环，而不是先拍一张照片、想好全部步骤、再闭着眼睛执行到底。触觉、力觉、视觉要融合起来，动作要根据反馈不断修正。做到这一点，需要感知、规划与控制协同工作，而不是各自为政。很多演示视频看起来流畅，是因为环境被精心布置过：光线固定、衣服平铺、位置已知。换一个真实家庭环境，变量一多，系统的脆弱性立刻暴露。

四、通用与专用的取舍

目前的机器人大多是专用选手：在固定产线、固定任务上表现可靠，换个场景就不行。具身智能追求的是通用身体能力：一个机器人能处理多种物体、适应多种环境、理解人类的自然指令。但通用性的代价是能力稀释：什么都会一点，什么都不够可靠。现实路径可能是先把一类场景做扎实，例如仓储分拣、家庭整理中的某几个固定动作，再逐步扩展，而不是直接宣称通用机器人已经到来。对购买者与使用者来说，区分“演示”与“产品”、区分“固定环境”与“开放环境”，是避免被夸大宣传误导的关键。

五、为什么这件事值得期待，又不必急于乐观

具身智能的进展是真实的：视觉与语言模型给机器人提供了更好的理解能力，低成本硬件与仿真工具也在降低门槛，越来越多的任务可以从人类示范中学习。但身体智能的积累速度，天然慢于纯数字智能，因为它受限于物理时间、设备成本与安全要求。未来几年，更可能看到的是特定场景里的可靠机器人助手，而不是无所不能的家庭机器人。叠衣服这件小事提醒我们：智能的终点不只是更会说话，而是更会与真实世界打交道，而这条路需要耐心。