自动驾驶的镜子:为什么具身智能比Robotaxi更难走出“恐怖谷”

自动驾驶的镜子：为什么具身智能比Robotaxi更难走出“恐怖谷”

Robotaxi被旧金山交警拦下后打着双闪等远程接管——这条视频之所以看着滑稽，恰恰因为它暴露了自动驾驶如今最成熟的生存法则：遇到麻烦就退回保护壳里。而这枚看似憋屈的保护壳，对于扑进千家万户的机器人来说，是一件永远买不起的奢侈品。当资本市场齐刷刷用自动驾驶的曲线去推演具身智能的“ChatGPT时刻”时，那辆停在十字路口的无人车就像一个隐喻——它提醒所有人，物理世界的复杂度从来都不是一条均匀的直线，而是一道越往后越深不见底的断裂层。

莫拉维克打了个样：你那叫“跑腿”，我这叫“活着”

但凡深入聊过机器人的从业者，几乎绕不开那个四十年前就写在论文里的诅咒：莫拉维克悖论。

1988年，汉斯·莫拉维克用一种近乎刻薄的方式拆穿了物理世界的假面具：让机器在智力测试中赢过成年人类，或者在高斯模糊中算出一枚棋子的胜负，容易；让机器具备一岁婴儿的感知与抓握能力，难如登天。人类把前者叫“聪明”，把后者叫“本能”，而“本能”背后，是几亿年的进化在生物硬件里烧录好的、并行处理力觉与视觉信息的巨量计算。

自动驾驶其实一直在小心翼翼绕开这个悖论。一辆Robotaxi的核心任务，是把一个盒子从A点运到B点——刹车、转向、保持车道，偶尔躲避违规的外卖员。这项任务的交互对象高度标准化：所有车都嵌在同一个交通法框架里，路牌长成一个样，前车刹车灯亮起意味着速度矢量即将改变。即便遇到长尾场景，行业也发展出了一整套“龟缩大法”。运营设计域（ODD）一划，雨太大就靠边停；面对没有红绿灯的土路，地图上直接标成“禁行区”。最不济，祖传的远程安全员上线，鼠标一点，车挪出堵塞路口交回AI。

但把机器人放进厨房，游戏规则就全变了。那不是“从A到B”的运输问题，而是“在一瓶洗洁精、一袋散装大米、一把沾满油的剪刀和一只突然窜出的英短蓝猫之间，完成煎三文鱼并顺手把砧板洗干净”的生存问题。任何一个误判——把猫尾巴当成抹布、把洗洁精当成橄榄油——都不存在“先打双闪然后呼叫云端爸爸”这一步。手指捏碎一颗鸡蛋的物理成本，花不了一毫秒，却足以让用户彻底注销掉这台机器人的五年期待。对外卖员而言，撞碎的是违章的侥幸；对家庭而言，撞碎的是信任，而且没有保险条款替你兜底。

这就是莫拉维克给具身智能下的套：自动驾驶解决的是“走”的问题，具身智能想解决的是“活”的问题。一字之差，差了亿年进化。

封闭空间里的无限战场：为什么客厅比高速公路更“开放”

乍一看这是个反常识的判断：高速公路暴晒、积雪、对向车开着远光灯，怎么想都比开着恒温空调的客厅复杂得多。但自动驾驶之所以能在开放道路跑起来，根本原因是它把“物理复杂性”成功转换成了“语义简单性”。所有道路上出现的障碍物，基本只用分两类：会动的（机动车、非机动车、行人）和不会动的（锥桶、护栏、散落物）。交通参与者再疯，运动模型也无外乎匀速、加速、转向、急刹，预测范围多在秒级。

家居环境的恐怖之处，在于无限的任务变体和零共识。

一辆卡车大到堵住整条路，Robotaxi识别出来是“不可通过障碍”，任务目标不变：绕行或停车。但一根掉在茶几底下的小米数据线，对扫地机器人来说是需要规避并上报的“卷缠风险”，对整理型机器人来说是需要用两指捏住并绕三圈归置进抽屉的“柔性物体操作目标”，而对一个正在陪小孩拼乐高的保姆型机器人来说，它可能是临时被征用的“过家家听诊器”——此刻不能动。同样是异物，任务目标因为上下文变化，操作策略天差地别。更致命的是，家庭环境里根本没有交通局来立法、没有ISO标准委员会来给“筷子怎么洗才算干净”下定论，一切都靠机器人自己去猜主人当下的心情。

几十年前麻省理工学院的西蒙·莱文森做过一个思想实验，后来被多位具身智能研究者反复引用：让机器人“从桌子上拿一个杯子”。这六个字在人类的认知里清晰无比，但你试试告诉机器：什么叫桌子？什么叫拿？什么叫杯子？杯子的功能表面在哪里？马克杯、纸杯、带杯碟的英式下午茶杯，哪些可以一把抓，哪些必须捏住耳朵？如果桌子上还有一本摊开的书挡住了杯底，它是该把书合上再拿，还是该把杯子从书页上方平拖出来？

自动驾驶的“开放道路”碰到复杂路口，可以把路口建模成带若干出入口的几何区域，然后依法通行。但机器人没法给生活用品贴标签，更没法给人类混乱的起居习惯设定路权。亚马逊创始人贝索斯早在2015年亚马逊分拣挑战赛上就公开表示过，机械臂能从一堆随机杂乱的商品里准确抓取出目标物体并放入包装盒，这件事的工作量远超普通人的想象。那一届挑战赛，即便在高度标准化的仓库光照和货架环境中，顶尖团队面对透明包装袋与异形商品时，抓取成功率依然远没有及格。这并不是某一届队伍水平不行——随后几届高校和初创公司用上了更先进的视觉和吸盘，成绩提升依然难受控于物品的材质与堆叠状态。而这一切，还只局限在“抓”这一个单一动作。

把同样的问题放进家里：光线从早到晚色温剧烈变化不说，桌面上可能有水渍导致的镜面反射，砧板上的胡萝卜刚被孩子咬掉一口，形状脱离了任何模型训练集里的样本分布。在这个战场上，机器人不是在跑数据，是在和这个物理世界不可枚举的“非良构问题”贴身肉搏。

容错率为零后，责任该交给谁？一张还没画出来的保险单

Robotaxi撞了人，怎么定责？全世界已经吵了快十年，但至少框架是有的。美国加州车辆管理局要求申报每一起事故，各类事故按等级分类，保险公司已开始为无安全员的自动驾驶运营商定制保单。说到底，是一套基于“车辆”的角色分清就好：人类安全员、自动驾驶系统、远程监控方，是三者之间的事。

但走进房间的机器人一旦造成伤害，法律关系会直接塌缩成一团粘稠的线团。

拿最常见的一幕来说：一个脚踝手术刚拆线的病人买了一台行走式陪伴机器人，想让它扶着自己在客厅复健。第二天机器人为了避开地上的乐高积木突然变向，导致病人摔倒，二次骨折。这笔账怎么算？机器人不是“机动车”，不归交管；也不是医疗器械，不归药监；它也没有“驾驶员”，无法追诉驾驶过失。算产品缺陷吗？那缺陷的举证是应该由受害者来证明“这台机器人路径规划算法有漏洞”，还是由厂家来自证“算法在出厂时符合行业标准”——而一个前提是，这个“行业标准”根本就不存在。

特斯拉的Optimus原型机在2022年AI Day上亮相时，一上来连独立行走都在发抖，但人们更多只报以技术早期的善意调侃。为什么？因为它所处的场景是发布台，摔了就摔了，周围站着的全是工程师和镁光灯，没有端着开水的老人。可一旦量产交付，这种没有容错的冒险就是一场无法回头的赌博。一个已经落地的参照物是手术机器人的达芬奇系统：即便有医生全程主控操作、有术前规划与术中导航，达芬奇的厂商Intuitive Surgical在美国仍然卷入了不少产品和医疗责任诉讼，焦点集中在机械臂断裂、电灼伤、感知延迟等微小异常上。这些案例全部发生在“医生+机器”联合操作下，且手术室是极其洁净可控的结构化环境。倘若未来某一天，自主操作的通用机器人进入起居空间，在无监督状态下与幼儿同处一室，任何一个由于外推长尾数据失败造成的机械摆臂误伤，都将踩进现有法律完全真空的区域。没有远程安全员，没有警报灯，没有路权体系——只有一个被吓坏的家庭和一家可能被一条短视频打垮估值的初创公司。

这种“商业验证与法律灾难之间只隔一个传感器故障”的刀刃感，才是“恐怖谷”的真实面容。它不只是人形机器人外表像人时带来的心理不适，更指向一种残酷的落差：它也能干90%的活，偏偏剩下10%的失败模式，是人类无法用钱化解，也无法用合同签字画押的。换句话说，它能带来的价值全部集中在它干对的那些事上，但它制造的损失却没人知道该由谁承担。

价值主张是另一条裂谷：替代司机易，替代家务难

技术逻辑再怎么缠绕，商业终归是最后那根度量尺。Robotaxi的商业账几乎所有人都能秒懂：全球网约车司机数以千万计，人力成本占到每单收入的七成甚至更多；去掉司机，留下一个近乎24小时在线的资产，每公里运营成本一旦大幅下降，就能一口啃下万亿级出行市场。这条路径上，客户是叫车的人，买单决策清晰，降本逻辑刚硬。

但家用机器人的客户价值，却藏在无数个无法统一换算的“内疚税”里。

擦窗机器人发展了十余年，全球渗透率依然远低于扫地机，一个核心原因是高空外窗属于低频偶发需求。一个酒架上的积灰可能三个月才引起一次注意，而这种注意在很多家庭成员那里甚至无法转化为下单动机——因为“顺手擦一下”永远排在消费决策序列的最末端。洗碗机已经是极其成熟的家电，它在欧美市场的普及靠的不仅是省力，更是因为它替代了每天必须发生的高频劳作。可一旦把任务稍微往“跑腿拿杯水”或“整理茶几”移一点，频率还是每天发生，但复杂度指数上升，偏偏人对它的定价又因为没有量化标准而极度吝啬。

Moley Robotics曾高调推出全自动机器人厨房，能把米其林菜谱从头到尾做成菜肴，从冰箱取物到翻炒装盘一气呵成。然而那套系统售价高达数十万美元，最终沦为极少数奢侈豪宅里的科技展示品，完全没有激起规模化涟漪。用户在意的是，家里厨房那瓶耗油还剩半瓶是该扔还是留着，而Moley会直接把瓶底剩料送进废料桶——因为它不知道什么叫“还能刮一刮再用三天”。人类家务劳动本身是非标品的集合，拿标准化的机器去适配非标的个体生活，成本边际从来不是线性的，而是断崖式的。你花几千块买一台只擅长倒垃圾的机器人，心里会很诚实地把它和“一张社区食堂月票”或“每周预约一次保洁阿姨”摆在同一个天平上。结论往往残酷：对于大多数家庭，机器人必须先超越极低价人力服务的综合性价比才值得进门——更别提这位“电子保姆”目前还在频繁地自己绊倒自己。

这种模糊的价值主张，让具身智能的落地更难享受到自动驾驶那样的“政策推背”。各地政府愿意给Robotaxi开绿灯，是因为它能减少拥堵、降低碳排放、提升交通效率，为城市管理者提供一张看得见的政绩清单。但一个能端茶倒水、铺床叠被的人形机器人在家转悠，除了拉高居民电费和成为邻里八卦谈资外，在宏观层面几乎不产生多巴胺。为了安全还要绕过数不清的认证和电磁兼容门槛，大厂犹可，初创等于趟雷。

这不是数据量的问题，是因果理解的问题

谈论具身智能，绕不开一串越来越大的数字。各家放出的机械臂操控数据集体量动辄数以亿帧，远程遥控操作数据集也在成倍膨胀，论数量级已经可以碾压不少早期自动驾驶路测的积累。但一道根本性的鸿沟，至今还没被数据量填过去一丝缝隙：自动驾驶的感知层，本质上是一个观测与预测问题；而具身智能的操纵层，本质上是一个因果推理问题。

自动驾驶需要回答的是“那个障碍物去哪”，具身智能要回答的是“我如果从这个角度以2牛的力压下去，瓶盖的螺纹会随着旋转产生怎样的摩擦自锁”。人类的婴儿在八个月大时，不用学牛顿力学就能明白小汽车推一下会跑、积木盒子翻开里面藏着球——这被认知科学家称为“直观物理学”。而当前基于Transformer和多模态大模型扩展出来的端到端具身模型，对于物体重心、摩擦力、形变阈值、弹性系数等真正决定操作成败的底层物理量，仍然处于一种靠相关关系“抖机灵”的阶段。一个演示视频里，机器人能完美地拉开窗帘许多次，当某一次有人把窗帘的边角缝线拆了一小段导致跑偏，机器人会毫不犹豫地继续往设定路线猛拉，因为视频流上那稀疏的像素变化，没有训练网络去反推出滑轨卡阻的力学根因。

换句话说，自动驾驶可以说“那个骑自行车的人闯红灯的概率激增”，然后踩刹车。但机器人给自己倒一杯开水、再把它平稳地端过三道门递给客厅里的人，它需要理解无数种可能的因果链：水壶把手今早比昨天更烫因为刚煮了红枣茶、地板三天没拖可能打滑、路上遇到一扇虚掩的门该不该用身体挤开——挤开的话，门板震动有没有可能烫到手？这种推理每一层都是对物理基础的硬核调用，偏偏今天的多模态大模型最擅长的是语言和图像上的和谐接龙，一到重力加速度和扭矩就陷入了沉默。

这也是为什么，产业里越来越多人不再把“算力堆上去自然会涌现”当成具身智能的时间表。OpenAI关停机器人部门后，山姆·奥尔特曼曾坦承，公司在物理操纵方面始终没看到能够与语言模型相称的“规模化甜头”。他知道世界模型的重要性，也知道在虚拟环境里再跑海量抓取，也不一定能解决传感器一到真实世界就碰到油污与磨损的退化问题。自动驾驶可以凭借高精地图、卫星定位和路侧单元构建一个接近数字孪生的半封闭感知回路，机器人却只能在没地图、没坐标、没中央运维的毛坯世界里，靠自己的一双手去拼凑整个世界的动力学真相。

一道谁也无法按下快进键的方程式

回到开头那辆在旧金山路口打着双闪的Robotaxi。它不是失败者，反而代表了自动驾驶现阶段最务实的胜利——画一个边界，撑一把保护伞，退出那些处理不了的任务，在能掌控的区域内把商业模式跑成闭环。可具身智能被困在了一个更残酷的方程里：边界画不了，保护伞不存在，退出按钮没有，而且它面对的任务恰恰是人类最不自知却又最艰巨的——像人一样去理解力和运动，去感知意图，去在现实世界那永不休止的熵增里平衡安全与效率。

这才是真正的“恐怖谷”。不是外观像不像人的那层视觉焦虑，而是一旦跨过可用性的那根细线，它立刻跌进一个海量的、无法标准化的痛点和责任真空中。自动驾驶用十五年摸到了一条从L2到L4的爬坡阶梯，具身智能眼下连第一级台阶还没完全踩稳。

那么只剩一个永远值得追问的悬念：当全世界都在等待一位机器人真正走进厨房、拧开燃气灶、煎好太阳蛋再把锅洗干净的那一天，我们需要的，不是再翻十倍的训练数据，不是口径更大的抓手，而是一次基础物理学模型的认知跃迁。这个跃迁，什么时候来？目前没人能押注。