Physical AI还缺什么？机器人都会跳舞、跑酷、接棍子了

9月底在美国匹兹堡参加机器人顶尖会议IROS 2026。一家机器人新创的摊位上，双臂机器人在玩「接棍子」（falling sticks）游戏，几根棍子悬在上方随机落下，手臂要在半空中瞬间抓住。这类游戏原本用来测试人的反应速度。

这一年也看到不少机器人跳舞、跑酷（机器人障碍赛）、跑半马的影片。这些表演代表什么？机器人已经有完备的AI能力了吗？

先看跳舞。中国一家人形机器人大厂2025年在春节晚会让机器人跳舞。这类表演常见的做法是「动作追踪」（motion tracking），录下人类动作、对应到机器人骨架，在模拟器里用强化学习训练一个照著做又不跌倒的策略，再直接用到实体机器人上。硬件则靠高扭矩关节与3D激光雷達定位。外媒报导指出，这是用真人舞者數據预先编排的表演。

跑酷多了一层判断。2026年初，柏克莱加州大学、史丹佛大学、卡内基美隆大学等研究团队，把多个跑酷技能蒸馏成一个以深度影像驱动的策略。机器人只靠深度鏡頭与移动方向、速度的指令，自己决定障碍物要跨过、爬上还是撑越。但往哪里去？为什么去？仍由人决定。

把这三个例子放进机器人的控制架构来看。控制大致分成5层，往上愈慢、愈抽象，往下愈快、愈贴近实体动作。最上层由大型语言模型理解指令、拆解步骤，大约每秒1次或更少。往下是视觉语言动作模型（VLA），决定手要抓哪里、怎么移。再往下是负责移动与平衡的运动策略、协调手臂与腿部的全身控制，最底层的马达电流控制大约每秒上万次。

借用心理学家康纳曼（Daniel Kahneman）《快思慢想》的说法，上两层像需要专注推理的「系统二」，下三层像快速、直觉的「系统一」。跳舞、跑酷、接棍子，都落在系统一。

这几层的分工目前还在调整。一家美国人形机器人新创把全身控制独立出来，称为「系统零」，用超过1,000小时的人类动作數據训练成一个網絡，业者表示取代10万多行手写程序。运动策略与全身控制两层，看来正被学出来的控制器合并。

为什么停在系统一？因为这几层的數據较易取得。「照著人类动作做、不要跌倒」几乎适用每个动作，成败几秒就知道。刚体与地面的接触也容易模拟，GPU上可以同时跑几千臺虚拟机器人，走路策略很快就能训练出来。上层刚好相反，「折好衣服」「帮我微波午餐」很难写成奖励，手指与物件的细微接触，模拟也不准。所以这些表演多半是模拟器里用强化学习练出来的，机器人身上还缺一个有深度思考、推理能力的「大脑」。

这些表演证明的，是平衡、移动与全身动作已经成熟许多。北京的人形机器人半程马拉松赛，2025年首届多数队伍跑不完，2026年已有队伍50分钟出头完赛。资金也跟著进来，依市场研究机构统计，2025年全球实体AI（Physical AI）新创募资近400亿美元，2026年上半已超过470亿美元（统计范围也包含自驾车、无人机等）。

缺的部分，从系统二到场域部署，我的观察有6项：

第一是长时序任务。公开展示的自主任务，大多只有几分钟、数十个连续动作，离工厂一个班次的8小时还很远，过程中也要能推理、确认自己有没有做完。

第二是泛化，关键在數據。上层要的做完工作的數據，目前多半得在真实世界累积，遥控操作因此从机器人做不到时的补位，也成收集數據的方法。也有团队让模型从实际执行与人工修正中学习。

第三、第四是硬件与接触。便宜的是身体，手、触觉、电池与耐用度还没跟上。2026年7月一家美国科技大厂发表的模型，让人形机器人蹲下从地上捡东西，成功率还不到5成。

第五是安全。固定的机械手臂断电后停在原地，需要主动维持平衡的机器人则可能倒下，针对这类机器人的国际安全标准，目前仍在草案阶段。

第六是部署。依国际机器人联合会（IFR）统计，2025年全球工业与专业用途的人形机器人约7,000臺，不少是买来产生训练數據，实际在场域使用的极少，流程怎么改、投资报酬怎么算，都还在摸索。

这几年控制与硬件的能力、韧性持续进步。硬件价格往下、系统二的能力往上，两条线交会之后，机器人投入场域才看得到投资报酬。如果场域部署的能力也跟著补上，未来几年Physical AI agent对产业的影响，可能又会超乎我们的想像。