机器人当众翻车，反而是个好信号

机器人行业最擅长的事，是把失败剪掉。

演示视频里，机械臂永远精准，人形机器人永远优雅，剪辑软件承担了半个研发的功劳。但最近发生的几件事，正在把这个行业的叙事往一个更硬核的方向拽：乐享科技把一场会出现停顿、失败和重新调整的机器人烧烤搬进了直播；学术界发布了专门考察多机器人协作的开放基准 AssemblyGrid v1；还有一支团队做出了单价不到 10 美元、人机通用的全手触觉皮肤 SoTa。

这三件事分属产品、基准和硬件，但指向同一个判断——具身智能的竞争重心，正在从『能不能完成任务』迁移到『搞砸之后能不能继续推进任务』。这才是物理世界 AI 和数字世界 AI 真正的分水岭。

🔥 一场烧烤直播，重点不是烤串

金句先行：演示是答对题，直播是现场作文。

先看场景。乐享科技最近做了一场户外直播，目标很直白：搭载 Aether 以太大模型的机器人在户外接受随机点单，完成食材和工具处理、烤制、翻面、上菜在内的烧烤任务，并且要应对临时打断、需求临时增加和场景变化。

这不是棚拍，是开卷考试都不给的那种考试——题目现场随机出。

结果是：现场超过 30 位专业媒体，线上超过 550 万观众，见证了机器人完成部分自主烧烤操作，也出现了停顿、失败和重新调整。两个机器人本体全程互相传递任务信息、自主思考决策并合理分工协作。用一句话概括：烤串烤了，但不是每一步都顺。

有意思的是，乐享科技似乎并不回避这些不完美。它想展示的重点，不是机器人在固定流程里零失误地把烧烤做完，而是任务和环境发生变化之后，机器人能否继续寻找信息、调整动作，再把任务推进下去。

这背后的产业逻辑值得展开。过去几年，具身智能演示的基本盘是『模仿』：把人类示教数据喂给模型，机器人在相似场景里复现相似动作。这种路线的好处是演示效果立竿见影，坏处是一旦环境偏离训练分布，模型就露出底裤。

而 Aether 这次直播挑战的，恰恰是反过来的能力——不是更会模仿，而是能不能理解真实世界。当食材位置变了、客人临时加单了、工具被打断了，机器人不能靠背答案，只能靠对物理世界的理解现场推理。

据业内私下流传的看法，这种『直播式发布』正在成为具身智能公司的新默契：录播视频的可信度红利已经见底，敢让机器人在不可控环境里跑完全程，本身就是一种技术自信的信号。

当然，一场直播不能回答所有问题。但它至少体现了一种相对开放的态度：机器人可以失败，真正需要观察的是失败之后会发生什么。

🧠 自进化的三道考题

金句先行：『自进化』不是好听的词，是一道有三个小问的证明题。

乐享科技这次引发关注的另一个 claim 更大胆：其具身智能模型 Aether 能够在部署和执行过程中持续更新，团队将这种能力概括为『自进化』，并称其为全球首个能自进化的具身智能模型。

这个说法在行业里立刻引发了争议，而且争议是合理的。『进化』究竟是模型参数发生了变化，还是仅仅进行了任务的临时调整？这样的调整在多大程度上能够变成可迁移的新能力？一个模型能够适配不同场景和不同身体，应该被理解为工程层面的泛化，还是更强意义上的持续成长？

在机器人行业仍然需要解决稳定执行问题的阶段，『自进化』显然是一个需要被谨慎对待的判断。

但抛开场外争议，『自进化』对机器人来说至少要回答三个硬问题，我们不妨把它当成一张考卷：

这个循环才是『自进化』的完整含义。对照这张考卷看 Aether 的烧烤直播，逻辑就通了：随机点单和临时打断，本质上是在反复制造『预测与现实的偏差』，逼着模型在部署现场暴露并处理第一问；失败后的重新调整，则是在检验模型能不能从偏差中提取有价值的信息而不是死循环重试。

至于第二问和第三问——哪些经验值得留下、经验能否跨身体迁移——直播本身给不出答案，这需要更长时间尺度和更多具身体上的验证。这也是为什么业内对『自进化』的说法保持审慎：能力闭环没有跑通之前，任何概括性名词都只是假设。

但方向本身是对的。当数字世界的 AI 已经开始讨论自我改进，物理世界的 AI 有没有自进化，或许是下一个时代最重要的问题。数字世界错了可以重来，物理世界错了会砸碎东西、会烫伤人——这决定了具身智能的学习机制必须比纯软件更严谨，也更难。

🤝 多机协作，终于有了统一考场

金句先行：没有统一的考卷，各家成绩单都只能自己写自己判。

单机器人的问题在慢慢被啃，但工业界的真问题往往是多机器人的。产线上，机器人之间要传递物料、要临时组队完成需要多台设备配合的工序、还要并行执行相互独立的任务——这些交互细节，恰恰是现有多智能体基准最容易抽象掉的部分。

最近公开发布的 AssemblyGrid v1 就是为了补这个缺口：一个研究去中心化多机器人生产的开放基准。在这个基准里，机器人在只有局部信息的条件下工作，而生产过程可能需要：机器人之间的物料交接、为需要多台机器人的操作临时组建联盟、并行执行相互独立的生产活动、依赖配方的工序推进，以及几何可行性约束。

基准目前提供围绕 Flow、Coalition、Concurrency 三大主线组织的九个官方场景，每个场景都有简单、中等、困难三档配置。更重要的是开放程度：模拟器、基准定义、参考实现、可执行检查和可视化材料全部公开，论文和代码都可查。

这事对产业的意义不亚于产品本身。具身智能和多机器人系统过去最大的痛点之一，是评价体系的碎片化——每家公司按自己的场景自测，A 说的成功率和 B 说的成功率根本不在一个度量衡上。基准的公开，意味着『临时组队』『局部信息下交接』这些工业产线每天真实发生、却长期缺乏量化手段的能力，第一次有了可比对的标尺。

把这条线和乐享的直播放在一起看，会发现一个共同趋势：双机协作传信息、自主分工，和 AssemblyGrid 考察的机器人间交接、临时联盟，本质上是同一种能力结构——在信息不完备的条件下，多个执行体之间协调出全局可行的方案。产品端在展示它，基准端在量化它。当一个能力同时出现在演示和考卷里，说明它已经从『故事』进入了『工程』阶段。

✋ 不到 10 美元的皮肤，补上视觉的短板

金句先行：眼睛再好，也看不见手里那一下轻重。

前两节聊的都是『大脑』，但具身智能还有一块公认的短板：触觉。越来越多的研究指出，在灵巧操作中，触觉感知能给机器人策略提供视觉无法覆盖的接触信息——烤串翻面的那一下力度，摄像头看不出来。

问题卡在数据上。视觉-触觉配对的机器人数据极其稀缺：灵巧操作示教需要遥操作机器人，采集成本高、规模上不去。人类示教便宜得多，是扩大数据规模的一条路，但前提是人类的手和机器人的手要戴上有对应信号布局的触觉传感器。

这就要求传感器能贴合不同手的几何形状、覆盖全手、并且在人机之间共享统一布局。最近发布的 SoTa 给出了一个相当工程化的答案：一款低成本电容式触觉皮肤，在人类和机器人手上提供全手覆盖，同时保持跨手指和手掌区域的共享布局——共 202 个触觉单元。

关键数据摆一桌：

几个细节值得点名。多层设计加织物电极，让团队能在内部自制薄而软、几何可定制的皮肤；共享的触觉单元布局支持人机共训，使用同一个触觉编码器，不需要学习跨传感器映射——这意味着人类示教数据可以直接为机器人策略供血，这是触觉数据规模化绕不开的一步。耐用性数据也很实在：一万次加载卸载后响应保留超 97%，一千二百多次紧拳折叠后轨迹仍连续，这对要天天干活的机器人来说比精度数字更关键。

把三件事串起来，逻辑就完整了：SoTa 解决『感知偏差』的输入端——机器人得先摸得到轻重，才能发现自己预测错了；Aether 的直播展示『发现偏差后继续推进』的执行端；AssemblyGrid 则为多机协作这种复杂生产形态提供可复现的评价端。感知、决策、评价三块拼图在各自补齐，具身智能的『自进化』叙事才有了从口号变成路线图的可能。

写在最后

回头看，这三件事放在一起，勾勒出的是具身智能的一个阶段性拐点：行业开始奖励失败，前提是失败之后系统知道发生了什么、留下了什么、能不能带走。

乐享科技用一场 550 万人围观的烧烤直播，把『不完美』摆上了台面；AssemblyGrid v1 把多机器人协作里那些暧昧的交互变成了有难度分级的公开考题；SoTa 用不到 10 美元的触觉皮肤，把人类示教的廉价数据流接进了机器人的策略训练。它们共同回答的，其实是那个老问题的升级版——机器人不仅要能干活，还要能在干活中变强。

『自进化』这个词今天听来或许仍然大胆，甚至有营销的成分。但方向不骗人：数字世界的 AI 靠算力堆出了涌现，物理世界的 AI 想涌现，就得先学会在真实世界里犯错、记错、改错。下一步值得盯的，是这些能力能否在更长的时间尺度和更多具身体上被复现——到那时，‘自进化’才真正从 claim 变成 benchmark。