MIT Technology Review 分析显示AI机器人突破仍受限于数据覆盖与成功率难以达到工业可用标准

文章指出尽管特斯拉 Optimus、Nvidia 和 Google DeepMind 等公司推动人形机器人进展，但当前 AI 驱动的机器人仍无法在真实环境中实现通用任务，距离改变日常生活尚远。核心问题在于物理世界的无限复杂性与训练数据的有限性之间的矛盾。

以 Google DeepMind 的 Gemini Robotics 模型为例，其基于 VLA（视觉 - 语言 - 动作）架构，能在 ALOHA 2 测试平台上完成打包午餐等任务，但一旦超出训练集范围即失败。Physical Intelligence 的 π0.7 虽展现出初步的组合泛化能力，例如尝试将红薯放入空气炸锅，但其成功依赖训练数据中残留的相关片段，且整体成功率仅约 70%，远低于工业场景所需的接近 100% 可靠性。

事实层面，当前机器人多处于远程操控或脚本化演示阶段；推断层面，真正的通用机器人需世界模型支持以预测物理后果；猜测层面，中国厂商如 Unitree 因成本优势可能率先量产，但主要面向企业而非家庭用户。作者强调，从“能做什么”到“可靠地做所有事”，仍需跨越工程与算法的双重鸿沟。