没了遥控器，还被扔进荒野，具身智能该「断奶」了

机器之心原创

作者：吴昕

翻车是真的，希望也是真的。

香港中文大学的一处山间小道，流水小桥，树影斑驳，青苔攀附在陡峭连绵的石梯上。

无人机视野下500 米的定向越野路线。

一只人形机器人跨过三十度的小桥，走上一段石路，迈过两段台阶。好不容易来到一个九十度的弯，重心一歪，仰面倒下。

全程 500 米的定向越野，它只能走完开头。

到了90度分叉路口，就躺平罢工。

第二天，它又出现在大学的岭南体育场，尝试户外分拣垃圾。

草地秃噜，每一步都像踩进人生陷阱，还没碰到桌上的垃圾，就扑通倒地。

在第五届 ATEC 科技精英赛——全球首个全自主、全真实户外场景的机器人竞技场上，类似画面不断上演。离开遥控器、走到户外，机器人还能不能工作？

其实，跳舞、空翻、端咖啡，这些「展台神迹」从来不是真实水平。离开温室和遥控器，一块秃草地、一只普通水壶就能瞬间「放倒」它们。

1X NEO，别说让它亲手洗碗了，就连把干干净净的锅碗瓢盆放进洗碗机里，都挺艰难。

过去两三年，人们普遍高估了人形机器人的通用能力。很多人喊着，它们将走进家庭，承担家务，「这个事情绝对是高估的。」 ATEC 2025 专家委员会主席、香港工程院院士刘云辉认为，「五年之内实现都相当困难。」

但「丢掉遥控器」并不是未来加分项，而是具身智能能否真正落地的必选项

一些选手表示，机器人应该去做「人做不了或不该做的事」，在这些场景里，没人能用遥控器替机器人做判断。

必须丢掉遥控器，也不是太难。刘云辉认为，从技术路径上看，感知与决策是关键。机器人能不能正确看到世界？能不能自己决定下一步怎么做？

刘云辉院士（左）在观看自主浇花的比赛。

感知之困

为了理解并与三维世界沟通、互动，人类花费 5.4 亿年进化出感知智能。如今，它正困扰着具身智能。在岭南体育场，阳光成了机器人频繁翻车的罪魁祸首。

早上七点场地还笼罩在阴影中，一小时后光照明显增强，到了中午，阳光直射，连人类选手都看不清电脑屏幕。

深度相机（如 RealSense）的主动光结构在强光下几乎失效：透明的矿泉水瓶在机器人眼里宛隐身，机械臂照常伸过去，结果直接把水瓶撞掉。

终于抓住啦。

浇花任务同样困难重重。黄色水壶被晒得发白，白色桌面又强烈反光，导致点云严重散射，抓取动作屡屡失败。而在 3D 识别中，那 6 朵形状不规则的白色假花，本身就是高难度目标。原本规划自主完成的队伍，无奈选择遥操。

选手遥操人形机器人拿水壶。

吊桥穿越也不省心。视觉定位被阳光带偏，机器人一步步靠近吊桥边沿，踩空跌落。

机器人走偏后，踩空，掉下桥。

如今，机器人的移动、视觉和导航都令人惊叹，但操作能力依然相对原始。英国皇家工程院院士、意大利技术研究院（IIT）创始人、IEEE会士 Darwin Caldwell 说。

为什么操作如此难？因为，移动的底层难题，本质上就是「站稳 + 迈步」。涉及的物理变量较为固定，也能在仿真中完整构建，大规模强化学习因此收敛迅速，进展飞快。

操作任务涉及的变量，却极其复杂——

透明与反光、材质差异、颜色变化、光照波动，哪怕只是抓香蕉和抓矿泉水瓶，对机器人来说都是完全不同的任务。

更关键的是，机器人目前缺乏真实的物理信息，触觉反馈几乎为零。而在人类操作行为中，触觉和视觉同样重要。

这也是为何 ATEC 会在垃圾分拣任务中选择玩具香蕉：软、可变形，但不会被机器人捏烂。

尽管如此，仍有两支四足机器人队伍像是开了挂，全自主「通关」垃圾分拣与吊桥穿越。

分拣任务中，浙江大学 wongtsai 赛队没有依赖大模型，而是回到 「传统视觉 + 几何」的老牌路线，并打磨到极致。

吊桥穿越之前，他们就在模拟器里高度还原真实场景：不仅复刻吊桥结构，还模拟了 RealSense 在户外可能遇到的各类噪声（视差误差、散斑点云、纹理缺失等），sim2real 部署很顺利。

智能决策之难：20 岁身体，3 岁智商

不少机器人从业者都说过类似扎心的真话。

在开放环境下，让机器人自主从桌上拿瓶水都很难。稍微复杂一点的操作，全靠遥操或同构臂。

但我们想外包出去的家务，哪一件不是长链任务 + 工具使用的组合？做早餐不是煎个鸡蛋，而是一套流程：找锅 → 开火 → 备料 → 下锅 → 装盘 → 洗碗……

要让机器人做这件事，它必须要有一个能规划、会决策、有记忆的大脑。但多数机器人现在只有「20 岁身体，3 岁智商」。

ATEC2025 赛事组专家、松灵机器人具身智能部门负责人谢志强在直播里举了个例子：扫地机。它能自主移动，但一旦被卡住，只会等待人类救援。

这也是为什么自主浇花会难倒一溜儿机器人，因为任务链实在太长了——

找到水壶 → 拿起 → 开水龙头 → 接水 → 关龙头 → 找花盆 → 浇花 → 放回原处

相比单步抓取、视觉分类，它考验的是机器人是否真正具备长程任务的能力。结果，没有机器人可以做到全自主。

浙江大学 wongtsai 赛队告诉我们，实验室里还能泛化的 VLA（视觉-语言-动作）模型，一旦到真实场景就不行了。

大模型能听懂图像和指令，但无法真正理解物理世界的细节，抓水壶、浇花，精度完全不够。他们选择了遥操。

浙江大学wongtsai赛队通过遥操的方式完成了自主浇花的大部分子任务。

有的队伍尝试混合模式。先用遥控器把机器人挪到最佳位置，再让机械臂自主完成抓壶、接水、浇花。

即便如此，一旦流程中某个环节出现异常，机器人的脑子就转不过来了。

例如，手拿水壶打开水龙头，万一卡住，就会一直停在那里。

垃圾分拣里的道具香蕉，暴晒后会发生不可逆的形变，有的机器人明明已经夹住，却仍坚持判定为失败。

各出奇招，用水壶撞开水龙头。

成绩一度领先的机器人，也在定向越野最后一段失控：反复掉入同一处排水沟，无法自主调整，最终只能切回遥操。

最有意思的是，吊桥穿越。

机器人先跨过 5cm、10cm 的缝隙，最后迎面撞上一道 50cm 的间隙。

「机器人要自己做思考、做决策，比如拿起板来填充，从而改变环境，适应自己的运动。」 刘云辉解释说，这不再是简单的行走，而是包含了环境评估、工具使用、任务规划的高级智能行为。

结果，四足机器人根本不考虑这些复杂操作，直接跳过去。

双足机器人先靠物理外挂撑过前两个小缝。到了 50cm 大间隙，多半会把拉绳碰掉，原地等救援。

各种物理外挂登场

这台双足机器人成功拿住了绳子，移动木板，迈过去了。

豪华的大模型，毛坯的硬件

和如今的主流路线一样，今年参赛队伍的系统架构大多采用「大模型 + 小模型」协同范式：

大模型负责高层语义理解、任务拆解与策略规划；小模型面向前端感知、运动控制等即时执行；两者再通过管线化与反馈回路完成闭环。

但随之而来的现实问题是——

一台机器人身上同时挂着 CPU、GPU、NPU 等一堆异构算力，怎么把它们挤进一块体积足够小、功耗足够低的板子里，还能高效协同？

浙江大学 wongtsai 赛队以全自主方式，出色完成了三项任务（包括定向越野）。其端侧配置堪称豪华。

他们给机器人挂了三台小电脑，一台 Intel NUC 当主控，两块英伟达算力板（一大一小）跑不同规模的神经网络，比如用 Segment Anything 做图像分割。

但要支撑更大规模模型推理，算力还是明显不够，延迟高、耗电大。

浙江大学wongtsai赛队接受采访，谈到 15 万美金奖金，队长一句话总结：先还债，补贴昂贵设备成本。

队伍成员也提到，要真正走向现实世界，机器人必须拥有顺势而为的自适应能力。定向越野时，脚和石头不会硬碰硬；浇花时，身体会随着水壶重量变化，实时调整重心。

这些都考验着整机的力控能力与自适应控制。而想在复杂场景中做这种高质量感知和控制，目前的算力和本体都还差了一截。

「我们现在有一个巨大的问题，漂亮的算法无法在机器人内部运行。」ATEC2025 赛事组专家、卡里法大学（Khalifa University）自主机器人系统教授、机器人感知研究负责人 Jorge Manuel Miranda Dias 指出。要让机器人的身体能承载其大脑的智能，低功耗、高性能的专用芯片和轻量化模型是关键。

翻车是真的，希望也是真的

有一件趣事。在比赛前，不少人认为机器人要全自主跑完定向越野，几乎不可能。ATEC2025 赛事组专家、香港中文大学机械与自动化工程学系教授兼系主任、新加坡工程院院士陈本美甚至放下「豪言」，如果真有人做到，香港的餐厅任对方挑，他请客。

结果比赛第一天，就有两台四足机器人完成了全自主定向越野。

500 米级自然地形导航，信号差、多窄梯、多弯道、强光扰动……在成熟RL控制器支撑下，只依靠自身传感器去构建地图、完成定位、稳定前行。

刘云辉认为，机器人要真正进入人类世界，必须同时具备三大能力：能走、能操作、能改造环境。过去十年，四足机器人在「能走」这一维度已经有了质变。但「能操作、能改造环境」仍有巨大的研究空间。

相比四足机器人，双足机器人和人形机器人还有更长的路要走。双足形态重心高、支撑面小，平衡、力控、地形适应都远比四足困难，更不用说在行走中完成操作。

它们面对的，是一个更陡峭、但也更贴近未来生活场景的技术坡度。

双足、人形机器人面临的挑战，比四足机器人多得多。

翻车很正常，翻车也是一种进步。刘云辉说。没有失败，也就永远没有成功的可能。

也正因如此，ATEC 组委才会让机器人面对真实世界的扰动。设计的每一道题，都不是为了让它完成得好看，而是对这三大能力的系统级验收，让它在碰撞中暴露真正的弱点。

毕竟，只有真问题，才能让行业知道下一步要突破什么。

AGI 的未来，注定是机器智能与物理世界的深度融合。作为赛事发起单位之一，蚂蚁集团技术战略部负责人表示，AI 必须从数据认知走向环境交互和行动执行，大家正期待下一次真正意义上的技术突破。