第五章 · 机器人怎么学

如果机器人每个动作都靠工程师手写规则，它永远学不会世界的长尾。你可以写“看到杯子就抓”，但杯子有高矮胖瘦、把手方向、材质反光、里面是否有水。规则越写越多，最后像一张补丁摞补丁的网。

机器人学习就是让系统从数据和试错里获得动作能力。大白话说，不把每个动作都手工刻进去，而是让机器人看别人怎么做、自己试着做、失败后调整。问题是，真实世界的试错很贵：摔一次可能坏关节，夹错一次可能伤人，跑一天数据还不够训练一个稳定策略。

仿真：便宜，但不完全真实

仿真是在电脑里搭一个物理世界，让机器人先在虚拟环境中练习。它的好处明显：快、便宜、安全。虚拟机器人摔一万次不会赔钱，也不会砸坏实验室地板。强化学习尤其喜欢仿真，因为它需要大量试错。

麻烦在于仿真到现实差距，常被叫作 sim-to-real gap。电脑里的摩擦、弹性、传感器噪声、电机延迟都只是近似。虚拟世界里学会的动作，搬到真实机器上可能立刻变形。就像你在赛车游戏里练得很好，第一次开真车仍然会被离合、路感和恐惧教育。

模仿学习：先学人怎么做

模仿学习是让机器人从示范中学习。示范可以来自人类遥操作，也可以来自视频、动作捕捉或另一台机器人。它像教孩子系鞋带：先别讲力学方程，先让他看一遍、跟一遍。

模仿学习的优点是效率高，因为人类示范里已经包含了很多隐性经验。比如拿盘子时略微倾斜手腕，避开桌沿，从重心下方托住。这些细节很难写成规则，但可以从示范轨迹里学到。

它的缺点也明显：示范覆盖不到的情况，机器人可能不会处理。人示范了一百种开门方式，第 101 种坏门把手仍可能难住它。更麻烦的是，人类身体和机器人身体不一样。人的手指柔软、有皮肤、有指甲，机器人复制人的动作时，不一定能得到同样结果。

强化学习：让失败变成老师

强化学习是让系统通过奖励和惩罚学策略。机器人做对了得分，做错了扣分，反复试以后找到更好的动作。它适合学走路、平衡、抓取这类很难手写规则的问题。

但奖励设计很微妙。你奖励“速度快”，机器人可能学会危险动作；你奖励“杯子拿起来”，它可能用奇怪姿势硬夹；你奖励太稀疏，它半天不知道自己哪里做对。强化学习像训练一个特别会钻规则空子的学生，题目出得不严谨，它就会找到让你尴尬的解法。

真实数据才是硬通货

今天大模型的进步很大程度来自互联网规模的数据。具身智能没有这么幸运。互联网上有海量文字和图片，却没有同等规模、带有力、触觉、关节角度和失败记录的机器人动作数据。视频能告诉你人做了什么，却不告诉你手指用了多大力。

所以许多公司都在追求数据飞轮：机器人部署越多，收集到的真实任务数据越多；数据越多，模型越好；模型越好，能部署的场景越多。这个飞轮一旦转起来，会很强。但启动很难，因为早期机器人贵、慢、容易失败，数据采集本身就是成本。

具身智能的学习，不是选一个算法名字下注，而是在“便宜仿真、昂贵现实、人类示范、机器试错”之间做工程配比。

下一章讲人形。既然学习这么难，为什么大家还执着于做成人的形状？答案既有合理的部分，也有容易被营销放大的部分。