问题：从“会做”到“可靠做”，机器人落地仍卡稳定性上；长期以来，机器人在实验室里能完成抓取、搬运、装配等操作，但进入真实场景后，物体材质不同、摆放位置变化、光照干扰等都会放大误差，常出现“差几毫米就失败”。在家庭场景中，折叠衣物、整理杂物需要处理柔性材料；在工厂和仓储中，装箱、分拣更看重节拍和一致性。可靠性不足不只影响体验，也限制了规模部署以及安全与合规。 原因：只靠示范学习，偏离后容易误差累积。行业里常见做法是人类示范，机器人“照着做”。当动作轨迹和环境高度一致时效果不错，但只要抓手位置略偏、物体滑移或姿态变化，系统往往缺少应对“新情况”的经验，小偏差会不断叠加，最终导致任务中断。尤其在物理交互中，力、摩擦和材料形变带来强不确定性，训练数据难以覆盖所有边界情况，形成所谓“可靠性差距”。 影响：可靠性差距正成为机器人规模化应用的门槛。一上，仓储、制造、餐饮等行业强调连续运行和良品率，系统若频繁停机、需要人工救援，综合成本反而更高；另一方面，进入家庭后，物体更杂、空间更拥挤、容错更小，连基础任务都难以稳定完成，就很难建立消费者信任。资本与产业端对“能长期稳定工作”的通用机器人期待升温，也让训练方法的改进成为竞争焦点。 对策：用“示范+纠错+自我评估”补齐数据和反馈链条。该公司在旧金山一处仓库式场地进行训练与测试，提出名为Recap的训练思路：在示范学习之外增加两条关键通道。其一，当机器人出现偏差、接近失败时，由人类操作员及时介入纠正，让系统学习“如何从错误中回到正确轨道”；其二，引入强化学习评估机制，让机器人对自身动作进行归因，通过价值函数判断哪些决策推动任务走向成功、哪些会抬高失败风险，从而把不完美的经历转化为可用样本，而不是直接丢弃。公司表示，按该流程训练的视觉—语言—动作模型新版本，在折衣、装箱、制作浓缩咖啡等任务上稳定性更高，部分任务提升明显、失败率下降，并可在一定时长内连续运行。 前景：从“单点技能”走向“可复制能力”，仍要经受工程化与场景化考验。业内人士认为，纠错式训练的价值在于提升机器人面对扰动时的恢复能力，有助于提高其在厨房、洗衣房、生产线等场景的可用性。但真实部署还要解决多机协同安全、长期维护、成本控制、数据合规等问题；不同国家和行业在安全标准与责任界定上的差异，也会影响落地节奏与路径。未来，如果训练体系能在更多物体类别、更复杂空间、更长时间连续任务中保持稳定，并沉淀出可复用的数据与评测标准，机器人从“展示型能力”走向“生产力工具”的进程有望加快。
当机器具备从错误中自我修正的能力，工业智能化或许正迎来一个关键节点。物理智能公司的探索不仅为制造业升级提供了新思路，也把人机协作的边界问题推到台前——在未来工厂里，人类可能更多承担策略与监督，而把重复劳动交给机器。机遇与挑战并存，如何建立与之匹配的产业生态和社会规范，仍需要全球产学研各方持续探索。