摘要
中美机器人，到底谁更强？ 前段时间，硅谷机器人公司Figure AI 搞了一场持续了200小时的慢直播，把三台人形机器人直接扔进真实物流仓库，让它们翻来覆去地做一件极其枯燥的工作：把传送带上的快递包裹翻转过来，使面单朝下，方便扫码识别。 直播后半段，他们甚至安排了一场“人机对决”：让机器人与一名人类实习生连续比拼分拣效率长达十小时。 最终，人类以微弱优势险胜，代价是双手磨出水泡、前臂近乎麻木。机器人则在短暂的系统停顿后，神色如常地继续运转。 与此同时，在太平洋彼岸，中国的人形机器人正在集体“进厂打工”。 优必选开进了比亚迪与吉利的产线，银河通用入驻了宁德时代，智元扎进了3C电子制造基地，小鹏与小米也纷纷将自家机器人送入汽车工厂实训。过去一年，中国机器人行业最核心的叙事极其明确：谁能率先切入真实生产环境，谁就能率先抢占工业落地的制高点。 相比之下，美国机器人公司的的场景选择，看起来甚至有些“低端”。难道说美国机器人真不如中国机器人更“能干活”，还是在刻意制造噱头？ 或者换个问法：一件看起来再普通不过的分拣快递工作，为什么值得Figure 花200小时直播、甚至拿来验证人形机器人的能力边界？ 分拣快递并不简单 单看动作表面，Figure AI 挑选的场景确实不够“高科技”。 翻包裹、调整面单方向、放上传送带，任何一个熟练的物流临时工，经过短时间培训都可以完成。 但在人形机器人领域，这恰恰是最难的一类任务之一。原因在于：它几乎没有“标准答案”。 汽车工厂提供了一个高度结构化的世界：螺丝坐标固定，工序标准规范，力矩、轨迹与节拍全都可以被数学公式精确建模。相比之下，物流仓库则是一个充满混乱的动态环境。包裹的材质、尺寸、重量完全随机，摆放姿态毫无规律，更致命的是，包裹流高频连续涌入，将机器人的决策时间窗口压缩到了极限。 机器人必须抛弃预设的动作脚本，在毫秒级时间内跑完一整套闭环决策链：依靠视觉锁定目标、推算空间位姿、权衡抓取策略、输出柔性力控，并在感知到失败时瞬间重构路径。 这项任务的核心，在于让机器人在持续变化的环境中维持稳定的泛化决策能力。 从直播表现来看，Helix