摘要：物理交互，就是机器人领域的“暗物质”——看不见、摸不着，却无处不在，支撑着现实世界中机器人所有能正常运转的动作。近期，Generalist AI联合创始人兼首席科学家安迪·曾（Andy Zeng）发布了一篇技术反思，直指当前机器人行业的核心误区：过度痴迷于“大语言模型驱动”的推理能力，却忽略了智能的根本要素——物理常识。这种物理常识，并非描述任务的能力，而是人类在动作过程中，对力、摩擦力和不确定性的反应式、闭环直觉，是我们能在书本滑落时瞬间接住、在杂物堆中灵活取物的核心底气。尽管行业内对如何破解“物理AI瓶颈”仍有分歧，但安迪·曾提出了一个关键观点：这种难以捕捉的直觉，正从推动语言模型变革的同一股力量——规模效应中，逐步浮现。本文将深度解析安迪·曾眼中的“物理常识”本质、当前机器人行业的两大核心困境（LLM依赖、遥操作弊端），拆解Generalist AI的技术突破与GEN-0模型的创新亮点，对比其与Sunday Robotics、Figure等同行的技术路线差异，探讨物理常识对具身智能落地的核心价值，为技术从业者、行业观察者、投资者呈现最专业、最全面的深度解读。

一、核心痛点：被忽视的“物理常识”，困住具身智能的脚步

安迪·曾的核心论点，围绕着莫拉维克悖论（Moravec’s Paradox）的现代演绎展开——高层级推理在计算层面其实“成本低廉”，而低层级的感觉运动技能，却异常“昂贵”。这一悖论，在当前机器人行业体现得淋漓尽致：我们能训练出擅长生成复杂计划、编写代码的大语言模型，它们能精准描述“如何取到书架上的书”，却无法应对最基础的物理突发情况——书本滑落时不知如何瞬间调整力度接住，面对杂乱的书架不知如何避开障碍物、灵活发力。

这种差距的根源，就在于“物理常识的缺失”。安迪·曾用一个生动的比喻阐释了这一点：“在网上学习车管所手册，能获得有用的背景知识，但这和真实上路开车的体验，完全是两回事。” 这一观点，与AMI Labs的扬·勒丘恩（Yann LeCun）近期的批评不谋而合——勒丘恩认为，当前多数人形机器人企业之所以难以走向通用人工智能，核心原因在于它们过度依赖基于文本的 tokens（符号），而非通过观察理解现实世界的世界模型。

对机器人而言，物理常识是一种“下意识的直觉”：是拧紧螺丝时，能感知到力度过大即将滑丝，从而瞬间微调力度；是插入卡片时，能感觉到卡顿，从而轻轻调整角度；是抓取易碎物品时，能凭直觉控制握力，既不滑落也不捏碎。这种直觉，无需刻意思考，却贯穿于人类每一个动作的细节中，而这，正是当前机器人最稀缺的能力——它们能“听懂指令”，却不能“感知世界”，这也成为具身智能落地最核心的“暗物质壁垒”。

二、行业困境：遥操作的数据陷阱，催生“僵硬机器人”

想要让机器人学会物理常识，核心是获取“正确的数据”——能捕捉到人类物理交互中“下意识反应”的数据。但安迪·曾指出，当前行业内普遍采用的遥操作（远程控制）方式，恰恰陷入了一个数据陷阱，不仅无法获取有效数据，反而会让机器人变得“僵硬、迟缓”。

传统遥操作的核心弊端，在于它打破了“感知-动作”的闭环：由于延迟和非自然的操作界面，操作员被迫进入缓慢、刻意的“系统2思考”（理性、刻意的决策），而非人类真实物理交互时的“系统1思考”（直觉、下意识的反应）。这种情况下，操作员控制机器人做出的动作，往往是僵硬、不连贯的——比如抓取物品时，动作迟缓、发力生硬，无法做出下意识的微调整，而用这些“僵硬的数据”训练出的机器人，自然也会延续这种弊端，在真实场景中显得格格不入。

举个简单的例子：人类用手抓取滑落的杯子，整个过程不到0.5秒，是下意识的反应；而通过遥操作控制机器人抓取滑落的杯子，由于延迟，操作员需要先观察到杯子滑落，再思考如何操作，最后发出指令，整个过程耗时数秒，动作生硬，往往无法成功抓取——这样的数据，即便积累再多，也无法让机器人学会“下意识的物理直觉”。

安迪·曾强调，机器人需要的不是“人类刻意模仿的动作数据”，而是“人类真实的物理交互数据”——包含反射动作、微调整、实时恢复的闭环数据，这也是Generalist AI突破的核心方向。

三、技术突破：轻量化交互设备，捕捉人类“下意识反射”

为了破解遥操作的数据陷阱，获取高质量的物理交互数据，Generalist AI走出了一条差异化路线——放弃传统笨重的遥操作设备，研发了轻量化、符合人体工学的手持设备，核心目标是捕捉人类物理交互中的“反射动作、微调整和实时恢复”，还原人类真实的“感知-动作”闭环。

这种手持设备，体积小巧、操作灵活，能精准捕捉操作员手部的每一个细微动作——包括发力的力度变化、角度微调、甚至是下意识的抖动和恢复动作。与传统遥操作设备不同，它能让操作员以最自然的姿势进行操作，减少延迟带来的影响，让操作员能够进入“下意识反应”状态，从而生成最贴近人类真实动作的数据。

这种聚焦“高保真、反应式数据”的思路，也让Generalist AI的GEN-0模型，与同行形成了鲜明差异。GEN-0作为Generalist AI的核心模型，依托这种高质量数据进行预训练，参数规模达到70亿时，出现了明显的“相变”——不再是单纯模仿人类的动作，而是开始内化基础物理定律，能够自主做出一些“未被明确编程的反应”，这正是安迪·曾所说的“物理常识的涌现”。

值得注意的是，GEN-0的训练数据量，远低于同行——它无需积累海量的人类动作视频，而是通过“高质量闭环数据+规模效应”，让模型自主学习物理常识。安迪·曾表示，这种方式的核心优势，在于“数据的质量，远胜于数据的数量”——100条包含下意识反应的闭环数据，远比10000条僵硬的遥操作数据更有价值。

四、赛道对比：不同技术路线，角逐物理常识突破口

随着物理常识成为具身智能的核心突破口，行业内不同企业走出了截然不同的技术路线，其中，Generalist AI与Sunday Robotics的对比最为鲜明——两者都聚焦于“捕捉人类物理交互数据”，却采用了完全不同的设备和思路；而Figure等企业，则走上了“海量视频数据”的路线，形成了三足鼎立的竞争格局。

1. Generalist AI vs Sunday Robotics：手持设备 vs 捕捉手套

Generalist AI的核心思路，是“轻量化、全场景”——通过手持设备，捕捉人类全身物理交互中的下意识反应，不仅局限于手部，还能覆盖手臂、躯干的细微动作，适配抓取、搬运、组装等多种场景，核心目标是“还原人类完整的物理交互闭环”。

而Sunday Robotics则走上了“精准化、手部聚焦”的路线——其整个系统都围绕一款“技能捕捉手套（UMI）”构建，这款手套经过100次迭代优化，能够精准捕捉人类手部的每一个细微动作，包括手指的弯曲角度、发力力度、甚至是指尖的触觉反馈。Sunday Robotics声称，凭借这款手套捕捉到的高保真灵活性数据，其轮式机器人Memo，能够完成折叠袜子、抓取红酒杯等精细度极高的任务，完美应对易碎、易变形物品的操作。

两者的路线，没有绝对的优劣之分：Generalist AI的手持设备，适配场景更广泛，能支撑机器人完成更多样的动作；Sunday Robotics的捕捉手套，在手部精细操作上更具优势，适合聚焦精细作业场景。但两者的核心共识一致——只有捕捉到人类真实的物理交互数据，才能让机器人学会物理常识。

2. 与Figure、Skild AI等同行：差异化路线，各有侧重

除了Sunday Robotics，行业内其他企业的路线也各有特色，与Generalist AI形成了鲜明对比：

Figure的核心路线，是“海量人类视频数据”——通过收集大量人类日常动作的视频，让模型模仿人类的动作模式，试图通过“规模效应”让模型自主学习物理常识。但安迪·曾对此提出了质疑：单纯的视频数据，只能捕捉到“动作的表象”，无法捕捉到动作背后的“力度、反馈和微调整”，相当于“只看到了人类在做什么，却不知道人类是怎么做到的”，很难让模型真正内化物理定律。

Skild AI则聚焦于“全躯体通用性”，目标是打造一款能适配多种躯体形态（双足、轮足、机械臂）的通用智能体，核心优势在于“技能的跨硬件迁移”，但在物理常识的深耕上，不如Generalist AI聚焦；1X Technologies则依托生成式视频，让机器人“想象”家务场景，提前预判动作可能遇到的物理问题，从而优化动作，但这种方式仍依赖“预判”，而非实时的物理感知。

五、关键突破：涌现的物理直觉，机器人的“灵光时刻”

Generalist AI的技术路线，已经取得了实质性突破——安迪·曾在技术反思中，展示了GEN-0模型的一系列“灵光时刻”：机器人做出了一些从未被明确编程的动作，这些动作，正是物理常识“涌现”的直接体现，也是模型内化物理定律的最好证明：

1. 接住滑落的垫圈，并轻轻推了两下，将其精准送入狭窄的卡槽中——这一动作，需要机器人瞬间感知到垫圈的滑落趋势，调整力度接住，再根据卡槽的位置微调发力，完全是下意识的物理反应；

2. 将容器从垃圾桶壁旁轻轻推开，为手指腾出抓取空间——机器人无需指令，就能自主判断“空间不足”这一物理困境，并做出相应的调整，展现出对“空间和力度”的直觉理解；

3. 在纸板组装过程中，插入卡片时出现卡顿，机器人用另一只手指辅助调整，成功完成插入——这一动作，需要机器人感知到“卡顿”的物理反馈，自主调整策略，而非机械重复指令。

安迪·曾表示，这些行为背后，是大规模机器人预训练带来的“接触密集型交互的先验知识”——当模型参数达到70亿的阈值时，会出现“相变”，不再是单纯模仿动作，而是开始自主理解物理规律，比如“力的传递”“空间约束”“物体的稳定性”等。这一发现，也印证了Generalist AI路线的正确性：无需刻意编程物理规则，只要给模型足够多的“高质量物理交互数据”，物理常识就会自然涌现。

六、行业未来展望：物理常识，决定具身智能的终极高度

Generalist AI的技术突破，标志着机器人行业正从“编程完美主义”向“学习直觉主义”转型——这是一场深刻的赛道变革，而物理常识，将成为决定企业竞争力的核心要素，也是破解具身智能“暗物质壁垒”的关键。

1. 核心优势：

优势一：路线壁垒，精准切入核心痛点。摒弃行业普遍的“LLM依赖”和“遥操作陷阱”，聚焦“物理常识”这一核心缺口，通过高质量闭环数据+规模效应，让物理常识自然涌现，路线更具前瞻性；

优势二：数据壁垒，高质量胜于高数量。研发轻量化手持设备，捕捉人类下意识的物理反应数据，打破“感知-动作”闭环，数据质量远超传统遥操作和视频数据，让模型能真正内化物理定律；

优势三：产品壁垒，GEN-0模型具备落地潜力。70亿参数的GEN-0模型已出现物理常识涌现，能完成未编程的物理交互动作，相较于同行的“理论型”模型，更具落地可行性，可适配组装、抓取、搬运等多种工业和生活场景。

2. 潜在挑战：两大考验，决定技术落地成色

挑战一：数据规模化的成本。尽管Generalist AI的手持设备能获取高质量数据，但想要支撑模型进一步升级，需要大量的场景化数据，而手持设备的操作效率有限，如何在保证数据质量的前提下，实现数据规模化积累，是其面临的核心考验；

挑战二：物理直觉的泛化能力。当前GEN-0模型的物理常识，仍局限于简单的接触式交互，面对更复杂的物理场景——比如潮湿地面的摩擦力变化、易碎物品的复杂受力等，能否自主调整，仍有待验证；同时，如何让这种物理直觉，实现跨场景、跨硬件的迁移，也是需要突破的难题。

3. 未来展望：破解暗物质，打造“能感知世界”的机器人

短期来看，Generalist AI将聚焦两大核心任务：一是优化轻量化手持设备，提升数据捕捉的精度和效率，扩大数据积累规模，推动GEN-0模型进一步升级，让物理常识的涌现更稳定、更全面；二是推进技术试点，将GEN-0模型适配到更多机器人硬件上，验证其在工业组装、家庭服务等场景的落地可行性。

中期来看，Generalist AI将推动“物理常识与高层级规划的融合”——让机器人既能听懂指令、制定计划，又能凭借物理直觉应对突发情况，实现“理性规划+直觉反应”的双重能力；同时，探索与其他企业的合作，将其高质量数据和模型能力，赋能给更多机器人硬件厂商，打造“物理常识赋能生态”。

长期来看，安迪·曾的终极目标，是打造一款“能真正感知物理世界”的通用机器人——它不只是一个“指令执行者”，更是一个“世界感知者”，能应对真实世界的杂乱、突发和不确定性，能像人类一样，凭直觉完成每一个动作。随着行业逐步向“硬件无关的技能市场”发展，物理常识这一“暗物质”，将成为区分“噱头型机器人”和“实用型机器人”的核心指标——只有掌握了物理常识，机器人才能真正走出实验室，融入人类的物理世界，成为真正有用的工具。

从“听懂指令”到“感知世界”，具身智能的赛道，正因为Generalist AI的探索，而逐渐拨开“暗物质”的迷雾。安迪·曾的观点，不仅为行业指出了一条清晰的突破路径，也让我们意识到：具身智能的终极高度，不取决于机器人能“思考”得多复杂，而取决于它能“感知”得多真实。未来，随着物理常识技术的持续突破，那些曾经僵硬、迟缓的机器人，终将拥有“下意识的直觉”，真正走进我们的生活和工作中。

相关研报参考：

2025具身智能发展全景报告：从技术探索到场景落地，开启通用智能新征程