具身智能何时能实现通用操作?

“具身智能何时能实现通用操作？”这个问题，恐怕很难用某个年份回答。因为“会抓取杯子”和“能在陌生环境里稳定完成各种操作”，中间隔着的不是动作数量，而是系统能否理解变化、处理不确定性，并在失败后及时改正。

真正的通用操作，不应只是看见物体后执行固定动作。机器人需要判断怎样接近、接触点在哪里、力度是否合适，以及动作会不会造成滑落、碰撞或超出自身可达范围。面对柔软、遮挡或位置变化的物体，它还要知道自己并不完全确定，并据此选择更保守的动作。

关键在于“预测—执行—修正”

世界模型的价值，不是生成一段逼真的未来画面，而是预测“如果现在这样做，下一刻可能发生什么”。行动模型则要把这些预测转化为接近、定位、抓取、搬运和释放等可执行步骤。两者真正协同起来，机器人才能从看到什么就做什么，转向带有预判的操作。

但预测不可能永远准确。桌面摩擦会变化，物体可能被遮挡，柔性物体也很难完全按照模型预期运动。因此，系统不能一次规划到底，而应执行一小段动作后重新观察，将预测状态与视觉、触觉及本体反馈进行比较。如果发现物体滑移或夹持不足，就要更新状态估计，调整姿态和力度，而不是机械地继续原计划。

这也意味着，衡量进展不能只看单步成功率或演示是否流畅，更要看长时程任务中的误差累积、异常状态下的恢复能力，以及面对新物体和新布局时能否迁移。一个真正接近通用的系统，应该知道什么时候可以大胆操作，什么时候需要先轻触确认、改变观察角度，或者重新定位目标。

所以，具身智能实现通用操作的时间点，取决于它何时能把“看、想、动、改”变成稳定闭环，而不是简单堆叠更大的模型或更多的动作样本。问题或许不在于机器人能否一次做对，而在于它能否在做错之前降低风险，做错之后迅速恢复。