人形机器人为什么容易“演示很强、工作很弱”：真实环境中的泛化难题

演示环境隐藏了大量前提

公开视频通常固定物体位置、光照、地面和任务顺序，失败片段也不会进入最终画面。真实现场每天都会出现包装变化、人员遮挡、设备移动和临时障碍，机器人需要处理的是分布不断变化的连续任务。

识别正确仍可能动作失败

模型认出目标不代表知道如何安全接近。物体重量、摩擦、可抓取区域和周边空间都会影响动作。视觉误差只有几毫米，在插接、旋拧和精密放置中也足以造成卡滞。

泛化需要失败数据

只用成功示范训练，模型很难学会抓偏后如何调整、物体滑落后如何重新定位。部署系统应自动收集高不确定片段和人工接管过程，再通过仿真复现和小范围验证形成迭代闭环。

从任务边界开始扩展

实用路线不是一开始追求全场景通用，而是明确可工作的环境范围，并逐步增加变化维度。每扩展一种物料、工具或工位，都应重新测量成功率和恢复能力。