翻跟头容易拿鸡蛋难：人形机器人为什么卡在视觉触觉的力矩闭环上

网上那些翻跟头、跳舞、叠衣服的人形机器人视频，看起来好像明天就能走进千家万户。 现实里，你家厨房到现在连一个会擦桌子的机器人都找不到。 为什么在实验室里行云流水，一放到真实世界就抓瞎？ 马斯克在德州超级工厂的活动上，把这个行当最底层的一道坎讲了出来。 他说，AI 芯片必须能够直接发出扭矩指令，在视觉和触觉上完成闭环，这件事情难得要命。 拆开来看，会动，和会干活，中间差着一整套物理控制的代沟。 网上那些酷炫的跳舞和后空翻视频，绝大多数靠的是预设的位置控制。 工程师在电脑里把每一毫秒的动作轨迹画得清清楚楚： 左腿抬高 30 度，膝盖弯曲 45 度，右臂摆动 15 度。 写成固定代码，塞进芯片，按键播放。 电机不管不顾地把各个关节硬生生扭到指定位置。 只要地板绝对平整，摩擦力分毫不差，动作就能完成得极其漂亮。 还有那些叠衣服、倒咖啡的精细活，不少是人在背后戴着虚拟现实头显和体感手柄。 人在后面替它看、替它摸、替它拿捏分寸。 这根本不是机器人的自主智能，更像是一台昂贵的提线木偶。 一旦拔掉遥控手柄，换成机器人自己去干，问题立刻就浮上来了。 为什么工厂里的工业机械臂能把汽车钢板焊得分毫不差，却连捏起一枚生鸡蛋都费劲？ 因为工业电机只认位置，不认力道。 位置控制的逻辑极其生硬： 不管遇到什么阻力，电机必须把关节送到那个指定的度数。 如果拿的是一个纸杯，目标位置比杯壁厚度短了两毫米。 电机会用最大功率硬往里挤。 纸杯当场捏扁，水洒一地。 如果目标是一块坚硬的石块，手指关节卡在半路，电机还会源源不断地加力，直到齿轮咬死或者驱动器过载。 人类的手从来不是这么干活的。 你的大脑拿起一个草莓，从来不下达这种指令： 食指弯曲 1.5 厘米，拇指靠近 2 厘米。 人脑发出的全都是力矩指令。 眼睛看一眼，大脑大概知道草莓很软。 神经下发给肌肉的信号，是一个极其微弱的握力： 用 0.2 牛顿的力道轻轻靠拢。 手指刚碰到草莓果肉，指尖上的触觉感受器瞬间感知到阻力。 阻力一出现，肌肉立刻停止加力，维持在既不掉落也不捏烂的微小平衡上。 这就叫基于力矩的柔顺控制。 机器人想要在人类社会里干活，每个关节的电机就必须学会这种拿捏。 它不能只管转到哪，必须管自己在这一毫秒输出多大的力道。 踩到凸起的石子，脚踝要主动卸力顺应； 抓起光滑的玻璃杯，指尖要随时根据摩擦力调整夹紧力。 这还只是肌肉层面的事。 真正卡住工程进度的，是在视觉和触觉上形成闭环。 拿一个水杯，人看起来不费吹灰之力，神经系统内部却在打一场极其密集的协同战。 眼睛在看，指尖在摸，大脑在算。 三者必须在一秒钟内完成几十上百次交接。 放到机器人身上，这是两个完全不同频率的物理世界。 机器人的眼睛，也就是身上的摄像头，通常一秒钟刷新 30 次到 60 次。 但关节电机的力矩调整，要求一秒钟响应 500 次到 1000 次。 中间负责统筹的，是机器人身体里的那块 AI 芯片。 摄像头拍下一帧画面，芯片要在几毫秒内看清杯子在哪里、是什么材质。 指尖的压力传感器传来数据，芯片要在几毫秒内判断： 杯子现在有没有打滑？ 需要补充多少牛顿米的扭矩？ 接着，芯片必须在毫秒级别，把算出来的扭矩指令分发给全身几十个关节的电机驱动器。 只要芯片推理慢了 50 毫秒，在物理世界里就是灾难。 杯子滑落了，算法才算出力道该加多大； 或者脚底下踩空了，平衡扭矩还没发下去，几十公斤重的金属骨架已经狠狠砸在地上了。 在虚拟世界里搞 AI，算错了可以重新生成，大不了等个进度条。 在物理世界里搞具身智能，重力和惯性从来不等人。 每一毫秒的延迟，都会直接变成一次撞击、一声脆响或者一次翻车。 这也是为什么很多机器人团队更喜欢在软件仿真环境里跑高分，或者在舞台上排练预设动作。 那种演示成本最低，看起来最唬人。 一旦真正要在非标准环境里，让机载芯片扛住高频的视觉和触觉闭环，直接指挥每一个电机的实时受力。 那就是拿现实世界的动态物理，硬碰硬件算力和机械传动的物理极限。 Tesla 自己的 Optimus 也在死磕这套端到端神经网络控制。 正因为在真实的制造车间里试过，才知道物理规律有多残酷。 人形机器人离走进千家万户替人分担劳累，差的从来不是几段酷炫的舞蹈。 它得先在毫秒之间，学会像人一样，看一眼、摸一下，然后知道该使多大的劲。