机器人：从 Demo 到量产的鸿沟

SandHill.io #300 推荐阅读 · 行业动态与分析 · 中文编译

作者 Selina Wang · Altimeter · 阅读英文原文 ↗ · 约 754 字 · 阅读约 3 分钟

导读作者在与机器人开发者、采购方和研究人员交流后指出，能跑通的演示与能落地的部署之间鸿沟很大，集中体现在后训练数据采集、硬件耐久约束与 99.9%+ 的精度门槛三方面；但随着基座模型变强，鸿沟正在收窄，聚焦垂直与任务特定应用的公司会率先受益。

要点

1. 能跑通的演示与能落地的部署之间鸿沟很大，三大原因是后训练数据采集、硬件约束与精度门槛
2. 基座模型变强使部署所需后训练数据下降：GEN-1.5 从 3–12 秒演示 one-shot 成功率 59%，5 分钟数据后升至 83%
3. 演示只跑几分钟而生产要跑数年，谐波减速器换成摆线减速器意味着整套关节重新设计而非换零件
4. 部署需要 99.9%+ 的成功率，汽车产线停线让制造商既损失产出又丧失经营杠杆，失败昂贵两次
5. 鸿沟正在收窄，垂直或任务特定应用率先受益；这项技术有用的一面不必等通用智能到来

比人们以为的更宽，也比人们以为的收得更快

在与机器人开发者、采购方和研究人员交流之后，有一点对我来说越来越明显：能跑通的 demo（演示）与能落地的部署之间，鸿沟很大。三个原因尤为突出。

数据采集与策展

生产系统需要特定数据，用于机器人模型的 post-training（后训练）与 fine-tuning（微调），而采集这些数据可以是缓慢、并不光鲜的工作。合成数据目前仍差得很远。模型智能在快速进步，但我交谈过的人里，没有谁在部署「开箱即用」的东西。好消息是：随着基座模型变强，部署所需的后训练数据量正在下降。

Generalist 于 8 月发布的 GEN-1.5 声称，可从 3–12 秒的演示中学会一项新任务，在十项操作任务上 one-shot（一次性）平均成功率为 59%；若对每项任务用 5 分钟数据做十步梯度更新，可升至 83%。Skild 的 S1 公告声称，在未见过的长时程任务上逐步成功率为 66%，而语言提示基线为 9%。

硬件约束

Demo 只跑几分钟，生产机器人却要跑数天、数月乃至数年。这意味着冷却要真正管用，执行器要扛得住数百万次循环，等等。

举例：使紧凑 demo 机械臂成为可能的谐波减速器（harmonic drive），其柔轮（flex-spline）在生产负载下会疲劳。量产机可能需要换成更耐用、但也更大更重的摆线减速器（cycloidal drive）。这种切换要求整套关节重新设计，而不是换个零件。

Demo 上能用的硬件，生产未必能用——这会驱动再设计、增加成本，并推迟部署时间表。加速寿命测试与故障应急规划，是做 demo 时从没人想、但成功部署却绕不开的事。

精度门槛

Demo 只要成功一次。部署需要 99.9%+ 的时间都成功，而失败可能非常昂贵。例如，若汽车产线停线，制造商既损失产出、拖慢收入；同时丧失经营杠杆，已造出来的每件产品单位成本也会上升。失败昂贵两次。

所以值得在数字上多坐一会儿。当前 one-shot 学习的前沿，在短而简单任务上大约是 59%。生产却需要在更长时程任务上达到 99.9%+。

结语

尽管挑战重重，我对机器人仍持乐观态度——因为改进斜率正在加速。Demo 与部署之间的鸿沟正在收窄，尤其对聚焦垂直或任务特定应用的公司而言——从采草莓到无人机装配。而每一次在生产中存活满一年的部署，都会产出数据、故障模式与可靠性手册，让下一次更好。

这与通用智能是不同的事，我猜市场还会把两者混淆一段时间。但这项技术有用的那一面，不必等通用智能到来。

英文原题	The Robotics Demo to Production Gap
作者	Selina Wang · Altimeter
来源	SandHill.io #300 推荐阅读 · 行业动态与分析
编译	RecodeX Research · 2026 年 9 月 · 系列全部 28 篇见标签 SandHill.io