五层控制、三个演示、六个缺口：这份 Physical AI 盘点，先把「能力停在哪一层」画出来再说缺什么
跳舞、跑酷、半马、抓棍子，这些最火的演示其实都落在同一层——「快思」的那三层。一份控制栈五层分层图，能解释为什么机器人越会动，越不像「有脑子」。
本篇目录
- 控制栈被分成五层，越往下越快：最上层由大型语言模型理解指令、拆解步骤，约 1 秒 1 次或更少；往下是 VLA，决定手抓哪里、怎么移；再往下是运动策略与全身控制；最底层是马达电流控制，约 1 秒上万次。
- 借用《快思慢想》切开瓶颈：上两层是需要专注推理的「系统二」，下三层是快速直觉的「系统一」。文章的核心结论是——目前所有能刷屏的演示，全落在系统一。
- 一个新层级正在被单拎出来：某美国厂商把全身控制独立成「系统零」，用超过 1000 小时人类动作数据训练单一网络，厂商称取代 10 万多行手写程序。运动策略与全身控制这两层，正被「学出来的控制器」合并。
- 为什么会停在系统一，文章给了数据侧的解释：下层数据易得——「照着人类动作做、不要跌倒」几乎适用于每个动作，成败几秒就知道，刚体与地面接触也容易模拟，GPU 上可同时跑几千台虚拟机器人；上层则相反，「折好衣服」「帮我微波午餐」很难写成奖励，手指与物件的细微接触模拟不准。
- 六个缺口里最硬的两个数字：IFR 统计 2025 年全球工业与专业用途的人形机器人约 7000 台，其中不少是买来产生训练数据、实际在场域使用的极少；2026 年 7 月某美国科技大厂发表的模型，让人形机器人蹲下从地上捡东西，成功率还不到 5 成（原文未具名）。
- 判断：分层图真正的用途是给采购条款用——当厂商演示一个动作，第一步该问它落在第几层、上层由谁负责；「脑」缺位不是道德批评，是当前最可核查的能力边界。
五层：从 1 秒 1 次到 1 秒一万次
这篇综述最有价值的部分不是结论，是它顺手给出的一张控制栈分层图。从上往下，速度与抽象程度呈反向：
借用 Daniel Kahneman《快思慢想》的说法：上两层像需要专注推理的「系统二」，下三层像快速、直觉的「系统一」。这个映射一旦建立，很多现象立刻变得可解释。
跳舞、跑酷、接棍子：都不是「想出来」的
跳舞
2025 年春晚那类常见做法是「动作追踪」：录下人类动作、对应到机器人骨架，在模拟器里用强化学习训练一个「照着做又不跌倒」的策略，再直接用到实体机器人。硬件靠高扭矩关节与 3D 光达定位。外媒报道指出这是用真人舞者资料预先编排的表演。
跑酷与接棍子
跑酷多了一层判断：2026 年初柏克莱加大、史丹佛、卡内基美隆等团队把多个跑酷技能蒸馏成以深度影像驱动的策略，机器人只靠深度相机与移动方向、速度指令，自己决定要跨过、爬上还是撑越障碍。但往哪里去、为什么去，仍由人决定。
把这三个放进上面的分层图——它们全部落在系统一。接棍子（falling sticks）本来就是用来测人的反应速度的游戏，考验的正是最贴近底层的那几层。
答案在数据，不在算法
文章对「为什么停在系统一」给的解释相当克制，也很扎实——是一个数据可得性的答案，不是算法能力的答案：
下层：数据几乎自动产生
「照着人类动作做、不要跌倒」这条标准几乎适用于每个动作；
成败几秒就知道；
刚体与地面的接触容易模拟；
GPU 上可同时跑几千台虚拟机器人。
上层：奖励难写，接触难算
「折好衣服」「帮我微波午餐」很难写成奖励函数；
手指与物件的细微接触，模拟也不准；
上层需要的「做完工作的资料」多半得在真实世界累积。
由此也顺带解释了行业里的一个普遍现象：遥操作从「机器人做不到时的补位」，变成了收集上层数据的主要方法之一。也有团队让模型从实际执行与人工修正中学习。
「系统零」：1000 小时数据 vs 10 万行代码
文章提到一个正在发生的层级调整：某美国厂商把全身控制单独拎出来，称为「系统零」，用超过 1000 小时人类动作数据训练成一个网络，厂商称取代 10 万多行手写程序。与此同时，运动策略与全身控制这两层，「看来正被学出来的控制器合并」。
注意这里的量纲对比。10 万行手写代码意味着可追溯的因果关系与可审计的失效路径；一个训练出来的网络意味着更强的适应性，但也意味着失效时没有可读的错误位置。这个取舍不是技术偏好，而是维护责任的重新分配。
从长时序任务到部署：哪些有数字，哪些还没有
| 缺口 | 原文给了什么 | 可核查程度 |
|---|---|---|
| 长时序任务 | 公开自主任务大多只有几分钟、数十个连续动作；离工厂一个班次 8 小时很远；过程中要能推理、确认自己有没有做完 | 中（有时间对比：分钟 vs 8 小时） |
| 泛化 | 关键在资料；遥操作成为收集方法 | 低（无量化指标） |
| 硬件与接触 | 便宜的是身体，手、触觉、电池与耐用度还没跟上 | 中 |
| 接触能力实例 | 2026 年 7 月某美国科技大厂模型，让人形机器人蹲下从地上捡东西，成功率不到 5 成 | 低（未具名，但有明确的时间锚点与动作定义） |
| 安全 | 固定机械手臂断电后停在原地，需主动维持平衡的机器人则可能倒下；针对这类机器人的国际安全标准仍在草案阶段 | 中（草案状态可查） |
| 部署 | IFR 统计 2025 年全球工业与专业用途人形机器人约 7000 台，不少是买来产生训练资料，实际在场域使用的极少 | 高（有机构、有年份、有口径） |
另有一个被引用的二阶数据：北京人形机器人半程马拉松，2025 年首届多数队伍跑不完，2026 年已有队伍 50 分钟出头完赛。这是一条在同一任务、同一距离上的跨年对照，含金量高于任何单点演示。
把「缺个脑」翻译成三行验收条款
文章的落脚是「硬件价格往下、系统二的能力往上，两条线交会之后才看到投资报酬」。对采购方而言，这个判断可以翻译成更具体的动作：