# 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」。
### TLDR
- **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。
### SRC
素材时间窗为**前一日 18:00 → 当日 09:00**（北京时间，2026-10-05 18:00 至 2026-10-06 09:00）。本文主素材为 DIGITIMES 专栏文章《Physical AI 還缺什麼？機器人都會跳舞、跑酷、接棍子了》，作者徐宏民（台大），页面标注发布日 **2026-10-06**，抓取于当日上午；页面未给出精确到分钟的上线时刻，若其实际上线落在 09:00 之后，则属窗口末端之后极短时间，本号无法进一步区分，此处如实标注。该文为**作者基于 IROS 2026 现场观察的方法论综述，非新实验报告**——这是本篇的时间窗处理依据：原始事件（IROS 会议、IFR 报告）均在窗口外，窗口内的新增量是**这篇文章本身作为 window 内首个出现的系统性分层归纳**。需明确切开的边界：① 文章提到的「一家美国人参形机器人新创把全身控制独立出来称为系统零」「2026 年 7 月一家美国科技大厂发表的模型」**均未具名**，本号照录其表述并标注，不做公司指认；② Physical AI 新创募资「2025 年全球近 400 亿美元、2026 年上半年已超过 470 亿美元」为原文转述的市场研究机构数据，**统计范围包含自驾车、无人机等**，不等同于机器人口径；③ 人形机器人约 7000 台为 IFR 的「工业与专业用途」口径，与「工业机器人安装量 35.4 万台」属不同统计对象，本号不混用。判断均为作者分析，已用「判断：」标注。
### BODY
1先把那张分层图摊开
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：
第 5 层 · LLM
理解指令、拆解步骤。频率约 1 秒 1 次或更少。
第 1 层 · 马达电流
最贴近物理动作，频率约 1 秒上万次。
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。
2三个最火的演示，落在同一层
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。
判断：这不是在贬低这些演示。它的意义是给了一个「定位提问」——当厂商放一段惊艳视频，第一个该问的不是「它能不能」，而是「这一段演示覆盖到第几层、第 4 层和第 5 层由谁负责、负责到什么程度」。这个问题比任何能力形容词都难回避。
3为什么偏偏卡在上两层
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。
4正在被重组的那两层
「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。
5六个缺口，按可核查程度排一遍
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） |
表：六个缺口按「本号能否在验收时追问」重新排序。原创表，数据取自 DIGITIMES 专栏对上述来源的转述，IFR 数据经新华社报道转述。
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。
6这分层图对买机器人的人意味着什么
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：
先问层级归属
演示覆盖到第几层？第 4、5 层的任务理解与拆解由系统提供、由集成商写、还是靠人现场补？写进合同。
再问长时序列
把「几分钟、数十个动作」翻译成班次：一个班次 8 小时需要连续多少动作？过程中一次判断错之后能否自检？
最后问接管时间点
不要问「自主率多少」，问「多久要人插一次手」——这个时间量纲能直接进排班表，也能直接进付款节点。
判断：六个缺口里，「部署」那一条最容易被当成悲观数据读，其实它是最有用的一条——7000 台里有相当比例是买来产生训练数据的，说明当前人形机器人的第一重身份是数据采集设备，第二重身份才是生产力设备。采购时按哪一种身份定价，差的不只是钱，还有验收标准：采集设备的验收看数据产出量与标注质量，生产力设备的验收看单位时间产出。把这两件事混在一张合同里，是目前最容易出的差错。
素材窗口 2026-10-05 18:00 → 2026-10-06 09:00。来源：DIGITIMES 专栏《Physical AI 還缺什麼？機器人都會跳舞、跑酷、接棍子了》（作者徐宏民，2026-10-06）；IFR《2026 年世界机器人报告》数据经新华社 2026-09-26 报道转述。文中未具名的两处厂商描述，均照原文标注，本号不做指认。