AI已经会思考了，为什么连一颗螺丝都拧不好？

从 Gemini Robotics 2 到 NVIDIA Isaac：当人工智能走入真实物理世界，决定下限的可能不是模型，而是传感器、时间与控制闭环。

一台机器人站在工作台前。桌上有一颗螺丝、一把螺丝刀和等待装配的铝制外壳。摄像头识别出了全部物体，模型知道螺纹的旋向，甚至能解释什么是扭矩、什么是交叉螺纹。

可机械手真正下落的时候，麻烦就开始了。孔口偏了半毫米，螺丝头轻轻一歪，手指没有感觉到滑移，电机却仍然在转。语言模型知道应该“轻轻拧入”，控制系统看到的却是一个正在变化的电流波形。

AI 能把装配工艺讲得头头是道，不等于它能在接触发生后的几毫秒里，准确知道自己究竟做错了什么。

这不是要拿工业机器人嘲笑大模型。相反，这恰恰是物理 AI 最值得研究的断层：从符号与语义，到力、位移、摩擦和冲击，信息的性质变了。数字世界允许模型改写答案，真实世界里，一次错误的扭矩就可能让螺纹报废。

从“说出答案”到“产生动作”

2026年7月30日，Google DeepMind 发布 Gemini Robotics 2。它不再满足于让模型看懂图像、回答问题，而是把视觉语言动作模型（VLA）、具身推理模型（ER）和设备端执行模型拆成互相配合的部分。Gemini Robotics 2 把视觉与指令变为机器人动作；ER 2 负责多步骤规划、进度判断与协调；On-Device 2 则强调机器人本地执行。

Google 展示的进展包括灵巧手操作、全身动作和多机器人协作。五指手打结、抓取、整理物体，看起来距离“万能机器工人”只差最后一步。但不要忽略一个词：演示。公开演示证明某些能力已经出现，并不自动等于在随机工况中具备工业量产级的成功率和可维护性。

10月21日，NVIDIA 在柏林公布 Isaac 生态的新扩展。官方资料包括 Isaac OS 运行时、Isaac Lab 3.0、参考人形机器人 Agile ONE SN、Jetson Thor 和训练评估工作流。这说明产业正在把竞争重心从“单个模型会不会完成动作”移向“如何持续地产生数据、训练策略、验证安全并真正部署”。

其中有一个特别值得芯片工程师注意的细节：NVIDIA 公告提到的 Agile ONE SN 双手具备触觉传感和 1 kHz 力控制能力。这当然不是说整个 AI 大模型每毫秒完整推理一次，而是说明高级智能之外，机器人仍需要更快的局部控制回路。

两种时间：大模型的一瞬间，是电机的半圈

一个大模型在几百毫秒内完成一次复杂规划，人们可能会觉得非常快。但电机并不以自然语言的节奏运动。以 3000 rpm 为例，每秒是 50 转。仅仅 10 ms，机械轴已经旋转 180°。

3000 rpm = 50 r/s；10 ms × 50 r/s × 360° = 180°

这里必须区分“延迟期间转过的角度”和“最终定位误差”。速度预测、时间戳、前馈补偿和模型观测器都可以部分抵消延迟影响。但在高速场景里，时序不确定性、采样偏斜与指令抖动，无法靠一句“模型足够智能”自动消失。

以上是跨系统的示例量级，并非 Gemini 或 NVIDIA 某项产品的性能承诺。实际架构可能把策略输出、模型预测控制、状态估计和伺服环做成不同的异步周期。真正的工程挑战，在于这些不同速度的系统怎样正确交流。

最关键的指标之一，是当真实世界已经偏离模型预测时，机器人多久才能发现，并以足够可靠的动作作出反应。

AI 需要的不是更高清的眼睛，而是神经末梢

机器人夹起一颗鸡蛋。视觉可以判断鸡蛋在哪里，也能估计外形与姿态，但摄像头不一定看得见被手指遮挡的接触面。开始夹取时最先变化的，往往不是图像里的位置，而是接触力、局部形变和微小滑移。

同样，关节编码器能告诉系统轴的位置和变化，电机电流可以间接反映驱动负载，但电流还受电机参数、摩擦和传动机构影响，不能直接等同于指尖接触力。触觉阵列可以提供局部接触的空间信息，IMU 则擅长捕捉运动、姿态与振动。多传感器融合的价值，就在于利用互补信息减少盲区。

但电子皮肤也会制造新的麻烦：数据洪水。假设1000个触觉单元，每单元16位，采样率1 kHz，纯有效载荷达到16 Mbit/s。若增加到1万个单元，便是160 Mbit/s。这里还没有加入地址、时间戳、诊断、协议以及多模态数据。

因此未来值得关注的并非只有更高的触觉像素密度，还包括传感器端事件检测、稀疏编码、边缘特征提取和滑移判别。高层 AI 可能根本不需要看到每个像素的每个原始数值，它真正急需的是“右手食指刚发生滑移，立即调整夹持力”这样可靠且低延迟的状态事件。

一颗16位编码器，真的就足够精确吗？

拿最常见的旋转编码器举例。16位单圈绝对值角度意味着每圈 65,536 个量化位置，理论角度步距约 0.00549°。这是一个特别容易被宣传文案偷换的数字：它仅代表分辨率，不代表系统在所有温度、转速和安装状态下的角度准确度。

量化步距 = 360° ÷ 65,536 ≈ 0.00549°

离轴或轴端磁编码器要面对安装偏心、磁铁倾斜、磁场幅值不均匀、温漂和谐波畸变；光学编码器要面对码盘质量、污染、光源老化、信号幅值和机械装配误差。高分辨率本身无法使这些误差消失。

尤其在机器人关节中，温度并非始终保持25°C，电机本体还有持续振动和电磁干扰。更复杂的场景还会出现时间同步错误：控制器以为读到的是“此刻的位置”，实际上那可能是几十或几百微秒前的状态。

这时，传感器系统不应只输出漂亮的角度数字，还应该输出足够清晰的诊断信息：磁场强度是否可信、幅度是否低于阈值、内部校准是否有效、数据何时采样、通信是否发生异常。真正好的状态估计，不是绝不出错，而是在出错时能够准确评估自己还有多大把握。

世界模型最危险的瞬间，是它过分相信自己

物理 AI 热门方向之一是世界模型（World Model）：不仅识别当前环境，还预测“如果我这样动作，下一刻会发生什么”。这对长序列任务非常重要。机器人必须根据摩擦、接触、惯性和几何关系，推测将要发生的结果。

问题在于，预测总有失效的时候。机器人认为桌上的纸箱会在某个推力下向前移动20厘米，实际箱底可能粘着一条胶带；它认为关节没有外力扰动，实际轴承却已出现卡滞。若模型持续相信自身预测，就可能把误差越推越大。

预测状态 + 测量残差 × 校正增益 → 更新后的状态估计

在状态估计的基本思想里，“预测结果”和“传感器真正测得的结果”必须彼此校验。创新量（innovation）或测量残差正是这种偏差的表达。残差持续变大，可能代表外界发生了变化，也可能是传感器故障、模型偏差或时间戳错误。无论哪一种，系统都应调查，而不是习惯性忽略。

一个成熟的物理 AI 系统，必须同时有勇气做预测，也有机制承认预测失败。

下一个 AI 半导体机会，可能不长得像 GPU

过去几年，算力和模型吸走了绝大多数注意力。可机器人进入工厂、医院与家庭后，系统在每一层都会遇到不同的半导体需求：高层需要可扩展算力与存储；中层需要低功耗边缘推理；底层需要高可靠传感、实时控制、电机驱动和安全监测。

一颗先进触觉ASIC，可能更重要的不是能运行多少参数的神经网络，而是能不能稳定读出微小接触变化，抑制噪声，在极短延迟内报告滑移。对于角度编码器，则可能要同时兼顾全温准确度、速度响应、通信可靠性和自诊断。

这也意味着，未来的传感器厂商只谈“多少位分辨率、多少MHz通信频率”，可能已经不够了。真正有说服力的价值主张是：装上芯片后，机械臂的抓取成功率、接触检测误报率、温漂下的定位一致性或系统校准时间是否真的改善。

当然，具身智能并不自动保证传感器厂商都能赚钱。主机厂自研、芯片标准化和价格竞争仍会持续。只有真正影响系统级性能、可量化降低客户总成本的传感器，才更有机会得到溢价。

最后：人工智能的下半场，不是把话说得更漂亮

一个孩子学会抓住水杯，是因为他的手持续感知杯子的重量、摩擦和滑移。没有人在每一次动作前都写完一篇关于牛顿定律的论文。智能不仅是知道规则，更是把规则变成及时的身体反应。

今天的 AI 已经能够解释控制理论、写复杂代码、分析机器人操作录像。这些能力很了不起。但真实世界并不会因为模型的答案富有逻辑，就允许机械系统跳过测量、控制和安全验证。

人工智能的上半场，是让机器越来越会回答。下半场，是让机器真正知道：现实什么时候不同意它。

届时，一颗编码器、一片电子皮肤、一枚惯性传感器，或许不再只是整机BOM表上不起眼的器件。它们将成为人工智能连接现实世界的神经末梢。