凌晨两点，实验室的灯还亮着。

机械臂第三次尝试抓取那只马克杯，前两次都在最后两厘米脱手——不是算法看不懂杯子在哪，而是"看得见”和“抓得住”之间，隔着一条肉眼看不见的鸿沟。工程师改了一版控制参数，重新部署，第四次，杯子被稳稳拎起，稳稳放下。整个房间安静了两秒，然后有人轻轻说了句：成了。

这个瞬间，是所有写代码的人都能共情的瞬间。代码这种东西，第一次让现实世界"听话"的成就感，会上瘾。

但请注意这个画面里一个容易被忽略的细节：刚才那句"改了控制参数"，很可能是 AI 写的。不是 AI 帮你补全一行函数，而是 AI 像你一样，盯着机器人的关节角度和力矩曲线，自己把代码改了。

这不是科幻片的剧本。这是 2026 年 8 月 20 日，宇树科技创始人王兴兴在世界机器人大会上，亲口描述的正在发生的事。

---

1. 程序员这一天看到的世界

8 月 20 日，如果你是一个程序员，你的信息流大概率被这几条新闻刷屏了：

• Slack 发布了 Slack Code，把 Claude Code、Devin、Copilot、Vercel 四家编程代理塞进同一个聊天频道。CEO Benioff 喊出“Don’t code alone”（不要独自写代码），管这叫“真正的多人编程”。翻译一下：AI 要正式成为你的同事了，还是带工位的那种。
• Claude Code 的增长神话被戳破：ARR 环比增速暴跌到 5.2%，同期 OpenAI Codex 涨了 20.8%。导火索之一是 Anthropic 给 Claude 加了“统计水印”（为合规欧盟 AI 法案），创作者觉得自己的原创作品被“污染”了，引发退订潮；Cursor 甚至打出“退订 Claude 截图，送你 200 美元”的补贴战。
• 轻量级代理扎堆：Vercel Labs 开源了 6MB 的 Zig 原生编码代理 fx；xAI 推出终端原生的 Grok Build，一次能派 8 个子代理并行干活；高通系的 Mojo 语言宣布全面开源。

如果你是这几年的从业者，看到这些消息，心情大概率是复杂的。一边是“AI 十分钟写完了我三天的活”的兴奋，一边是“那我算什么”的隐隐不安。这个情绪很真实，不用觉得羞耻——因为就连做这些工具的公司，也正在用脚投票。

但我想说的是：今天真正值得你警惕的，不是又出了哪个更好用的工具。 而是一条热度被压过、信息密度却高得多的消息。它来自北京亦庄，来自一台会站起来的机器。

---

2. 王兴兴说了什么：让 AI 自己去写机器人的代码

在 2026 世界机器人大会主论坛上，王兴兴的演讲题目叫《从展品到产品：人形机器人产业的下一个十年》。他没有讲那些"“翻跟头、跑酷”"的酷炫视频，而是先泼了两盆冷水：

瓶颈一：作业效率低于人工。 现有机器人能完成简单装配，但干得比人慢、比人糙——这也是为什么人形机器人至今没能大规模进工厂。

瓶颈二：泛化能力不足。 在固定场景里训练充分，任务成功率能接近 100%；可一旦物品换了、环境变了、光线变了，成功率断崖式下跌。换个新任务还要重新训练，成本极高。

然后他拆了更深一层的原因，这句话值得每个写代码的人认真读一遍：

语言模型的输入输出都在数字向量空间，几乎没有误差损耗；但机器人的每一次感知、决策、执行都会累积误差——末端操作的毫米级偏差，最终会导致任务直接失败。““最后一点点误差，它没办法很好地去修正。””

这句话，如果你写过浮点运算、调过 PID、修过那种"本地好好的上生产就崩"的 bug，你会秒懂。数字世界允许“差不多正确”，物理世界只认“分毫不差”。 这就是具身智能和普通 AI 之间，那道最残忍的墙。

而宇树的解法，是一个让程序员脊背发凉的方案——物理 AI 机器人自进化。它的完整闭环如下（图 1）：

图 1：物理 AI 机器人自进化闭环流程

注意几个细节，每一条都值得停下来想想：

细节 1：角色反转了。 过去 AI 是被编程的对象——我们写代码让 AI 干活。现在 AI 是编程的主体——它自己检索论文、自己写控制代码、自己看结果。王兴兴原话是：过去 AI 技术多用于通用编程开发领域，在机器人实体开发场景中深度应用欠缺。翻译过来就是：机器人这个行业，还没被 AI 编程"卷"过。现在要开始卷了。

细节 2：它是闭环，不是一次性生成。 代码不是写完就完，而是"仿真—真机—评价—再生成"无限循环。失败的经验会回流到下一轮。这跟 vibe coding 的本质区别在于：vibe coding 写错了，你 Ctrl+Z；机器人写错了，它可能已经摔了。

细节 3：技能会沉淀。 传统机器人是"“一机一模型、一场景一技能”“，做完一个任务，能力带不到下一个场景。而自进化体系里，每一轮产生的数据、代码、训练结果、真机反馈，都沉淀成一个不断长大的"技能库”。它不只是在学会一件事，而是在学会"“怎么学会一件事”"。

这里插一句背景，会让你对这条新闻的判断更立体：宇树这家公司，创始人王兴兴是宁波大学硕士出身，读研时就独立做出一台四足机器人 XDog，2017 年离职创业，早期靠开源机器人社区起家，一路做到今天（据公开报道）。2025 年春晚舞台上扭秧歌的人形机器人 H1，就是宇树的。换句话说，这不是一家"讲 PPT"的公司，这是一家"真的把机器人造出来卖"的公司。 它说要让 AI 自己写机器人的代码，含金量跟互联网大厂发一篇技术博客，不是一回事。

---

3. 技术深挖一：AI 在机器上，写的到底是什么代码

很多人听到 “AI 生成机器人控制代码” 的第一反应是：不就是让它写 Python 吗？差别没那么简单。一台机器人要"自主抓杯子"，它的代码从来不是一段，而是一整条流水线，大致分三块。

3.1 感知管线：让机器"看见"

相机拍到的是一堆像素，不是“杯子”。感知层的任务是把像素变成可计算的状态：

• 目标检测与位姿估计：把杯子在图像里框出来，进一步估计出它在相机坐标系里的 6D 位姿（位置 xyz + 姿态 roll/pitch/yaw）；
• 状态估计与滤波：把视觉、惯性测量单元（IMU）、关节编码器的读数融合，用卡尔曼滤波（Kalman Filter）这类算法，估计机器人自身和物体的实时状态——因为单靠任何单一传感器都不够准、不够快。

传统上这一层全是工程师手写的视觉算法 + 滤波调参，光标定相机外参就能劝退半个团队。

3.2 决策与规划：决定“下一步怎么动”

拿到状态之后，要回答“接下来干什么”。这里分两个粒度：

• 任务级规划：把"抓杯子"拆成子目标——移到杯子上方 → 下降 → 闭合手指 → 抬起 → 放回。传统实现用状态机或行为树，写清楚每个状态之间的转移条件；
• 动作级规划：在两个子目标之间，生成一条平滑、不撞东西的轨迹。经典做法是采样类规划（如 RRT*）或模型预测控制（MPC）。

MPC 是这一层的重头戏，它的思想一句话讲透：在每个时间步，基于当前状态，滚动地预测未来 N 步，求解一个带约束的最优控制问题，只执行第一步，然后重来。 示意代码如下：

# MPC 核心：滚动时域优化（伪代码示意）
for t in range(T):
    solve minimize sum_{k=1..N} ( ||x_pred[k] - x_ref[k]||_Q^2 + ||u[k]||_R^2 )
        subject to:
            x_pred = dynamics(x_current, u)      # 动力学模型前向预测
            q_min <= q[k] <= q_max               # 关节角度物理约束
            tau_min <= tau[k] <= tau_max         # 力矩执行器约束
    u_exec = u[0]                                # 仅执行第一步
    x_current = observe()                        # 重新观测，滚动重算

看到没有：“位置误差 + 控制量”的加权权衡、物理约束、滚动重算——这三件事，正是所有“控制”类代码的灵魂。传统工程师的日常，就是在这个目标函数里加权重、调约束，改一行参数，跑一遍仿真，再改。深夜实验室里那种"改到第 37 版才稳"的经历，写代码的人都能脑补出来。

3.3 执行控制：把决策变成肌肉

规划算出"末端该往哪走"，但真正干活的是一颗颗电机。执行层要把"末端目标"翻译成每个关节的力矩指令：

• 底层：PID 或计算力矩控制，让关节跟踪目标角度；
• 高级：阻抗控制 / 力控——不是死板地"走目标位置"，而是让机械臂像有弹性的手臂一样，碰到东西就顺从。抓杯子捏不碎、拔插头不掰断，全靠这个。

到这里你应该明白了：“让 AI 写机器人代码”= 让 AI 同时搞定感知、规划、控制这三层的代码，并在仿真和真机上反复验证。 这就是为什么它比 vibe coding 难一个数量级——写网页的 AI 只需要懂"逻辑"，写机器人的 AI 还得懂"物理"。

---

4. 技术深挖二：从仿真到真机，最难的一公里

自进化闭环里有一句轻描淡写的话——“先仿真，后真机”。这四个字背后，是机器人领域最著名的坑：Sim-to-Real Gap（仿真到现实的鸿沟）。

4.1 为什么仿真里跑得好，真机必然翻车

因为仿真环境是"理想化"的：

• 物理参数不真实：摩擦系数是设定值，现实中两块接触面的摩擦每天都不一样；电机延迟、齿轮间隙、电池电压下降导致力矩变化，仿真里都没有；
• 传感器不真实：仿真里的相机图像干净得像 CG 渲染，真机的镜头有噪声、有反光、有运动模糊；
• 环境不真实：仿真里桌子是平的，现实里桌面有油渍、有歪斜。

于是出现了一个经典到有点好笑的现象：代码在仿真里跑一万次成功，真机第一次就翻车。 王兴兴演讲里那个"最后几毫米抓不住"，一半就是 sim-to-real 造成的。

4.2 业界怎么对付这道鸿沟：三招

招数一：域随机化（Domain Randomization）。 既然仿真参数不真实，那就把仿真参数"随机化"——摩擦系数随机、质量随机、延迟随机、光照随机。让策略在"参数抖动"的环境里训练，练出一个"无论世界怎么变都能凑合活"的鲁棒策略。这是用训练多样性，对冲环境不确定性。

招数二：系统辨识（System Identification）。 反过来，精确测量真机的动力学参数（惯量、摩擦、刚度），把测到的真实参数回填进仿真，让仿真"长得像真机"。这是让仿真变准。

招数三：Real-to-Sim 数据回流。 把真机上采到的数据（轨迹、力矩、触觉）喂回仿真校准模型。这是让仿真持续跟着真机进化。

三招经常叠加用。这也是为什么自进化闭环必须是"闭环"——仿真的可信度，本身要靠真机数据持续校准。

4.3 误差累积：为什么“最后几毫米”这么难

回到王兴兴的原话。误差不是一步产生的，是链路叠加的：

相机像素误差 → 位姿估计误差 → 轨迹规划误差 → 关节跟踪误差
    （几像素）      （毫米级）        （毫米级）       （电机误差）

每一步都"差不多"，乘起来就是"差很多"。工程师缓解它靠三件套：

1. 闭环反馈：不靠“算一次就执行完”，而是实时用传感器校正——走偏了立刻拉回来；
2. 力控/阻抗控制：末端接触时感知力，用“柔顺”替代“死磕位置”，让最后几毫米的误差被物理地“消化”掉；
3. 视觉伺服：执行过程中不断“看着目标修正”，而不是闭眼走过去。

你会发现，这三件套的共性只有一个：不信任开环计算，永远用反馈兜底。 这跟写分布式系统“不信任网络、永远做重试”是同一个哲学——但机器人没有“重试”的优雅，它摔一次，物理上就失败了。

---

5. VLA 与世界模型：背题库和懂物理的差别

前面提到决策层有两条技术路线，这是 2026 年具身智能圈最核心的争论，值得单独讲透。

5.1 VLA 模型（Vision-Language-Action）

原理：输入“图像 + 语言指令”，直接输出“动作”。端到端，不绕弯子。实现上常用“动作即文本”的 trick——把连续动作（比如“末端移动 5.2 厘米”）离散化成 Token，让大语言模型像“写下一个字”一样“预测下一个动作”。

代表路线：从 RT-2 这类“把机器人当多模态 LLM 训”的思路，到 OpenVLA 这类开源 VLA 生态，这两年进展很快。

优势：简单、直接、能借用大模型已有的语言/视觉常识（“杯子”、“打开”这些概念不需要重新学）。

致命短板：它本质是“看什么 → 做什么”的映射，对物理世界没有显式建模。遇到没见过的场景、需要长程推理的任务（比如"把积木按颜色分类堆好"），容易走一步看一步、忘了目标。这正是王兴兴说的"泛化不足"的根源之一。

5.2 世界模型（World Model）

原理：让 AI 在内部建立对物理世界的预测能力——给定当前状态和一个动作，模型能预测"世界接下来会变成什么样"。有了这个能力，机器人在动手之前，可以在"脑内"先试错：想象自己这么动，杯子会不会翻？ 相当于给机器人装了一个"脑内模拟器"。

两条技术路线（这是关键知识点）：

1. 基于视频生成：训练模型生成“未来几秒的画面”，把预测结果当规划依据（Sora 类技术的机器人版）。宇树从 2024 年初启动的，就是这条路——用视频生成做世界模型，是 2026 年行业公认的核心方向；
2. 基于隐空间预测（JEPA 类）：不生成像素，而是预测抽象特征（“杯子在画面中的语义位置”），更省算力、更抗噪声，但解释性差一些。

为什么难：世界模型“预测得准”，不等于“控制得好”——预测网络和控制器是两个系统，怎么把它们耦合起来（典型如让世界模型给 MPC 当“前瞻”），至今没有标准答案。

一句话总结这两条路的差别：VLA 是背题库考试，题型一变就懵；世界模型是理解了物理定律之后现推，题目再新也能试试。 后者，才是通往“泛化”的路。

---

6. 自进化闭环：机器人世界的 CI/CD

如果你做过工程，会发现宇树这套"自进化"体系，长得特别像你天天在用的 CI/CD + 自动化测试——只是流水线的产物从"代码"变成了"会动的策略"。我们把这六步当工程系统拆开看：

环节	传统机器人开发	自进化体系	关键难点
① 查资料	工程师读论文、翻 GitHub	AI 智能体检索论文/开源方案	需要机器人领域知识库（RAG）
② 写代码	工程师手写感知/规划/控制	编程智能体生成多文件代码	多智能体协作（读论文的/写代码的/写测试的）
③ 仿真验证	手动搭场景、肉眼盯	自动化测试：跑 N 个场景，统计成功率	成功判据怎么定？指标要可量化
④ 真机测试	工程师守着，怕摔	自动部署 + 安全围栏（限速、力矩限制、急停）	安全性是底线
⑤ 评价	工程师凭经验判断"行不行"	自动指标（成功率/能耗/轨迹平滑性）+ 人工打分	评价维度要跟真实需求对齐
⑥ 再生成	工程师改代码	失败原因反馈给编程智能体，下一轮优化	反馈回路怎么设计（类似 RLHF）

注意第⑤步和第⑥步——这是整个系统的"灵魂"，也是最像 RLHF（用人类反馈微调大模型）的地方：

• 自动评价：不能只数"成功/失败"。一个合格的评价体系要同时看任务完成度（杯子放到位了吗）、安全性（有没有撞桌沿）、效率（能耗、耗时）、平滑性（轨迹抖不抖）。这些指标本质上是给"控制代码"打分，分数就是下一轮优化的梯度方向；
• 人工反馈：工程师在真机失败案例上标注"为什么失败"——是目标丢了？是轨迹太激进？还是物理参数变了？把"失败原因"结构化地告诉编程智能体，比只给一个 0 分有用得多。 这就是"人机协同"最实在的落点：人负责判断为什么错，AI 负责去改。

而整个闭环沉淀下来的东西——每一轮的场景、代码、仿真结果、真机数据、评价——就是一个不断长大的数据飞轮 + 技能库。类比一下你就懂了：

传统机器人开发像"手工作坊"：老师傅带徒弟，徒弟学会了就带走，人走茶凉。
自进化体系像"Git 仓库 + 自动化流水线"：每一次尝试、每一段有效代码、每一个失败样本都被记录下来，新任务来了先检索技能库，能复用的直接复用，不能复用的在小基础上适配。
软件行业用二十年验证过的工程方法论，正在被搬进物理世界。

---

7. 四级演进：编程代理在爬四级台阶

把当天所有新闻摆在一起，一条清晰的进化链就出来了。AI 编程代理正在爬四级台阶，每一级，它“作用的对象”都在变重、变具体：

阶段	代表系统	作用对象	核心能力	主要挑战
第一级：补全	GitHub Copilot（2021）	代码片段	行内补全、函数建议	上下文理解、正确性
第二级：结对	Claude Code / Codex（2025）	代码仓库	端到端任务执行、测试修复	长程任务一致性、权限安全
第三级：协作	Slack Code（2026-08）	团队工作流	多代理协作、审计审批、归档	治理、上下文权限边界
第四级：具身	宇树物理 AI 自进化（预研）	物理实体	控制代码生成、真机闭环、自进化	误差对齐、Sim-to-Real、安全性

表 1：AI 编程代理四级演进框架

每一级，都对应一个"人的瞬间"，你大概率能对上号：

第一级，补全时代（2021 年）。 那是 Copilot 刚发布的日子。程序员第一次体验到"我打个函数名，AI 帮我接下半句话"的奇妙感。像是有个打字飞快、但偶尔犯傻的实习生坐在你旁边。多数人的第一反应是：这玩意儿居然真的能写对？

第二级，结对时代（2025 年）。 Claude Code、Codex 这类终端代理出现，不再是一行一行补全，而是"你给它一个任务，它改文件、跑测试、修 bug，一条龙"。无数程序员度过了人生中第一次"AI 深夜加班，我在旁边看着"的夜晚。有人兴奋，有人失眠——那种"我好像突然不是必需品了"的失落，是这代人独有的集体记忆。

第三级，协作时代（就是今天）。 Slack Code 告诉你：AI 不止是你一个人的搭档，它是团队的一员。它有专属频道、有可审计的操作记录、有代码 diff 可以审批。AI 第一次有了“工位”。 对企业来说，这意味着 AI 写代码这件事，终于可以被管理、被追责、被信任了。

第四级，具身时代（刚刚开始）。 宇树这条消息的含义是：编程代理终于要从屏幕里走出来了。它写的不再是 API 和网页，而是机械臂的力矩曲线、双足机器人的步态规划。作用对象从“一段文本”变成了“一具身体”。

你现在正处于第三级往第四级迈进的拐点上。看懂这个拐点的人，会少很多焦虑，多很多方向感。

---

8. 当天全景：数字世界在卷生卷死，物理世界刚开闸

为了让你相信"第四级是价值洼地"，我们把当天 Vibe Coding 这条线完整摊开——它们共同指向一个结论：数字世界的编程代理，正在快速商品化，创新红利正在收敛。

Slack Code 做的是"聚合"：不自己做代码生成，而是把四家代理装进一个频道，自己当撮合平台——它赌的是"模型会越来越像，入口和协作才是护城河"。Fx 和 Grok Build 做的是"轻量化 + 终端原生"：6MB、Zig 编写、10 微秒级响应，说明"帮人写代码"这件事，已经卷到比谁启动更快了。Claude Code 增长放缓、用户转投 Codex、Cursor 补贴抢人——这些数字背后，是一个个开发者用真金白银的订阅做出来的选择。

请注意这个反差的荒诞感：同一天，数字世界里，AI 编程工具在为了"让用户省 5 分钟"打价格战；物理世界里，人类正在尝试让 AI 自己研发机器人——这件事如果成了，改变的是"制造业的研发方式"本身。 前者是存量市场的零和博弈，后者是增量市场的开天辟地。

---

9. 写在最后：给每一个写过代码的人

这篇文章写到这里，我想把话收回到"你"身上。因为我知道，看完前面这些，你心里大概率有两个问题：一，AI 会不会让我没饭吃？二，我能做点什么？

我的回答是：

第一，别慌，但别躺。 AI 编程工具越强，“会写代码”越不是稀缺品，“知道为什么要这么写”越值钱。Claude Code 能帮你十分钟写完三天的活，但它不会告诉你这个模块该不该拆、这个坑十年后会不会爆。你的“手感”、你的判断力、你对一个系统整体性的理解，依然是稀缺的。 只是它不再免费送你了——需要你主动往“理解系统”的方向修炼。

第二，具身智能是下一个低垂的果实，现在进场正当时。 好消息是，门槛没有想象中高，而且是一条非常具体的学习路径：

1. 仿真环境是零成本入口：Isaac Sim、MuJoCo、Gazebo 这些仿真器全部免费/开源。下载 MuJoCo，跟着官方教程让一个虚拟机械臂动起来——半小时，你就能体会到“代码服从物理定律”和“代码服从浏览器”的差别；
2. 补两块编程之外的硬底子：控制理论入门（从 PID 到 MPC，理解“反馈”和“约束”两个概念就够起步）、强化学习基础（看懂“状态—动作—奖励”这个三元组，就能看懂大部分具身论文）；
3. 关注工具链：Python + ROS 2 是事实标准，就像前些年的 React 一样，先会跑通一个 demo，再谈深度。

第三，多关注“误差对齐”这个技术词。 如果说未来五年具身智能有一个核心红利窗口，那就是“如何把数字世界的正确，更精准地翻译成物理世界的动作”。王兴兴反复强调的误差对齐，就是这个问题的名字。谁先把这个词研究透，谁就站在了下一波技术红利的第一排。

第四，保持“造物者”的骄傲。 你看，人类在让 AI 给自己造身体这件事上，最难的其实不是技术，是那个“改一版参数，重新部署，然后看着杯子被稳稳拎起来”的瞬间——那个瞬间的成就感，AI 感受不到。它可以把代码写到完美，但它不会在第四次尝试成功时，轻轻说一句“成了”。会说的，只有你。

凌晨两点的实验室，灯还亮着。杯子被稳稳放回桌面。屏幕上，代码还在滚动——那可能是 AI 写的。

但按下部署键的手，是你。