一、常识为什么难住机器

1、 人从小在物理世界里摔打，知道杯子满了会洒、门要从这边推。这些没写进说明书的"默认知识"，机器人并没有，它得被一条条显式教，而人类自己都未必意识得到这些"默认"的存在，教的人先得发现自己知道。

2、 大模型有书本常识，却缺身体常识。它知道"水会洒"，但不知道机械臂该以多慢接近杯沿才不会碰倒，书里不会写这种手感数字，身体记住的东西文字描述不出来，机器自然没有，认知和身体是两套。

3、 这类默认知识很难写成规则。你以为"显而易见"的动作，对机器而言每一步都要被显式教，缺口比想象中宽得多，教一条漏十条是常态，规则写得越细越发现自己根本没意识到还有那条规则，越补越发现自己无知。

二、缺常识会出什么洋相

1、 在实验室走得好好的机器人，进到杂乱客厅可能卡住：地上有拖鞋、沙发会塌、孩子会突然冲过来，它没预案，当场死机或乱动，训练场里的干净和家里的乱完全是两个世界，泛化在长尾处崩塌。

2、 更隐蔽的是"过度执行"。你让它"把碗收了"，它连灶台上的热汤一起端走，因为它分不清哪些能动、哪些有危险，只认字面指令，把"碗"理解成了"碗及其附近一切"，好心办坏事，听话听成了盲从。

3、 更麻烦的是长尾。绝大多数时候正常，偏偏某次环境异常就犯傻，而这次恰好代价最高。鲁棒性最怕的，就是这种"平时都好、出事要命"，一次失误抵消一百次顺利，却最难提前测出来，风险藏在概率最小的角落。

三、怎么补这块短板

1、 一条路是让机器人在仿真里大量试错，把"碰倒杯子""烫到手"的代价提前付掉，再迁移到真实身体，出丑不出在真现场，试错成本被压到几乎为零，敢放手让它摔，摔够了才敢让它真上手干活。

2、 另一条路是给任务加约束语言。用自然语言把"别动热源""先让路"说清楚，把常识转成可执行边界条件，让模型知道哪里不能越，用规则补上它缺的那块默认知识，话说在前头它才不会做在险处。

3、 还有一条路是让人示范。你做一遍它看一遍，把"怎么拿碗不碎"的动作序列直接学去，比纯语言描述更准，因为示范里带着人自己都没说清的分寸，那是身体记忆，旁观者学不会只能做给看，示范胜过千言。

四、身体经验无法全靠文本

1、 纯靠互联网文本训练，永远补不上"手感"。力度、平衡、触感这类信号，必须来自真实或高保真模拟的交互，文字描述到不了肌肉层面，模型能说出"轻拿轻放"却不知道"轻"是多大，知道和做到隔着一层皮。

2、 这也是为什么很多团队把采集真实交互数据当成核心资产。手感数据越厚，机器人越不像"第一次上门的陌生人"，面对新物体时更敢下手，数据厚度直接换算成它干活时的从容度，老手和新手差的就是这层厚度。

3、 所以数据闭环很重要。真实交互越攒越多，模型对"手感"的估计越稳，泛化到新物体时才少出洋相，补数据的节奏决定它变聪明的快慢，闭环转得勤，它长本领就快，慢了就一直像新手，数据不生本领不涨。

五、给用户的正确预期

1、 别期待机器人一上来就懂全家。先把它圈在固定动作里，比如叠同款衣服、收同款碗，范围越小越稳，成功率才上得去，贪多让它同时面对十种不确定，只会处处露怯，小步快跑比大步摔跤强。

2、 把常识当成渐进获得的能力。每多跑一个月、多纠一次错，它才慢慢从"照做"走向"会看场合地做"，急不来，也不该一次到位，常识是攒出来的不是装进去的，耐心换稳定，按月看它才看得出长进。

3、 验收也要换标准。别问"会不会做"，要问"在多少种乱法下还做得对"，鲁棒比一次成功更说明问题，也更能预测你家里的真实日子，一次漂亮不如百次不翻车，稳定才是能托付的指标。

六、常识也能被评测吗

1、 常识不是不能测，只是难测。给它一个"杯满会洒"的情境，看它是否主动放慢动作，比考它背定义更能暴露真实理解，考行为而非考知识，才能分清它是真懂还是背过，纸面满分不代表手上稳。

2、 评测要进真实或仿真环境。光在文本里问答，模型能编出漂亮答案，但手会不会抖、步子会不会停，只有动起来才看得出来，纸面考不出身体，环境才是最诚实的考官，动起来才露真本事。

3、 企业可自建常识题库。把你家场景里那些"理所当然"的动作列成小题，定期让机器人过一遍，哪里犯傻补哪里，把常识缺口变成可跟踪的清单，补常识也成了有节奏的运营，清单越厚它越像自己人。