见过几次机器人进场调试，记住的不是它动起来的时候，而是它停下来的时候。工程师站在旁边，等机械臂在某个位置犹豫两秒，然后手动接管。周围没人惊讶，大家继续喝水、记日志。这大概是当下最真实的日常：能跑通的动作比视频里少，失败也不戏剧化，只是慢一点、偏一点、需要人补一下。
演示和部署之间隔着一段不太体面的距离。演示是选定的场景、调好的光线、清空的地面；部署是真实的厂房、反光的地砖、临时堆放的纸箱，以及一个随时会把物料挪个位置的人。同一条路径，今天走通，明天可能因为地上一层油就打滑。它的能力很少被“不会”卡住，更多是被“大部分时候会”卡住——剩下那一小部分，足以让整条流程离不开人。
长尾不在算法里，在环境里
谈泛化，容易滑向模型参数和数据的讨论。真正消耗时间的是那些不成体系的细节：门把手阻尼不一样，货架被挪了十厘米，包装袋反光让视觉判断失准，地面材质换了，轮子打滑的系数就变了。单独看都很小，叠加起来就是一份列不完的清单。
于是行业里常见一种折中：把环境改造得更迁就机器。贴标记、固定工位、统一容器、限制人员走动。这不丢人，工程本来就是取舍。但它也意味着，很多号称通用的机器人，其实是在一个被悄悄整理过的世界里工作。理解这一点，比争论某段视频真假有用。
感知的进步确实明显。视觉模型让机械臂能认出没见过的物体，自然语言指令降低了调试门槛，模仿学习让示教从写代码变成拖拽几次。可“认得出”和“抓得稳”之间还隔着物理世界。力的大小、接触的时机、物体在手里的微小滑动，摄像头给不了，得靠触觉和力控，而这两样在成本、耐久和标定上都还麻烦。
有些场景，先别急着上
有一种讨论值得更多：不该用机器的场合。任务频率极低、变数极大、失败代价高，人的灵活性仍然是合理方案。硬上，往往得到一套需要专人看护的系统，维护成本悄悄转移到别处。
反过来，判断一个场景是否合适，我倾向于看三条：
- 任务重复，但不完全一致；
- 出错可以回退，不至于造成不可逆的损失；
- 环境能被适度约束，而不是每天都重新洗牌。
三条都满足，落地会顺很多；缺一条，就要准备好长期调试的人力。
耐心比参数重要
写这些不是唱衰。恰恰相反，这两年确实在往实用走，只是路径比宣传曲折。它需要被允许笨拙一段时间：先在受限环境里把活干稳，再一点点往外扩。工程师那句“先让它别出错”，听着保守，却更接近真实需求。
所以下次看到一台机器人动作缓慢、甚至中途停顿，不必急着失望。那两秒的犹豫里，装着整个行业正在解决的问题。