看过一段机械臂的视频：灯打得均匀，零件落进料框，动作干净。评论区最常见的问题是「什么时候能用」。真正麻烦的部分，通常在镜头关掉之后才开始。
一次成功不难。把环境布置好，把参数调到刚好，谁都能拍出一条流畅的片子。难的是同一条动作重复一千次，中间没人看着，灯光变了一点，料框歪了两厘米，上一批零件比这一批硬了半度。
误差是攒出来的
单次定位差0.2毫米，听上去可以忽略。可它不会一直停在0.2。夹具会磨，导轨会有温漂，气路的响应慢上几毫秒，抓取点就一点点往外挪。人做这件事靠的是手感——手指碰到阻力变大，下意识就轻一点。机器没有这种下意识，它只能靠标定、靠视觉反馈、靠力传感器把这偏差找回来。找不回来，就会在某个没人注意的时刻报警停机。
感知的脆弱性也常被低估。训练时见过的料框是银灰色，现场换成深色塑料，反光一变，分割结果就漂。这类问题不是算法不够大，而是现场不肯配合数据集。
稳定是一堆补丁的总和
工程上的做法很朴素：加传感器，加约束，加「失败之后怎么办」的逻辑。最后这一项最费心思。重试太积极，效率被拖垮，还可能把工件撞变形；重试太保守，动不动就亮灯叫人，产线上的人很快就会把它当成麻烦。什么时候该自己再试一次，什么时候该停下来等人，这个分寸没有通用答案，只能按具体工序一点点磨。
一台机器人待在工位上，最需要的往往不是更强的算力，而是有人愿意在它出错的那几十次里蹲下来看清楚。这段调试期不好看，也拍不成视频，却决定了它能不能留下来。
所以我不太喜欢「无人」这个说法。更常见的现实是人机分工：把重复、确定的动作交给设备，把判断和异常处理留在人这边。一个人同时看几台机台，出问题时走过去处理，这种安排在不少车间已经跑得挺顺。
也得说清楚边界。在高度结构化的场景里，机器人早就干得很好：位置固定、来料一致、节拍稳定，重复本身就是它的长处。真正卡住的是半结构化那一段——料框里堆得歪歪扭扭的零件、软的物料、多品种小批量。越靠近这一段，「能不能做」就越取决于愿意在现场调多久，而不是发布会上讲得多好。
还有个评价口径的问题。演示看的是峰值，落地看的是尾部：那些不常发生、一旦发生就要停线的时刻。与其盯着视频里有多顺，不如问几个笨问题——连续跑一周，中间叫人了几次？换一批来料，参数要不要重调？出问题时，现场的人能不能自己修好？
我对手里那类「通用」的说法持保留态度。不是不信技术会往前走，而是觉得现场的时间尺度比演示长得多。愿意让一台机器人待在同一个工位上跑满一年、并且把每次停机都记下来的团队，往往不发视频。他们的进展看起来慢，但那是能用的慢。