实验室里常见这样一幕：机械臂对准桌上的杯子，路径规划显示一切正常，夹爪合拢的瞬间，杯子却被推歪了半厘米。任务失败，原因并不是算力不足，而在于它不知道自己手指碰到的究竟是什么。
这类失误常被归因于“不够智能”，真实原因往往更朴素。视觉给出位置，却给不出接触之后的力变化；模型在训练分布内稳定，遇到反光表面、略微倾斜的桌面，判断就开始漂移。抓取发生在末端，本质是感知、决策与控制在一厘米范围内反复协商。
演示环境与真实环境之间
视频里的机器人多半站在整洁台面前，物体位置固定，光照均匀。换到仓库、后厨或普通家庭，物品堆叠、材质混杂，抓取点被遮挡，情况立刻不同。同一套策略，在演示中连续成功，在杂乱的现场可能反复卡在同一个小台阶上。
被低估的环节通常有三个：
- 触觉。力的大小、方向、滑动趋势，视觉很难替代，而耐用且便宜的触觉元件仍在演进。
- 数据。真实抓取样本要靠人一遍遍摆放、失败、重来，成本高，长尾情形尤其难覆盖。
- 评测。单看成功次数会掩盖失败方式的差异，而失败方式决定了它能不能被放心地放在人身边。
仿真能加速训练，但把仿真里学到的动作搬到现实，摩擦、形变、传感器噪声都会带来偏差。工程上常见的做法是留出余量：动作慢一点，夹持力保守一点，遇到不确定就停下来重新感知。代价是节拍变长，收益是少闯祸。
不是所有岗位都需要一双“手”
讨论机器人时，容易被带向通用性：能走、能抓、能听懂指令。但在产线与仓储中，大量任务其实可以被结构化——固定工装、传送带定位、专用夹具，用更低的复杂度换取稳定产出。把通用能力塞进本该固定的环节，未必划算。
真正需要灵活手部能力的，往往是批量小、品种多、来料不规整的场景。这些场景的共性是：任务边界模糊，异常多，人很容易处理，机器却要为此准备大量规则。于是出现一种务实的做法：让人负责判断和收拾残局，让机器承担重复搬运与定位。
回到开头那只被推歪的杯子。它提醒的并不是某项技术落后，而是“感知—动作”闭环在边界处的脆弱。想让机器人少犯这类错，突破口也许不是更大的模型，而是更细的接触反馈、更诚实的评测，以及承认哪些环节本来就不该交给它。