产线末端的纸箱被传送带带偏了三厘米，机械臂伸下去，夹爪合拢，抓了个空。第二次、第三次，动作一模一样，结果也一模一样。最后是旁边的人伸手把箱子推正，这一轮才顺利走完。
这段画面说明的问题，演示视频里看不到：让人相信一台机器人能做某件事，和让它每天做上几千次，中间隔着的不是一点算法。
抓得住，和抓得准，是两回事
夹爪的闭合能力早就不是瓶颈。真空吸盘能吸起整块玻璃，二指夹爪能夹住生鸡蛋不破，这些在实验室里都成立。麻烦出在前面：东西在哪、朝向如何、这一次和上一次差了多少。
视觉给出坐标，力控给出反馈，中间还得有一步判断——抓空之后，是换个姿态重试，还是停下来报警。人做这个决定几乎不费力气，因为人能看见“歪了”这件事本身。而机器人看到的是一串点云和置信度，它不知道什么叫歪，只知道这次匹配得分不高。
演示与产线之间，隔着灰尘和公差
- 光照变了，反光件的轮廓就糊了；
- 来料批次换了，包装表面的纹理和上一批不一样；
- 连续跑几个小时，标定漂了零点几毫米；
- 工人为了赶节拍，工件随手一放，位置每次都有出入。
这些都不是“更聪明”能解决的问题，是工程问题。所以不少团队最后走的路子很朴素：把工位收拾干净、把来料约束住、把失败的情形一条条列出来写进流程。听起来不酷，但稳定性往往就藏在这些不酷的细节里。
泛化这件事，暂时别急着许愿
大模型进来之后，“机器人什么都能干”的说法又热了一轮。这种期待可以理解，也确实有一些真实进展——把语言指令拆成动作序列，比过去写死流程多了一些余地。但从拆解到执行，中间还隔着一层：动作的容错。语言模型不知道夹爪滑了一下意味着什么，它没有手。
所以我更愿意把当下看成一个分工重新划定的阶段：通用能力负责理解和规划，专用能力负责最后一厘米的稳定。两者各管一段，硬要塞进同一个系统里，反而两头都不讨好。
该追问的是另外三件事
一台设备在产线上跑，出错的代价由谁承担、错在哪里能被发现、发现之后怎么恢复——这三件事，通常不会出现在对外展示的片段里。我见过一些设计得相当克制的工位，动作不快，但每一次失败都有记录、有回退，运维的人看得懂。这种系统不吸引眼球，却能一直开着。
回到那只被推正的纸箱。它提醒我的不是机器不够聪明，而是我们对“会做”的定义太宽松了。会做一次，和会做一百万次，中间隔着的东西，恰恰是很难写进宣传语的那部分。