在一间做小批量金属件的车间里，机械臂抓一个零件要两秒半。工程师把节拍压到两秒二，良率立刻往下掉。老师傅在旁边看了一上午，给出的方案很朴素：让它在松爪之前多停半拍。这半拍不在任何手册里，也没法从图纸上推出来，只能靠人盯着看、反复试。
类似的事听多了，会慢慢形成一个判断：机器人的能力边界，常常不在“能不能做”，而在做得够不够“合手”。演示里差一点无所谓，产线上差一点就是废品。
演示与产线之间
流传的片段里，双臂设备叠衣服、端咖啡、从货架上取货，动作流畅得让人忘记它其实在猜。到了真实车间，地面有油、光线会变、来料公差来回飘、上一道工序偶尔留下毛刺。这些差异单看都小，叠在一起就足以让一个在实验室里成功率很高的动作失手。
具身智能这两年的进展，很大一部分体现在“没见过的东西也能应付一点”。这句话里最关键的词是“一点”。从一点到稳定，中间隔着漫长而琐碎的长尾，而长尾恰好是最消耗人的部分。于是出现了一种不太好看的分工：通用能力交给模型，具体的活儿仍然靠工程师一行行调参、一次次试跑。
谁为一次误动作负责
当机器人走到人身边，安全通常靠限速、力控、光幕和急停来兜底。这些设计有一个共同前提——行为是可预期的。你知道它下一步往哪走，才敢站在那个位置。
一旦动作由模型生成，同一个指令在不同场景下可能走出不同轨迹。这时候，“谁批准它这么动”和“出事谁负责”就变成了真问题。目前更多是靠部署阶段收窄自由度、加物理隔离来回避，而不是真的解决了它。这类答案不漂亮，但足够诚实。
维护知识的去处
一台设备用十年，靠的是备件、图纸和会修它的人。软件定义的机器人把这套经验打散了：故障可能不在机械结构，而在版本、标定参数、日志里某一行异常。老技师的手感用不上，新来的年轻人又未必愿意读日志。
有些工厂的做法很土，却很有效：把每次异常和处理办法记在本子上，谁遇上谁补一条，慢慢攒成自己厂里的“方言”。这套东西上不了台面，却决定了设备能不能真正被接纳。
所以我不太相信某一代模型会让部署突然变简单。更可能的情形是，能力一点点长出来，麻烦也一点点长出来，两边同时增加。真正难的那部分，从来不是让它动起来，而是把不确定慢慢收拾成可控——这件事需要耐心，也需要愿意蹲在设备旁边看一上午的人。