白天跑得顺畅的产线，到了夜里会暴露另一面：来料的摆放有点偏、包装箱受了潮、地面的反光随灯光角度变化。这些变化对人几乎不构成问题，手一伸、眼一扫就过去了，却是自动化设备最容易卡住的地方。
卡住的往往不是关节，是判断
谈论机器人时，人们习惯讨论自由度、负载、精度这些硬指标。它们当然重要，但真正决定一台设备能不能在工位上待满一个班次的，通常是另一类能力：面对没有完全对齐的物体，知道该从哪里下力；抓起来之后感觉不对，能松手重来；被碰到之后，能停下来而不是硬顶。这些动作背后是力觉、视觉与策略的耦合，任何一环偏一点，整个流程就得靠人接手。
这也是演示视频和现场之间总有落差的原因。视频里的环境被反复调试过，光照、位置、物体材质都趋于稳定；现场则每天都不一样。把那套动作搬到车间，往往要重新标定、重新划定工作范围，甚至重新设计夹具。
通用与专用，是一笔要算清楚的账
这几年讨论很多的一个方向，是让设备具备更强的泛化能力——同一套模型，换一种物体、换一个场景也能应付。这个方向有吸引力，因为专用方案的调试成本高，换条产线就要重来。但泛化不是免费的：为了覆盖更多情况，系统要处理更多不确定，节拍可能变慢，出错时的表现也更难预测。
所以在实际部署里，常见的做法不是追求一步到位，而是把任务切成段：稳定的部分交给自动化，模糊的部分留给人，或者留给人远程接管。有人把这叫“人机协作”，说得更朴素一点，是把不确定性放在能被及时处理的地方。
怎么算“会做”
评价一台机器人是否称职，比想象中难。单看抓取成功率意义有限——十次里成功九次听着不错，可如果失败的那一次卡住了整条线，代价就完全不同。更贴近实际的指标往往包括：异常发生后多久能恢复、需要人介入的频率、连续运行几个小时后精度是否漂移。这些数据不好看，也不适合放进宣传材料，却决定了设备能不能真正被留下来。
还有一层常被忽略：人的适应成本。新设备进厂，操作员要重新学习怎么和它配合，维护人员要掌握新的排查路径。如果这部分成本没被计入，账面上省下来的人力，可能会以另一种形式还回去。
慢一点，也许更接近日常
我对“机器人很快会无处不在”这类判断持保留态度。技术确实在进步，尤其是感知和决策部分，但物理世界的容错空间很小，一次碰撞、一次误判，代价都由现实承担。更可能发生的情形是：它们先在一些流程清晰、环境可控的位置站稳，然后一点点往外扩，扩的速度取决于每个具体场景里那点说不清的麻烦被解决得多好。
所以看到那些动作略显笨拙、需要人搭把手的设备，不必急着下结论。笨一点，意味着它还在学习边界在哪里；边界清楚之后，它才可能真正留下来。