机器人技术进展缓慢，主要因为物理世界的复杂性远超数字领域。尽管AI在知识工作领域突飞猛进，但机器人仍局限于实验室演示，缺乏像ChatGPT那样可广泛使用的产品。演示视频往往只展示成功案例，难以反映真实技术水平。
正文
好的，这是根据您的要求，对原文主要内容进行的中文重述，保留了核心细节，并删减了与主题无关的评论和部分示例：
标题：机器人技术为何困难重重
人工智能（AI）的进步日新月异，但几乎所有可见的进展都集中在知识工作领域，即那些能在计算机内部完成的活动。在旧金山的AI圈子里，普遍认为机器人很快将进入现实世界。与开发通用AI的竞赛并行，一场同样激烈的竞赛正在展开——开发具有物理智能的通用机器人，即人形机器。这些人工劳动者可以烹饪、清洁、取物、搬运，甚至制造更多的自己，从而可能引发经济“爆炸”。
然而，一个重要的区别在于：虽然我们能看到AI在智力领域的进步，但物理层面的AI大多仍局限于测试设施和演示视频中。目前还没有像ChatGPT那样的机器人，能让普通大众或AI社区的大多数人实际使用。
因此，我们只能依赖演示视频。但不幸的是，这些视频是评估进展的糟糕工具。我们看到的可能是100次尝试中唯一成功的一次；场景可能经过精心安排，以避开机器人尚未准备好的挑战；视频也可能经过剪辑，让机器人看起来比实际更快、更可靠。
演示视频吸引了人们对机器人已能做到之事的关注。那么问题就变成了：还缺少什么？本文将列举在通往通用人工劳动者的道路上必须克服的技术挑战。下次当你看到机器人做出令人印象深刻的事情时，请问问自己：这个机器人展示了哪些能力？演示场景又可能规避了哪些挑战？
以下是机器人技术面临的主要挑战：
灵巧性与操控能力：人手是工程学奇迹，拥有约24个自由度（关节）和约17,000个触觉传感器。目前的机器人“操纵器”相形见绌。虽然有些机器人手在某个物理属性上（如27个自由度）可以媲美人类，但没有任何一款能同时匹配人类在灵活性、灵敏度、力量、可靠性等方面的综合能力。控制问题同样艰巨，机器人需要能规划抓取复杂物体的动作序列，并处理柔软或易变形的材料。
视觉理解：计算机视觉取得了巨大进步，但理解复杂的视觉场景——从拥挤环境中识别物体、判断抓取位置、确定安全落脚点——仍是一个未解决的问题。
规划与推理：通用机器人必须能将任务分解为单个步骤，并将其与环境联系起来。真正的自主性需要规划更大规模和更复杂的任务（如烹饪一顿饭），并在遇到意外（如卡住的螺栓）时重新规划。
情境理解与常识：机器人需要了解环境背景（如物品存放位置），并在此基础上进行推理、规划和判断。LLM（大语言模型）在这方面取得了长足进步，但物理领域带来了额外挑战，尤其是缺乏用于训练物理任务的海量、广泛且深入的数据。
协作能力：AI代理通常在孤立、静态的环境中运行。机器人则经常需要与人或其他机器人协作，这在物理世界中比在虚拟世界中更难安排。
速度：如今的通用机器人通常比人类慢得多。挑战包括力量、控制（速度越快，规划和反应时间越短）和安全性（快速移动的机器人撞击力更大，更难躲避）。虽然慢速在某些场景下可以接受，但作为厨师或护理助手则用处不大。
力量：人形机器人通常不够强壮。将力量与可控的重量、大量关节和灵活框架相结合非常困难。强大的电机会产生更多热量并更快耗尽电池。
移动性与稳定性：关于通用机器人的下半身形态（轮子还是腿，两条腿还是四条）尚无定论。轮子更便宜、稳定；腿更适合跨越障碍和爬楼梯。双足框架更灵活，但也更容易摔倒。
安全性：通用机器人的安全考量几乎是无限的。故障机器人可能撞人、倾倒、掉落物品、打碎玻璃或引发火灾。与基于LLM的代理不同，机器人持续运动，很难单独挑出某些特定动作作为需要审查的潜在危险动作。
续航、散热与可靠性：目前双足机器人通常只能运行几小时就需要充电。更严重的问题是过热，人形机器人产生的热量是人的两倍，且缺乏人体高效的散热机制。此外，机器人有大量易损的活动部件，导致频繁故障。
边缘情况与可靠性：自动驾驶汽车（如Waymo）在应对边缘情况时仍显挣扎，尽管已开发超过20年并行驶了数亿英里。在家庭和商业环境中工作的机器人将面临更多、更复杂的边缘情况，使用更多样的工具，在更多样的环境中执行更多样的任务。在受控工厂环境之外实现可靠运行可能是最困难的挑战。
计算能力：完成所有任务（灵巧、协调、规划、安全等）需要大量计算能力。将计算能力集成到机器人身上会增加成本、消耗电池并导致过热；将“大脑”放在云端则会减慢反应时间并引入新的故障模式（如Wi-Fi中断）。
规模化生产：LLM能迅速规模化，因为现有硬件（GPU）和制造设施易于适配。但先进的机器人尚不存在大规模供应链。即使设计成熟，从制造、部署到维护也可能需要数年时间。
其他障碍：还包括政治、监管、组织和文化障碍（如就业替代、安全法规）；网络安全、监控和滥用风险；隐私问题；以及成本问题。
总之，在机器人成为能在受控工厂环境之外工作的可靠、实用的劳动者之前，需要克服许多障碍。演示视频展示了机器人在理想条件下的能力，但也可能分散我们对现有局限性的注意力。在物理世界，演示与现实之间的差距可能比知识工作领域更大。
评论
根据评论内容，总结如下：
核心观点：机器人技术（尤其是人形机器人）进展缓慢，主要受限于物理世界的复杂性、硬件成本与可靠性、以及控制系统的难度。
1. 物理世界与硬件挑战 - 物理世界无限复杂：评论3指出，物理世界是“无限全局状态”，需通过不完美传感器和电机感知与行动。评论2（机器人专家）补充，触觉传感器每指成本数千美元，实际平均故障时间仅数小时，且存在“顺应性”和“在线适应”难题。 - 硬件与成本瓶颈：评论7提到，亚马逊近十年未大规模部署自动拣选机器人，人形机器人成本约等于汽车，但“仍不够好用”。评论9认为，人形机器人受限于外形，无法像工业机器人那样使用液压或大型步进电机。
2. 控制与AI的局限 - 高自由度控制困难：评论4指出，人形机器人动作空间“类似希尔伯特空间”，远超自动驾驶（仅油门、刹车、方向盘）。当前自然行走的双足机器人依赖PID控制与实时优化，但“每应用推导繁琐”。 - AI的“物理盲区”：评论17批评，AI进步主要在“知识工作”，而“现实物理不会轻信”。评论13以Waymo驶入积水为例，说明AI缺乏常识推理，除非被反复训练或硬编码。
3. 对未来的不同预期 - 渐进式发展：评论10预测，机器人将先以“专用家电”形式出现（如除草、修剪），而非一步到位的人形机器人。评论9认为，家务机器人可能更像“带轮子和夹爪的半洗碗机”。 - 中国可能突破：评论6暗示，中国可能实现“不可能”的突破，值得反思。 - 质疑AI过度扩张：评论15担忧AI“愚化一切”，如谷歌搜索被AI生成的低质内容污染。
4. 关键引用（保留中英文） - 物理复杂性：“The physical world is basically an infinite amount of global state that must be perceived indirectly through imperfect sensors”（评论3） - 硬件瓶颈：“Current generation tactile sensors cost a couple thousand $ PER FINGER, and have a real world MTBF of hours”（评论2） - 控制难度：“An action space that is metaphorically Hilbert... All the bad-ass biped robots... It's PID controls wrapped with control barrier functions”（评论4） - 渐进路径：“I think it'll be more capable appliances at first... It's not going to be one day a humanoid robot comes into the house and does everything”（评论10）