你有没有发现？最近两年大家聊AI，开口闭口都是GPT-4多能聊、大模型多能算，好像只要把模型参数堆得足够大，就能造出无所不能的机器人。但前阵子我翻《Science Robotics》期刊时，看到剑桥大学Amanda Prorok教授的研究，差点惊掉手里的咖啡——她直接说：“追单一‘超级大脑’的机器人路线，从根上就错了！”

作为在机器人领域摸爬滚打5年的博主，我太懂这种“堆模型”的执念了。去年跟一家做家庭服务机器人的团队吃饭，他们CTO吐槽：“为了让机器人同时搞定识别家具、听懂方言、避开宠物，我们把模型参数从10亿加到80亿，服务器电费每个月多花20万，结果机器人还是会把拖鞋当成猫抓板——反应太慢了，等它算完，猫都跳上桌子了。”

第一个死穴是“计算撑不住”。你可能听过“深度学习扩展定律”，简单说就是机器人想做更复杂的事，模型规模和数据量得呈指数级涨。现在主流的机器人视觉模型，比如DINOv2，参数都快赶上一个小语种的词汇量了，跑起来得占几百GB内存。Prorok团队测过，就算用性能顶尖的工业开发板，这模型每秒只能处理不到10帧画面（推理频率＜10Hz），但机器人要在客厅里躲开小孩，至少得每秒处理50-100帧——就像你用2G网看直播，画面卡成PPT，还怎么躲？

第二个死穴是“适应力太差”。我之前见过一台餐厅机器人，在固定路线上送菜挺顺，但有次客人把椅子挪了半米，它就对着椅子转圈，直到没电都没找到新路线。这就是单体模型的毛病：在实验室里练得再熟，换个小场景就“失忆”。Prorok教授说，要让单体机器人适应新环境，得重新喂几万组数据训练，成本比买台新机器人还高——这哪是做机器人，简直是养“娇生惯养的少爷”。

第三个死穴更扎心：“成本下不来”。去年深圳有家工厂想换一批搬运机器人，一算账傻了眼：能同时处理导航、称重、扫码的单体机器人，每台要12万，而只做单一任务的简易机器人，每台才3万。老板最后叹口气：“除非我工厂是印钱的，否则真用不起。”

最后是“不怕故障，越用越稳”。我之前在医院见过达芬奇手术机器人，它有4个机械臂，每个臂只负责一种操作：有的夹手术刀，有的吸血，有的扶组织。有次其中一个夹刀的臂出了小故障，系统立刻让扶组织的臂临时补位，手术没耽误一秒。这就是集体智能的“冗余设计”——不像单体机器人，一个零件坏了整台就废，组队的机器人就算有一两个“请假”，其他的也能顶上。

可能有人会问：“这玩意儿听着挺好，但离我们普通人远不远？”其实一点都不远，我给大家举3个身边的例子，你肯定有印象：

第一个是自动驾驶。现在特斯拉、Waymo的新车，都不用“单一超级模型”了。比如特斯拉的FSD系统，把任务拆成了“感知-预测-规划-控制”4个模块：摄像头模块专门看前方有没有车，预测模块专门算前车会不会刹车，规划模块专门选最快的车道，控制模块专门调油门刹车。去年我试驾Model Y时，遇到前方车辆突然变道，系统0.3秒就做出了反应——要是用以前的单体模型，至少得等1秒，说不定就撞上了（来源：特斯拉2023年《自动驾驶安全报告》）。

第二个是医疗机器人。除了达芬奇手术机器人，现在很多医院的“送药机器人”也是集体协作。比如北京协和医院，有10台送药机器人，有的只负责从药房取药，有的只负责送到病房，有的只负责登记药品信息。它们通过医院的内网分享位置，从来不会在走廊里“堵车”。护士说，以前人工送药每天要走2万步，现在有了这些机器人，能多照顾3个病人——这就是技术的温度啊。

第二，家里买机器人，优先选“可扩展”的。比如买扫地机器人，别只看它现在能扫多干净，还要看能不能加个“拖地模块”“集尘模块”，以后要是想让它擦窗户，能不能加个“擦窗模块”——这样不用买新的，加模块就行，省钱又环保。

第三，多关注“边缘计算”和“联邦学习”。这两个技术是集体智能的“左膀右臂”：边缘计算能让机器人在本地快速处理数据，不用总传去云端，减少延迟；联邦学习能让机器人互相分享经验，又不泄露隐私。现在英特尔、英伟达都在做边缘计算芯片，谷歌、微软在推联邦学习平台——这些技术成熟了，集体智能会更普及。

最后想跟大家说：我们对AI的期待，不应该是“造出比人还聪明的超级大脑”，而应该是“造出能帮人解决问题的伙伴”。就像Prorok教授在文章结尾写的：“机器人的未来，不在于一个‘英雄’拯救世界，而在于一群‘伙伴’携手前行。”

你有没有想过？以后家里可能不会只有一台“万能机器人”，而是有好几台小机器人：一台负责做饭，一台负责扫地，一台负责陪老人聊天，它们互相配合，让日子过得更舒服。要是真有那一天，你最想让这些机器人帮你做什么？欢迎在评论区聊聊，咱们一起畅想未来～