AI考试满分，为什么连碗都端不稳？——机器人角斗场揭示的'理解'与'行动'之间的深渊

Thu, 22 Oct 2026 02:30:00 +0800

引言：一场价值千金的"翻车"

2026年10月20日，一个名叫RoboColiseum（机器人角斗场）的平台做了一件前所未有的事：把OpenAI的GPT-6 Astra、GPT-6.1 Sol，Anthropic的Claude Opus 5.5，以及Google的Gemini 4 Argon——全球最强大的四个AI模型——放进同一套规则里，让它们像角斗士一样控制真实的机器人。

任务很简单：听懂指令、看准位置、完成操作。

结果出人意料。

Claude Opus 5.5以76.28分拿下综合第一，GPT-6 Astra以75.99分紧随其后。在"听懂指令"和"看懂空间"这些考察脑力的项目上，它们碾压了专门的机器人控制模型。

但一到了"动手"环节——抓取、开门、倾倒、叠碗——四个顶尖模型全军覆没，得分只有38到46分，而专门的机器人策略模型轻松拿到63到66分。

更扎心的细节：Astra能指挥机器人移动底盘、弯腰、伸臂、抓起物体、转身、精准投放——整个流程一气呵成。但它就是没法稳稳地抓起一只碗。充电口对准这种精细活，更是直接放弃。

一句话总结：这些AI是典型的高智商、低动手能力。脑子里什么都懂，一上手就抓瞎。

很多人看到这个结果会问：它们不是已经很聪明了吗？连数学猜想都能帮忙证明，怎么连个碗都端不稳？

答案可能比我们想象的深刻得多。

第一层：理解世界和在世界中行动，是两件完全不同的事

要理解这个差距，我们需要回到认知科学的一个核心洞察。

1990年代，神经科学家卡尔·弗里斯顿提出了"自由能原理"——一个试图统一解释所有智能系统行为的理论。它的核心论断是：所有维持自身存在的智能系统，都必须最小化自身对环境的预测误差。

换句话说，智能的本质是"减少意外"。

你走进一间熟悉的厨房，你知道杯子在架子上、冰箱门朝哪开、水龙头怎么拧——这些都是你的大脑对世界的预测模型。预测越准确，你越不会"意外"，生存能力就越强。

但弗里斯顿指出了两条减少意外的路径：

第一条是改变你的认知——更新你对世界的理解。这叫"感知优化"。

第二条是改变世界——通过行动让现实符合你的预测。这叫"行动优化"。

听起来像同一枚硬币的两面？确实是。但这两条路径对系统的要求完全不同。

感知优化只需要一个"内部模型"——你对世界的理解。它可以在纯粹的思维中完成，不需要和物理世界打交道。今天的大语言模型擅长的正是这个：理解语言、理解逻辑、理解因果关系，在思维的沙盘上推演一切可能。

但行动优化需要另一样东西：精确的物理控制。你的预测模型告诉你"碗应该在手上"，但从"知道碗应该在哪里"到"让碗真的稳稳地在你手上"，中间隔着感知精度、力学计算、实时反馈调整、多关节协调……一长串工程挑战。

这就是为什么AI"懂很多"但"做不好"——它走通了第一条路径，第二条路径才刚起步。

第二层：大模型有"世界模型"，但这个世界模型缺少物理纹理

为什么大模型能理解指令、能推理空间关系，却不能精细操作？

这涉及认知科学中另一个重要假说——“世界模型假说”。

这个假说认为，大语言模型在训练过程中不只是学习语言模式，还在构建一个关于世界的内部模型。这个模型包含物理层（物体、空间、重力）、生物层（生命、生长）、心理层（信念、意图）、社会层（规范、制度）等多个层次。

证据是明显的：大模型能预测"杯子从桌上掉下会怎样"，能理解他人的意图，能回答"如果……会怎样"的反事实问题。这些能力说明它们确实有某种世界模型。

但这个模型有一个关键缺陷：它是从文本和图像中学来的，而不是从物理交互中学来的。

想象一下，如果你从小到大只能通过看书和看视频来了解世界，从未亲手摸过任何东西——你知道碗是圆的、光滑的、有一定重量，但你不知道它在你手指间的真实触感，不知道抓得太紧会碎、太松会滑，不知道一只手端满碗走路时它们会怎样相互碰撞。

这就是当前大模型的处境。

RoboColiseum的测试数据精确地揭示了这一点：当图像质量稍有下降——加点噪点、调暗灯光——GPT-6.1 Sol的得分直接从70多分暴跌到18分。它不是"看不清"，而是它的世界模型里根本没有"模糊视觉下如何行动"的经验。

一个在完美模拟环境中长大的孩子，第一次走进真实世界时的手足无措，大概就是这样。

第三层：这不是bug，是智能进化的必经之路

但我想说的是，AI"眼高手低"并不是一个需要紧急修复的bug，而是智能进化的自然阶段。

让我们把视角拉远一点。

人类的婴儿也是从"眼高手低"开始的。一个6个月大的婴儿能准确地追踪一个滚动的球——它的视觉理解能力已经相当不错了。但让它去抓那个球？它的手臂会笨拙地挥舞，经常抓空。

为什么？因为视觉处理系统的发育比运动控制系统的发育更早、更快。理解总是领先于行动。

这个规律不只适用于婴儿。在人类技术史上也是一样的：我们先发明了望远镜理解星空，过了几百年才发明火箭真正抵达太空。我们先通过化石理解进化论，过了很久才学会基因编辑。

理解先行，行动跟进。这是智能系统从虚拟走向现实的基本节律。

当前AI正处在"望远镜阶段"——它已经能非常精确地理解物理世界的规则和结构，但还没学会在这个世界中精确地行动。

好消息是，从"理解"到"行动"的跨越，可能比我们想象的要快。

RoboColiseum的数据中有一个关键线索：当研究者给GPT-6 Astra加上"执行反馈"——告诉它"你刚才那一下做到了没有"——它的规划决策次数从35次降低到16次，效率翻了一倍。加上了"历史记忆"——让它记住之前的尝试——积木入盒成功率从50%恢复到100%。

这意味着什么？意味着这些大模型已经具备在物理世界中学习的基础能力。它们缺的不是能力，而是经验——是在真实物理交互中积累起来的、关于"我这样做，世界会怎样反应"的经验。

给它足够的实践，它会学会。

尾声：下一个前沿

黄仁勋在刚刚结束的GTC柏林大会上说：“物理AI是人工智能的下一波浪潮。”

这不是一句营销口号。从自由能原理的视角看，AI从纯数字世界走向物理世界，不是工程选择，而是进化的必然——一个只会在思维中减少预测误差的系统，永远无法成为完整的智能体。只有当它能在真实世界中行动、承受行动的后果、并根据后果调整行动，它才真正走完了智能的全部路程。

四大旗舰模型在角斗场里的"翻车"，不是失败的证明，而是征程的开始。

就像人类婴儿第一次笨拙地伸手去抓那个滚动的球——抓空了，但下一次会更准。

参考来源