现场直击：我看到AI机器人即兴用香蕉当工具

当我站在Generalist AI的实验室里时，眼前的一幕几乎让我怀疑自己是否看错了：一只工业机械臂正小心翼翼地用一根香蕉去按压一个按钮。它不是被精密编程去完成这个动作的——至少，没有人为这个特定场景写过一行代码。它只是“看了看”周围，然后决定香蕉是此刻最合适的工具。

这是我在2026年8月的一次实地探访。Generalist AI是一家致力于让机器人学会“随机应变”的初创公司。他们把这种能力称为“现场学习”（on-the-spot learning）。与传统的机器人不同，它们不需要在固定环境中重复执行预设轨迹，而是能在全新的任务中，通过实时推理和物理试探找到解决方案。

从“预训练”到“即兴发挥”

过去十年，机器人学习的主流范式是“大规模预训练+微调”。像RT-2、PaLM-E这样的视觉-语言-动作模型，通过海量互联网数据和机器人数据进行训练，期望模型能泛化到新场景。但现实世界的复杂性在于——你永远无法预见到所有情况。当遇到“一个黄色弯曲的物体”时，模型可能会识别出它是香蕉，却不一定会想到“可以用它来按压按钮”。

Generalist AI的突破在于，他们将“工具”的概念从固定列表扩展到了无限可能。在他们的系统中，机器人不再依赖“这个工具是用来做什么的”这类静态知识，而是通过实时的接触反馈和视觉观察，推断出“这个物体此刻能否帮助我实现目标”。这更像人类的即兴表演：随手拿起一本书垫桌脚，或用勺子当螺丝刀。

“我们在教机器人不要迷信预训练。真正的智能，是在未知中作出合理选择的能力。”——Generalist AI研发负责人对笔者表示。

香蕉背后的技术革命

据现场工程师介绍，这套系统由三个核心模块构成：一个实时场景理解模型，负责解析物体的几何属性和物理属性；一个基于世界模型的推演器，能在毫秒级时间内模拟“如果我用香蕉按压，会发生什么”；一个自适应的运动控制层，负责将抽象计划转化为精准的力控动作。三者协同，让机械臂在十秒内完成了从“观察香蕉”到“实施按压”的全过程。

更令人惊叹的是，这并非预先安排的演示。工程师临时更换了香蕉的位置、角度，甚至把目标按钮换成了红色圆钮。机械臂每次都会重新推理，并找到新的抓取点和发力方式。它甚至在某次尝试中，用香蕉的侧面而不是尖端去按压，因为那样更稳定。

通用机器人的曙光？

长期以来，机器人技术被分为两大流派：工业机器人追求速度与精度，协作机器人追求安全与易用，但它们都缺乏“常识”。而像Figure、1X、特斯拉Optimus等人形机器人，虽然展示了惊人的运动能力，但在开放任务中的决策能力仍显不足。

Generalist AI的路线为行业提供了另一种想象：也许通用机器人不需要拥有庞大的知识库，只需要具备“即时的物理直觉”。这种直觉，正是通过大量在模拟环境中“犯错”训练出来的。当机器人把香蕉当锤子、当支架、当扳手时，它不是在执行程序，而是在“理解”物理世界。

当然，目前的系统仍有明显局限。它只擅长操作桌面上的小型物体，对柔软、易变形的食材（如香蕉本身）的抓取仍偶有失误。但正如每一位见证者感受到的，那根香蕉所代表的，不是一次演示，而是一种方向的宣告——AI的下一个前沿，不是更流畅的对话，而是更机智的“动手能力”。

编者按：当大模型在语言世界里不断刷新认知，物理世界中的AI仍处于“牙牙学语”的阶段。但Generalist AI的这次展示让人看到，机器人的“即兴发挥”可能比我们预想的来得更早。香蕉作为工具，或许就是机器人迈向通用智能的一小步。

本文编译自WIRED