核心观点 - UC伯克利教授Sergey Levine预测，机器人将在约5年内（2030年前）进入真实世界，从家务场景开始，逐步扩展至工厂、仓储、数据中心建设等领域，其核心驱动力是“自我进化飞轮”的启动 [1][2][3] 技术进展与能力 - Physical Intelligence的π0.5模型已能在未见过的家居环境中完成清理厨房或卧室等复杂延展性家务，如从洗衣篮取衣、收拾餐桌、叠衣服、搭箱子等 [4][6] - UC Berkeley研究团队展示机器人能在1-2小时真实操作中学会组装主板和拼装IKEA家具，表明“学会做事”的机制已在现实中运作 [9][10] - 视觉-语言-动作模型是关键技术底座，通过视觉捕捉环境、语言理解指令规划、动作解码器实现精细控制，使机器人能处理连续动作序列 [17] - VLA模型展现出涌现能力，如机器人误拿两件衣服时会主动调整，或扶正倒下的购物袋，这些行为未写入训练数据但自然出现 [17] - 斯坦福Vocal Sandbox项目中，机器人可将低层动作拼接完成全新复合任务，如打包礼物袋，体现技能组合应对复杂场景的能力 [18][20] 落地路径与优势 - 家庭场景中机器人“出错-纠正-学习”循环更安全高效，出错可迅速纠正并积累数据，学习速度可能快于自动驾驶 [11][12] - 家务环境相对可控，机器人需处理的常识与直觉感知门槛低于自动驾驶的复杂交通和突发状况 [13][14] - 落地逻辑是让机器人先做好一件人们愿意付费的真实任务，跨过门槛后通过实操数据持续改进，逐步扩展至更多任务 [6][16] - 能力扩张路径从单一任务（如做咖啡）向复杂场景（如开咖啡店）延伸，最终实现“与人搭档”替代重复性体力活 [21] 行业影响与经济效应 - 机器人将逐步渗透仓储、工厂、装配、数据中心建设等领域，硬件成本过去30年降低50%以上，算法精准度提升 [29][30] - 自动化将替代例行性、重复性活动，显著提升效率和良品率，首批被广泛取代的岗位包括仓储、包装、设备巡检等 [24][35] - 家用场景门槛降低使初创团队和中小企业更易参与部署，形成规模效应，短期内人机搭档释放红利，长期可能重塑劳动市场与财富分配格局 [35][36]