AI日报 · 深潜
过去一年，VLA、机器人基础模型、世界模型轮番登场，Demo 一个比一个丝滑。
叠碗、插管、收纳，机器人似乎终于听懂人话，能动手干活了。
但是，一旦脱离精心设计的演示环境，把这群“优等生”拉上真正的考场，分数直接崩盘。
刚刚发布的具身智能新基准 RoboDojo，给行业泼了一盆透心凉的冷水。
在这个被称作“具身珠峰”的测试里，人类专家的真实世界得分是100%，而当前最强的通用机器人策略，平均成功率只有12.8%。
甚至在仿真环境里，最强模型的平均分也仅为8.80%，连人类的零头都不到（人类仿真得分76.03%）。
这波数据对比太残酷：原来我们以为机器人已经在大举登山，结果榜单显示，它们大多还在山脚适应高反。
🧗️ 为什么这座“山”这么难爬？
RoboDojo 之所以能把模型打回原形，核心在于它没玩虚的。
这是由推出过 RoboTwin 系列基准的原班团队打造，直接搞了一套42个仿真任务 + 18个真实机器人任务的混合双打。
它不再考察简单的 Pick-and-Place，而是把能力拆解成了五个让模型头疼的“鬼门关”：
- 泛化能力（Generalization）：桌面杂物随机增加到25个，背景、光照、物体外观全变，看你能不能认出来。
- 记忆能力（Memory）：传送带上的物体一闪而过，你得记住它，后面再从一堆候选物里把它挑出来。
- 精细操作（Precision）：插管、对齐、插入，稍微偏一点就是失败，容错率极低。
- 长程执行（Long-Horizon）：不是做一个动作就完事，要连续完成拿起、移动、交接、放置，误差会一路累积到最后一步。
- 开放语义（Open）：听不懂训练过的指令，面对没见过的自然语言描述，能不能自己琢磨出动作？
在仿真里都考成这样，到了真实世界更是“地狱模式”。
RoboDojo 专门设计了18个真机任务，覆盖了 ARX X5、Piper、Piper X 三种主流双臂平台，每个平台各测6个任务。
盖积木、做面包、拆乐高、挂杯子……这些听起来像家务活的场景，对机器人来说全是物理不确定性。
物体滑动、夹爪打滑、机械臂延迟、相机噪声，任何一个微小扰动都能让之前的努力归零。
更绝的是，这次评测不再是厂商自己拍视频交作业。
RoboDojo 搞了套标准化考试：统一硬件、统一布局、统一光照，甚至复位流程都定死了。
每个 Trial 还要由三名评审双盲打分，既看结果也看过程。这就意味着，想靠“特调”或者“剪辑”蒙混过关，压根没戏。
📉 30个模型同台，谁在裸泳？
这次共有30个主流机器人策略同台竞技，结果榜单一出，差距摆在了桌面上。
目前没有任何一个模型能在真实世界任务中接近人类水平，12.8%的成功率意味着什么？
简单算笔账：让机器人执行100次任务，它平均只能成功12.8次，剩下的大概率都要重来或者彻底搞砸。
而在仿真环境中，8.80%的平均分更是说明，很多模型在虚拟世界里都没学会走路，就更别提去真实世界跑步了。
这背后暴露出一个行业共识：Sim-to-Real（仿真到现实）的鸿沟，比我们想象的要深得多。
以前大家总觉得，只要在仿真里练够了，迁移到真机只是时间问题。
但 RoboDojo 的数据狠狠打了脸：仿真里的“高分低能”现象依然严重，模型根本没学会如何处理真实物理世界的摩擦力和不确定性。
而且，这个基准的含金量还在于它的“中立性”。
它由全学术机构联盟发起，榜单治理交给公益性组织 AI MMLab Club 基金会，背后没有商业模型方的利益绑定。
换句话说，这不是某家公司为了卖货搞的“自证清白”，而是一次真正的“全民统考”。
对于正在疯狂融资、宣传“通用机器人即将落地”的创业公司来说，这份成绩单有点扎心。
如果连12.8%的真实成功率都难以突破，那所谓的“明年进家庭”、“后年进工厂”，大概率还得再画几年饼。
💡 别被 Demo 骗了，这才是真实水位
咱就是说，以后再看机器人视频，得留个心眼。
那些光线完美、物体固定、动作一气呵成的 Demo，看看就好，别当真。
RoboDojo 的出现，相当于给具身智能行业装了一块“照妖镜”。
它告诉我们，现在的技术栈离真正的“通用操作”还有十万八千里。
这不是否定进步，而是把预期拉回地面。
我的判断很明确：在真实世界成功率突破 50% 之前，任何关于“具身智能爆发”的论调，都是过早的狂欢。
现在的阶段，与其吹嘘“全能”，不如老老实实攻克那几个12.8%背后的物理难题。
毕竟，山就在那儿，不会因为你 PPT 做得好看就变矮。
想看更多深度分析？关注我们，留言聊聊你觉得机器人哪个任务最难搞定。
来源：量子位 | 链接：https://www.qbitai.com/2026/07/446363.html
— AI日报观察员，每天带你用内行视角看 AI
