前几天在技术社群里看到一个话题，某四足机器人公司的创始人在公开访谈里说了一段话，大意是：过去十几年他犯的最大错误，是对AI还不够相信。这句话在我们做机器人的人看来，杀伤力很强，因为它精准地戳中了整个行业过去十年最大的认知盲区。
先交代背景。这家公司做四足机器人起家，早期靠的是扎实的机械结构设计和运动控制算法，在动态行走、复杂地形适应这些指标上做到了行业前列。按道理说，这样的技术底子和产品落地能力，怎么都算得上优秀。但创始人自己复盘时却说，公司在AI上的投入节奏慢了半拍，如果在2016到2019年那几年，愿意更早地把资源压到强化学习和端到端控制上，今天的护城河会深得多。
这不是凡尔赛，也不是单一个案。我身边做机器人、做自动化出身的朋友，对这个说法几乎都有同感。传统机器人行业讲究的是确定性：一个输入，一个输出，系统行为必须可预测、可验证、可追溯。而AI那套东西，至少在一开始，给人的感觉是"不讲理"——你给它一堆数据，它给你一个黑箱策略，中间过程没法解释，出错了也没法按传统调试的方式去查。
所以"不够相信AI"，表面上是个人判断问题，实际上是一种行业性的技术世界观滞后。
1. 一句话背后的行业信号：从"不够相信"到范式觉醒
1.1 这句反思为什么会在圈子里引发共鸣
首先要说清楚，这不是一件小事，也不是一句客套的自我批评。一个已经把产品做出规模、在运动控制领域有口碑的创始人，愿意公开承认自己战略判断上的滞后，而且滞后对象是"AI"这种已经公认的方向，这在同行眼里是很重的表态。
为什么会引发共鸣？因为几乎每个在机器人圈子里待了五年以上的人，都经历过类似的纠结。我自己2017年刚开始接触强化学习时，心里也嘀咕过：一套控制策略靠几十万次仿真试错才能训出来，训完还得担心能不能部署到真机上，真机跑了会不会突然抽风。那时候整个行业的态度，普遍是"可以看，但别认真"。我们做产品的，要的是稳定交付，要的是客户不出事，AI这种概率性的东西天然让人不放心。
这位创始人的反思，相当于替所有人把心里的那层窗户纸捅破了。大家突然意识到，过去十年里那些"再等等看""先让算法团队自己玩""等成熟了再接入"的决定，累积起来，已经让很多团队在下一轮竞争里处在了被动位置。
1.2 这不是谦虚，而是一条清晰的技术路径拐点
为什么说这句话具有标志性？因为它背后有一条清晰的时间线。
我们简单回顾一下：2013年前后，深度强化学习开始在游戏领域展现出超越人类的表现，但那时候做实体机器人的人普遍觉得，这离真实硬件还很远。2017年前后，端到端强化学习在仿真环境里已经能跑出非常漂亮的控制策略，但迁移到真实机器人上还是不稳定，于是大家更愿意继续用模型预测控制。到了2022年到2024年，随着大模型和多模态感知的成熟，具身智能这个概念彻底火了，行业突然发现，过去被轻视的数据驱动方法，已经能胜任从任务规划到底层动作执行的完整链条。
回头看，问题不在于AI范式晚熟，而在于一个问题：传统控制范式的工程师，习惯性地把"当前不可靠"等同于"未来不可靠"。这在工程上是谨慎，在战略上就是保守。
这句话真正的价值，是让所有还在纠结"要不要全面转向AI"的团队，看到一次已经发生的范式切换。它不再是一个技术细节问题，而是一个战略层面的重新定位：过去的机器人公司靠机械和控制打天下，未来的机器人公司靠数据和模型打天下。硬件能力决定了机器人能力的下限，而AI决定了上限。
2. 核心细节分析：两套技术世界观的分野
2.1 确定性控制体系的优势与局限
要理解为什么创业者会"不够相信AI"，先得理解大家熟悉的传统控制体系到底是一套什么样的东西。
传统机器人控制走的是这样一条路线：先建立被控对象的数学模型，比如运动学模型、动力学模型；再做状态估计，用卡尔曼滤波、IMU融合等手段获得当前状态；然后规划一条轨迹；最后由控制器去跟踪这条轨迹，常见的有PID、模型预测控制等。整个过程环环相扣，每一环都有明确的物理意义和理论支撑。
这套系统的优点非常突出。其一，可解释性强。每一个控制量都有物理意义，出了问题能顺着链路去排查。其二，稳定性有理论保证。控制器设计时可以做稳定性分析，这在工业场景里是安全论证材料，客户也认这一套。其三，对算力要求低。一块嵌入式MCU就能跑很复杂的控制循环，功耗和成本都可控。
但它的短板也同样明显。第一，模型不准确怎么办。真实世界的摩擦力、形变、地面不确定性，很难用数学公式精确刻画，模型一偏，控制效果就跟着偏。第二，场景泛化差。一个在山地测试很好的步态策略，到了沙地可能就失效，需要重新调参。第三，手工调参成本高。像四足机器人这种高自由度系统，用传统方法要把几十个参数调到最优组合，非常依赖工程师的个人经验。
说白了，传统控制擅长的是"我把它建模，然后我掌握它"。面对复杂多变场景时，这条路会变得越来越辛苦。这也是后来AI方法切入的根本缝隙。
2.2 数据驱动体系崛起：从强化学习到具身智能
AI体系走的是另一条路：不完全依赖模型，而是让算法通过大量试错学习出策略。
以深度强化学习为例，算法在仿真环境中让机器人不断跌倒、不断尝试，通过奖励函数引导它找出最优行为模式。只要环境建模得够好、训练数据够多，算法甚至能学出人类手工设计不出的动作，比如极致省力的步态、灵巧的越障动作、复杂的扰动力恢复策略。
更重要的是，数据驱动体系对"不确定性"的态度完全不同。它不试图消除不确定性，而是学会在不确定性中做决策。这正好补齐了传统控制体系在复杂场景下的短板。
到了大模型阶段，事情进一步发生了变化。具身智能把视觉语言模型、常识推理和底层控制结合起来，机器人不再只是执行一串预定动作，而是能理解任务语义、拆解子步骤，再通过技能库去执行。比如一句话指令"把那边的箱子推到墙角"，机器人需要自己规划路径、调整发力策略、处理障碍物。这在纯控制体系里，几乎是不可想象的复杂度。
从运动控制到技能学习再到任务规划，AI三步走，每一步都在蚕食传统机器人的地盘。那位创始人的反思，本质上就是在趋势已经比较明确时，仍然把AI当成辅助工具而不是核心方法论。这种认知滞后，往往不是能力问题，而是路径依赖问题。
2.3 两条路线对比：边界与适用场景
我把两套体系放在一个表格里对照，方便大家看得更清楚：
| 维度 | 传统控制体系 | 数据驱动/AI体系 |
|---|---|---|
| 模型依赖 | 强依赖精确数学模型 | 低依赖，靠数据学习 |
| 可解释性 | 高，环节可追溯 | 低，策略是黑箱 |
| 稳定性分析 | 有成熟理论工具 | 主要靠工程验证 |
| 场景泛化 | 差，换场景常需重新标定 | 较好，数据足够时可迁移 |
| 算力需求 | 低，适合嵌入式部署 | 高，尤其训练阶段 |
| 调试方法 | 参数整定、链路分析 | 数据采集、奖励设计、训练迭代 |
| 适合场景 | 结构化环境、重复性任务 | 非结构化环境、开放任务 |
这个对比告诉我们一个事实：两条路线不是简单的"新取代旧"，而是各有适用边界。最合理的策略通常是融合——用传统控制保证安全底线，用AI提升泛化能力。
但问题在于，融合也不是在一张白纸上作画。它需要团队同时具备两类人才和两套工程流程，这个门槛比单独押注一边高得多。那位创始人后悔的不是没押注AI，而是没有更早地建立这种融合能力。等到AI范式已经明显占据上风时，他才发现过去几年攒下的数据积累、人才结构、训练基础设施，都不够用。
3. 为什么"不够相信"是一个系统性错误
3.1 技术成熟度曲线与认知滞后的错位
有个很有意思的现象：很多人在2018年觉得强化学习是花架子，到了2023年，又在同一个话题上被告知"你已经落后了"。这中间到底发生了什么？
答案藏在技术成熟度曲线里。一项新技术往往先经历膨胀期，然后进入低谷期，但低谷期不等于衰亡期。很多技术在低谷期反而在默默积累工程化能力。深度学习在图像识别上经历过这个周期，强化学习在机器人控制上也经历过。2018年正是强化学习从低谷开始回升的节点，但因为样本效率低、真实机器人实验成本高，行业内多数人看到的都是"这玩意还不实用"，而不是"这玩意的实用化只是时间问题"。
那位创始人的反思，正好对应这种错位：用当前产品成熟度去判断技术未来，而不是用趋势加速度去判断。前者是工程师的惯性思维，后者才是技术决策者应该做的预判。等AI在公开演示里跑出让人惊艳的效果时，其实留给追赶者的时间窗口已经不多了。
3.2 组织惯性与沉没成本如何放大决策偏差
"不够相信AI"并不只是一个认知问题，更是一个组织问题。
我见过不少硬件团队，产品已经在卖，控制代码已经有十万行积累，供应链和制造体系也都围绕现有技术栈搭建好了。这时候，如果在内部说"我们可能要用强化学习重写控制核心"，你碰到的不只是技术争论，还有一连串现实阻力：老员工所学技能会不会贬值？量产产品的稳定性怎么保障？客户已经验收的项目怎么维护？研发预算怎么重新分配？
这些因素会天然地导向一个安全结论：继续优化现有路线，AI先试用着。问题是，当一个团队的主力工程师都在做传统控制，配套的工具链、测试体系、人才招聘标准也围绕传统路线运转时，所谓的"试用AI"往往会变成边缘化的小实验，起不了战略作用。
这就是路径依赖的可怕之处：它不是某个人拍脑袋决定"不用AI"，而是整个组织在无数日常决策中，一次次把资源倾向了熟悉的方向。那位创始人说"不够相信"，其实是在承认这种组织性偏差，而不是单纯的技术判断失误。
3.3 外部信号：资本与人才流向证实了方向
还有一个很直接的证据，就是资本和人才的流向。
2018年到2021年间，凡是主打"AI驱动""具身智能"方向的机器人团队，融资速度和人才吸引力明显高于纯硬件团队。高端算法工程师的薪酬，也逐渐超过传统控制工程师。市场的钱和人在替所有从业者投票。
这不是说传统控制不值钱，而是说产业增值的重心开始从物理控制往智能决策转移。当行业里最强的那些团队都在用AI重新定义产品形态时，坚持"硬件为王、算法辅助"的公司，会慢慢发现竞争对手拿出的产品，在开放性任务上比自己强出一个代际。到这个时候再追，差距往往就不是几个月，而是数据和基础设施的鸿沟了。
所以我个人觉得，那句"最大的错误是不相信AI"，与其说是勇敢的自我批评，不如说是把行业里很多人早该说出口的复盘，提前讲了出来。它提醒所有技术人，判断力本身，也是一种核心能力。
4. 实战借鉴：面对范式切换应该怎么做
4.1 建立自己的技术雷达与判断框架
既然了解了"不信AI"的教训，接下来最有价值的动作，就是把教训转化为可操作的判断方法和组织动作。
我的做法是给团队建立一套简单的技术评估框架，分为四个象限：值得重仓、值得试点、持续跟踪、暂缓观察。每半年复盘一次。判断依据不是当前性能，而是三个趋势性指标：性能提升速度、工具链成熟度、人才供给增速。
以强化学习为例，2019年前后，它的性能在仿真环境里提升很快，工具链也开始出现成熟框架，但人才供给仍然稀缺。那时候最合理的判断就应该是"值得试点"，而不是"暂缓观察"。如果只用当前实物效果判断，这个技术会被直接打入冷宫，也就错过了积累数据能力和团队能力的最好窗口期。
技术判断的核心，是敢为趋势付费。哪怕短期内ROI不明显，也要配备稳定的小团队持续投入，目标是积累认知资产和人才资产，而不是立刻要求产出。
4.2 双轨并行与时间盒机制
面对新旧范式切换，最容易踩的坑是"一刀切"：要么固守旧路线，要么激进全面转向。真正稳妥的拆解方式，是双轨并行加时间盒。
双轨并行的意思是，保留一条主线继续做好现有产品的稳定交付，同时设置一个独立的创新小组，用新范式做高价值试点场景。创新小组最好独立汇报，避免被主线业务的需求淹没。他们不背短期营收KPI，只背两个核心指标：新技术在特定基准场景上，是否超过现有方法；数据资产和模型资产是否在稳定积累。
时间盒机制则是给这个试点设定一个明确的时间窗口，三个月、六个月、十二个月，到期做一次硬性评估。如果超过时间盒仍然看不到可行性证据，就果断停掉或缩小规模。这样做的好处是，既给了新技术公平的证明机会，又防止无止境的"研究型投入"拖垮现金流。
我见过一个比较成功的案例：某硬件团队用双轨机制，把一台老产品的控制器改造成了强化学习候选方案，在仿真里训练，在特定地形上做对比。六个月后，新方案在抗扰动表现上明显胜出，团队顺势把它推到了新一代产品上。整个过程没影响老产品的交付节奏，转型平滑得像一次常规迭代。
4.3 人才结构上的提前布局
组织转型最终要落到人上。对一个以控制工程师为主的团队来说，快速补足AI能力有几个可落地的抓手。
第一，招聘优先补充算法工程师，尤其是做过真实机器人落地项目的人，而不是只看论文。一个能把强化学习策略部署到真机上的工程师，比十个只会在仿真里调参的人更有价值。第二，内部转岗支持。选一到两个对新技术有热情、代码能力强的资深控制工程师，脱产半年到一年去学强化学习和数据工程，回岗后充当"中间桥梁"，负责把新方法与老的工程经验对接。这个桥梁角色特别重要，因为AI工程师不熟悉硬件约束，传统控制工程师不熟悉训练流程，没有桥梁，两支团队很难高效协作。第三，项目导向培养。不要只给书单和课程，要给真实的训练任务和真机测试环境。让新人在公司内部数据集和测试场景上做项目，以战代练，成长速度远高于看教程。
这里我想特别强调一点：补AI能力不等于要淘汰传统控制人才。真正健康的团队，是让AI负责"聪明"，让控制负责"稳"，二者结合。问题只在于，你有没有足够多的人能同时理解两侧的逻辑，并在同一个目标下协同。
5. 常见问题与排查心得
5.1 传统控制工程师要不要转型学AI
这大概是转型期团队里被问得最多的问题。我的建议很明确：一定要学，但方向可以务实一点。不是人人都要变成算法研究员，而是要形成"用AI能力增强本职"的思维。
对做运动控制的工程师，可以先学强化学习的基础概念和常用工具链，结合自己的场景跑通一个端到端训练流程。哪怕只是把仿真训练的步态策略部署到真机走几步，收获都不小。这个过程会让你直观地理解奖励设计、仿真到现实的差距、部署链路这些关键环节，远远好过看一堆理论文章。
还有一个容易被忽略的点：控制工程师学AI有天然优势。你们对机器人本体、传感器、时延约束、安全边界的理解，是纯AI背景的人短期补不上的。把这两个能力结合起来的人，在未来五年会非常稀缺。越早转型，越能吃到这个红利。
5.2 公司已经在旧路线上投入很深，要不要转向
这个问题没有标准答案，但有一个原则可以借鉴：不要用沉没成本做决策，要用增量价值做决策。
如果旧路线还能稳定贡献收入、客户满意度也高，那就让它继续运转，把AI投入放到增量产品线上。如果旧路线已经在性能和市场上遇到天花板，那就要敢于在新项目、新一代产品上启用AI方案，哪怕初期表现不如成熟旧方案，也要坚持迭代到超过它为止。
实际操作中，我会先做一个小范围、高价值、可验证的试点项目，把技术风险和团队磨合成本控制在一个可接受范围内。试点成功后，再逐步扩大AI方案的使用范围，让数据说话，而不是让讨论说话。尽量少在会议室里争论路线，多让两条路线在测试场上跑一跑，结果自然会有公论。
5.3 如何避免对新技术既迷信又怀疑的两个极端
最后聊一个很普遍的心理陷阱。很多人对AI的态度在两个极端之间摆动：看到演示惊艳时觉得什么都该用AI，遇到一次失败又觉得AI全是吹牛。这种情绪化判断，恰恰是技术决策的大忌。
我自己踩过几次坑之后，总结出几个应对方法：
- 对任何新技术，先明确它当前能做什么、不能做什么，用边界感替代崇拜或鄙视。
- 用可量化的基准测试作判断，比如同场景下与传统方案的成功率对比、鲁棒性对比、部署成本对比。
- 关注技术演进速度，而不是单点表现。如果一项技术每个月都在进步，哪怕当下不完美，也值得持续投入。
- 保持小规模、高频次的实验习惯，让团队始终处于"正在试"的状态，避免因为长时间观望而形成路径依赖。
回到开头那位创始人的反思，它给我的最大启发不是"AI万能"，而是"趋势判断要尽早做"。你不需要在第一天就全部押注，但要保证自己一直在牌桌上，有持续的小型实验和数据资产积累。这样当范式切换的临界点到来时，你手里有筹码，而不是只能站在场边看别人赢。
我个人一直记得一个体会：技术判断最大的成本，从来不是试错的钱，而是错过的时间。AI这件事，现在其实不需要再争论要不要信了，只需要问自己一个问题：团队是否已经形成了持续用AI能力解决机器人问题的组织惯性？如果还没有，那今天，就是开始建立它的最好时间。
