整理工作电脑里的旧文件，翻到2015年给一台六轴机械臂调运动规划的代码备份，忽然发现那段程序里用到的算法库，现在已经找不到默认兼容的版本了。十年时间，机器人技术演进的速度，比很多人感知到的要快得多——但这种快有点偏科：感知和决策算法像是坐了火箭，而机械结构、电机响应速度这些老家伙，进步的幅度却温和得多。这篇文章不打算做宏大综述，就从我这十年在项目里摸爬滚打的视角，聊聊机器人技术到底是怎么一步步变成今天这样的，哪些是真正的突破，哪些其实是硬件价格下降带来的红利，还有那些永远不变的工程坑。对正在入行和准备转行做机器人的人来说，里面应该有些课本上找不到的东西。
1. 2015年的机器人项目室：价格劝退、性能勉强、全靠人肉调参
1.1 传感器、控制器与执行器当年的真实水平
如果用一个词概括2015年的机器人硬件，我会选“将就”。那时候单线激光雷达已经算是移动机器人定位的主流选择，进口品牌一台就得两三万，便宜的国产方案也还要大几千，而且角分辨率、量程、抗光干扰能力都差强人意。到了室外强光下，测量数据经常带一堆毛刺，滤波参数调得不好，建图就会歪掉，这种问题在当时几乎是家常便饭。
深度相机的出现在那时候算是天降神兵，毕竟2010年之后消费级深度相机才从游戏配件变成了机器人研究工具。但它的精度远没有今天想象的好：在强光下深度数据大面积丢失，黑色物体直接“隐形”，隔着透明塑料膜就完全失灵。我们当时接一个分拣项目，为了给视觉系统凑一个稳定的光源环境，硬是在产线上加了遮光罩，还为此改了客户的机械结构。现在回想起来，那根本不是智能，是环境的妥协。
执行器方面，六轴机械臂的绝对统治方案是“伺服电机+减速器”，而且供应商高度集中在少数几个进口品牌手里。一台20公斤负载左右的中型机械臂，报价动辄三四十万，货期还长，售后响应按周算。更折腾的是控制器的开放性：很多机械臂不开放底层力矩接口，你想做一点阻抗控制或者拖动示教，得给厂家写邮件，等对方评估，最后往往还是被拒。所以当年做机器人研发的团队，十有八九都在自己攒机械臂或底盘，不是因为有追求，是因为现成的硬件根本不适合做算法验证。
控制器的主流形态是工控机加单片机，通信靠CAN总线和串口。EtherCAT已经开始出现在高端伺服方案里，但一套完整的总线控制系统集成难度很高，设备之间偶尔还会因为时钟不同步出现速度波动。用今天的标准看，那就是一个“低速互联网”时代，数据吞吐量小，时间同步精度也差，可那时候大家觉得这已经很先进了。
下面的表格是我按印象整理的十年前后主流硬件方案对比，数字不一定精确到具体型号，但数量级的差别是真实的。
| 硬件类别 | 2015年前后主流状态 | 2025年前后主流状态 |
|---|---|---|
| 单线激光雷达 | 进口为主，单价数万元，量程和抗干扰一般 | 消费级千元级，工业级数千到万余元，参数大幅提升 |
| 3D视觉 | 深度相机精度受光照影响大，价格数千到数万 | 工业3D相机、视觉模组丰富，价格明显下降，内嵌算法 |
| 六轴轻量机械臂 | 进口品牌整机数十万，控制封闭 | 同负载整机数万元起，开放力矩控制不再稀奇 |
| 计算平台 | 工控机+独立GPU，功耗大体积大 | 嵌入式大算力模块，几十瓦功耗就能跑复杂模型 |
现在年轻人可能很难想象，那时候做移动机器人，导师批预算买一台激光雷达是要写好几页采购申请的。硬件资源的稀缺，反而逼着大家把算法、电路、机械都想得很透，因为每个零件都是钱堆出来的。
1.2 软件生态还在“原始森林”状态
软件方面，那个时代的ROS刚进入最原始又最热闹的时期，版本安装就是一道坎。从依赖库到编译，一条路走不通就换另一条，经常为了跑通一个官方教程搭进去一整天。我记得当时帮一个实验室搭环境，kernel版本和显卡驱动互踢，最后重装了三次系统才把环境稳定住。这种“环境地狱”现在虽然还有残余，但比起当年的裸奔状态，已经算是现代化社区了。
算法层面的体验更要命。跑二维SLAM，最常见的是在gmapping的参数里调粒子数、里程计协方差、地图更新频率。调得不好，房间走一圈地图叠影重重；导航算法用A*加DWA，TEB算法算是新潮玩法，但参数和权重一样折磨人。机械臂那边流行MoveIt加OMPL，书上说得很好听，实际做抓取规划的时候，碰撞检测、逆解精度和轨迹平滑度要一起调，一个问题没处理好，机械臂就在半空画弧线，你都不知道它是思考还是发病。
那个生态还有一个特点：什么都得自己造。状态机自己写，通信协议自己定，日志系统自己搭。我们有一个项目甚至自己做了全套的线程调度框架，理由是ROS的话题对带宽控制太弱，实时性达不到要求。后来这个自研框架维护成本爆炸，新员工上手要整整一个月。现在想想，当年的选择很多谈不上最优，只是在那个原始森林里，能走出自己的路就已经不错了。
但也正是在这种环境下活下来的人，动手能力都很过硬。今天的开发者可以靠成熟框架三天搭一个原型，而十年前的人必须能改框架源码才能跑通业务逻辑。这两种能力没有绝对优劣，可说实话，前者少了点“把系统拆开再装回去”的底气。
1.3 那个被逼出来的全栈工程师群体
2015年前后能独立带机器人项目的人，基本都得是全栈。你要会看电路图，能拿电烙铁补焊线路板；要懂嵌入式开发，写单片机的中断程序；要能调伺服驱动器参数，听到电机异响能判断是不是坐高频啸叫；还要把上位机里的算法跑通，画界面做交互。一个人当一支队伍用，这是那个年代的常态。
某次对接客户，对方派了三个人：机械工程师看结构，电气工程师看控制柜，软件工程师问通信协议。我这边从头到尾只有一个人，可最后验收时，反而是那些分工细致的同事对整机系统的理解没有我深。这不是我多牛，而是环境把我逼成了这种看着啥都懂、实际都没有时间深钻的杂家。好处是系统思维非常清晰，碰到问题能快速判断是机械、电气还是软件层出问题；坏处也很明显，什么都沾一点往往什么都不精，项目后期遇到特别深的算法难题，还是得爬起来啃论文。
这个土壤孕育了后来行业里很常见的一类人：算法能讲，代码能写，螺丝能拧，现场能跑。他们不一定在某个细分方向做到顶尖，却是把机器人从论文拖进真实场景的主力。过去十年那些真正落地的机器人项目，背后基本都有这么一群人在顶着。现在团队分工越来越细，再要求一个新人全栈不太现实，但我仍然建议新入行的朋友至少走一遍“硬件接线—嵌入式通信—上位机算法—真机调试”的完整流程，这会让你对整个系统产生一种无可替代的直觉。
2. 算法换血的十年：从“写规则”到“用数据”，再到“喂大模型”
2.1 十年前的核心技术栈：SLAM、A*、DWA、MoveIt
如果穿越回2015年，问一个机器人工程师“智能”如何实现，他大概率会给你一套经典的三段论：先靠SLAM建图定位，再用全局规划器算路径，最后用局部规划器避障。机械臂那边则是环境建模、运动规划加力位控制。这套方案的核心思想是“把问题显式编码成规则”，就像给机器人写了一套极其详细的剧本，告诉它每一步该看哪里、走哪里、做什么。
以移动机器人为例，当年的技术栈排列组合大致是这样：Gmapping或者Hector做建图，然后对已知栅格地图做代价地图膨胀，A*或Dijkstra搜出一条全局路径，靠近动态障碍物时，DWA或者TEB在速度空间里采样，找一个“能走且不太撞”的局部轨迹。这套组合在结构化仓库里确实能用，但它的天花板也特别清楚：环境一大，地图维护就是噩梦；有人突然闯进路径，局部规划器经常会陷入原地打转的窘境；还有那种“感知再好，决策僵化”的感觉，好像机器人在读剧本，一旦剧本没写到的场景出现，它就卡壳。
我必须说一句公道话：这些经典算法到今天依然是许多产品的兜底方案，没有完全过时。没有全局地图、没有碰撞检测、没有成本代价层的约束，现在那些看起来很聪明的学习算法一样会在狭小空间里迷路。也就是说，“规则”这层地基没有塌，被换掉的是地基上面的决策逻辑。后来行业慢慢发现，与其手写无数条规则去覆盖长尾场景，不如让机器人从数据里学一个“什么样的状态对应什么动作”的映射。这个思路转移，是十年里最大的一次方法论转折。
2.2 深度学习的渗透：从视觉感知到端到端控制
深度学习的真正入场让机器人行业经历了一场认知冲击。2016年前后，卷积神经网络在视觉感知上大幅拉高准确率，目标检测和语义分割不再需要手工设计特征，机器人终于有了跟人类接近的“看东西”能力。抓取任务里，判断一个物体位姿和抓取点不再依赖几何计算加一堆启发式规则，而是直接从图像回归出一个可抓取区域。视觉里程计和点云配准里，传统特征法和ICP被神经网络替代了很多场景，鲁棒性成倍提升。
强化学控是另一个重要变量。早期大家还在强调“模块化”，定位用一个模块，感知用一个模块，规划再写一个模块，最后串起来。强化学习的思路完全不一样：直接把传感器输入和电机指令丢进一个网络，用大量试错去学出一个策略。概念上很性感，实操却很残酷。我们在模拟项目X里试过用深度强化学习训一个机械臂抓取策略，仿真环境里跑了几天，成功率刷到百分之九十几，所有人都很兴奋。结果一上真机，成功率直接腰斩再腰斩，因为仿真里的摩擦系数、接触刚度、图像噪声都太“干净”了。
那段时间行业内流传着一句话：仿真里表现越惊艳，真机上摔得越惨。后来大家学聪明了，开始做域随机化和系统辨识，在仿真里把物理参数和传感器噪声乱调一通，强迫策略学会适应差异；又从真实场景采一批数据做有限微调。这样折腾下来，真机成功率才勉强达到能看的水平。这个过程让我意识到，深度学习不是魔术，它需要数据、需要调试、需要理解物理世界的不确定性。但不可否认，它确实把机器人能干的事从“规则枚举得到的事”扩张到了“规则写不出来但能从数据中学到的事”。
到了后期，端到端模型开始直接学习“图像到舵机指令”的控制策略，自动漂移、高速避障、复杂的操作任务都有了新解法。虽然端到端模型的可靠性、可解释性和故障诊断能力一直被质疑，但这条路线已经被市场和资本验证过方向是对的。它和传统模块化路线的争论，很像“老工匠”与“新算法师”之间的博弈，各有各的粉丝，最终会不会彻底互相取代，现在还很难说。
2.3 大模型与具身智能：任务理解终于打通了“最后一公里”？
2023年之后，机器人算法圈最大的变化，是把大语言模型和视觉语言模型塞进了机器人的“大脑”。以前我们想让机器人做一件事，得把任务抽象成具体接口：地图里哪个目标点、抓取哪个物体、按哪个按钮。大模型出现以后，用户可以像对人说话一样对机器人说“帮我把桌上那个红色瓶子拿过来放在托盘里”，机器人自己完成目标检测、语义理解、任务拆分和运动规划。过去那套“每个任务都要重新编程”的笨办法被彻底松绑，这正是具身智能被热炒的核心原因。
但我必须提醒，具身智能的落地速度没有宣传的那么快。大模型能“听懂话”和“知道怎么分解任务”，不等于能“做好每一个动作”。在真实环境中，它还需要高质量的视觉感知、可靠的机械执行、闭环的纠错机制。说白了，大模型给的是“聪明的脑袋”，可控制身体这件事实在太复杂，人类婴儿花了好几年才学会熟练走路和抓握，机器人在这一点上还远远不够。某次我们用一个大模型做导航指令理解，它理解得很准确，路径也规划得很好，可到了最后一步插头位置插不进去，因为力控精度不够，还是得靠传统规则兜底。
这正是我眼中这十年算法演进最真实的图景：大模型完成了“任务理解”的打通，但“物理执行”这最后一厘米，依旧是机器人技术的最高壁垒。下一阶段最精彩的部分，大概率会发生在“语言模型+视觉感知+物理控制”三者融合的地带，而绝不再是单纯的NLP和CV进步。
3. 硬件价格曲线的故事：机器人普及的真正推手
3.1 同级别配置，价格十年掉了多少
这十年里，如果只选一个指标说明机器人的普及，我会选“价格”。很多外行以为机器人变聪明是靠算法突飞猛进，实际上，更大范围的应用普及靠的是硬件降价。十年前一台能用的移动机器人平台，底盘、传感器、工控机配齐，没个十几二十万下不来，而且性能还很一般。现在用不到原来三分之一的价格，就能搭一台传感器更全、算力更强、稳定度更高的验证平台。这带来的认知差异是颠覆性的：机器人从实验室专属，变成了中小型公司也敢掂量的业务工具。
以几个代表性硬件为例：单线激光雷达的均价从数万元降到千元级，精度寿命反而大幅提升；3D视觉传感器在工业领域的普及，把原来几十万的结构光方案拉到万元内甚至更低价位；轻量级六轴协作机械臂的整机价格，从数十万元滑落到数万元，开放性和安全性还更好。这些都是实打实踩出来的变化，等着写预算的时候，手都在发抖，怕被财务驳回，现在这些成本已经低到可以当成“耗材”来规划。
硬件的降价，很大程度上得益于核心芯片的算力升维和大规模量产。嵌入式平台从单片机加DSP，到后来的多核ARM，再到如今带GPU/NPU的AI模块，一条生产线上的数据处理能力比十年前一个工控机还强。再加上模组化的关节结构、模块化底盘设计，让很多非专业厂商也能快速组装出自己的机器人产品。技术的门槛，其实是被价格和标准化砍掉的。
3.2 核心零部件的替代：从“不敢用”到“能用”“够用”
十年前，机器人关节里用得最多的减速器、伺服电机、编码器，几乎全是进口品牌。不是说别人的东西没有缺点，而是供应链被少数几家卡着，价格高、货期长、出了问题售后流程复杂。那时做项目最怕的不是算法难，而是“机械臂电机坏了，等修件等了两个月”，项目直接停摆。
后来几年，本土供应商开始从低端、二线往核心环节渗透。谐波减速器、行星减速器、无框电机、伺服驱动、力传感器，这些原本被视为“机器人禁区”的零部件，出现了越来越多的可替代选择。我必须说，早期替用品的精度、寿命和一致性确实一般，甚至闹出过“新电机跑两天就过热降额”的事故，工程师骂爹骂娘也很正常。但经过两三代产品的迭代，很多核心零部件已经进入了“能用、够用、可优化”的水平，价格只剩进口的三分之一到一半。
对于做整机或者自行组装系统的团队，我的建议是不要听到“替代”就头脑发热。供应商切换之前，最好建立一套详细的验证流程：来料几何精度检查、温升测试、寿命跑机、负载曲线标定、带载动态响应测试，这些不能省。哪怕只是换一根电机线，也可能在特殊工况下影响整机稳定性。十年前因为没做充分验证，导致现场返工的例子，我见得太多了。不过反过来说，正因为可替代方案越来越多，整个行业才没有被高价进口件掐住脖子，机器人整机的落地成本才可能大幅拉低。
3.3 人形机器人为什么偏偏在2024年前后爆发
人形机器人并不是新概念，早在我入行前，双足机器人就已经在各种视频里“神勇”过了。为什么偏偏最近两年突然成为风口？我的判断是，三个条件终于凑齐：第一，执行器成本降到了可以反复试错的区间，做人形不再意味着单台成本天文数字；第二，视觉和算法模型的能力突飞猛进，特别是大模型给“理解真实世界任务”提供了可落地的入口；第三，资本市场需要新的应用故事，人形机器人恰好是把“AI技术”实体化的最优载体之一。
但注意，风口归风口，工程上的人形机器人远没有视频表现那么成熟。当前的真实状态是：在精心设计的演示环境里可以完成指定动作，一旦进入连续长时间运行、复杂非结构化场景，稳定性和续航都撑不住。我在某次展会上见过一个人形样机，演示单手抓取时确实很顺滑，但台下工程师解释说后台有一整队人在准备各种故障预案，断电重启、代码热加载、备用夹爪齐上阵。说白了，人形机器人现在依然是“前沿探索”，而非“成熟产品”。
我个人对人形形态并没有执念。机器人的终极价值不在于外形像人，而在于能干人类不愿意干或者干不好的活。但人形形态带来的话题度和研究方向催化剂作用是不可忽视的——它让大量资金和人才涌入机器人领域，等待被验证的“具身智能”概念也因此获得了更大的试错空间。未来形似物，也许未必是人形，但“身体+智能”这条路已经被彻底打开了。
4. 十年项目实坑记录：变化很多，不变更值钱
4.1 Sim-to-Real的裂缝：仿真成绩再漂亮，真机也会教你做人
我在模拟项目X上遇到的坑，大概能代表无数团队踩过的同一条路。当时要做一台移动机械臂，要求实现“识别料箱里的几种工件，按顺序抓取放到对应分拣位”。整个流程拆成视觉识别、目标定位、机械臂规划、移动底盘导航几个模块。为了加快进度，团队先在仿真环境里搭了一套同样的模型，训练了一个基于视觉的抓取策略。仿真测试时，机械臂可以准确识别、稳定抓取，成功率接近95%。大家都很高兴，觉得项目稳了。
真机组装完成后，第一次联调就给了我们一个响亮的耳光：同样的算法、同样的布局，抓取成功率不到30%。原因复盘出来一堆：仿真里用的摩擦系数太理想，真机的传送带和工件接触面总是打滑；视觉模型在仿真里渲染得干干净净，真机一上，光照不均、反光、背景杂质全都冒出来；再加上机械臂末端在真机上有一点微小抖动，抓取位姿稍微偏一点，夹爪就和工件边缘撞上了。
那段时间我们被这个裂缝折磨了很久。后来采取了一整套组合措施：仿真中引入域随机化，把质量、摩擦、光照、传感器噪声都加入随机范围；在真机上采集两三千张图像做视觉微调；把抓取动作改成“带姿态搜索的软接触式接近”，不指望一次到位。最后成功率提升到七成上下，勉强应付了演示。这事给我的教训很深：仿真代表的是“理想物理”，真机是“混乱现实”，不要把仿真的最终指标当作战果，仿真最大的价值在于快速验证逻辑，真机数据才是保命的实体。
4.2 实机调试的魔幻现场：线缆、干扰、电源与薛定谔的偶发故障
做机器人十年，真正让我心力交瘁的从来不是算法难题，而是实机调试时不讲道理的间歇性故障。机械臂某根轴偶尔抖动，肉眼可见但频率不高，查了一个星期，从规划算法、插值参数一路排查到编码器信号，最后发现是伺服驱动器接地不良，电机动力线和编码器线束在运动时摩擦，产生静电干扰，重新包扎线缆加滤波磁环就解决了。一次看似智能的故障，根因竟然是最朴素的物理接触问题。
还有一个典型的案例：一台没莫名的AGV在特定走廊转弯时经常转向失败，在别的区域又完全正常。最后发现那台AGV使用的无线IO模块正好工作在易受干扰的频段，走廊顶部的某设备运行时会占用同一频段，把指令包挤掉了。解决办法只是更换了通信信道并增加硬件握手重试机制。这类问题，如果不从电源、通信、接地三件套开始排查，光靠翻代码能翻到你怀疑人生。
我的建议很简单：遇到现场偶发问题，第一步把环境固定住，保持机械状态、电气接线、通信拓扑和负载工况不变，还原现场后再开始观测；第二步从电源、干扰、通信链路逐级排查，不要一上来就怀疑上层算法；第三步一定要记日志，把能打的状态变量都打下来，否则半天复现一次的问题，你手里没数据只能干瞪眼。这个习惯帮我少熬了很多夜，也算是我踩坑之后换来的还算值钱的软技能。
4.3 用户要的从来不是“智能”，而是“稳定”
和客户打交道久了，会发现一个很扎心的真相：无论我们在技术文章里吹了多少智能化，客户真正验收的标准永远只有一条——能不能连续跑一个月不出大故障，出了问题能不能快速恢复。技术成熟度并不等于商业成熟度，前者由算法指标定义，后者由可靠性和售后成本定义。
某仓储机器人项目，演示的时候观众都说“哇，好聪明”，可真到夜班环境部署，问题接踵而至：光线变化导致视觉检测偶尔漏检、包装盒反光造成定位跳动、地面标签磨损让二维码导航偶尔丢失。最后解决靠的并不是什么高深算法，而是给相机加补光、写过滤规则、加二维码冗余覆盖，外加把调度系统的重试逻辑从“报错即停”改成“分级降级处理”。整场干下来，我最深的体会是：让一个机器人系统从“能做”变成“可长期稳定做”，需要花的工程量往往比实现核心功能还要大。这套被忽视的工程能力，恰恰是未来行业最稀缺的竞争力。
5. 站在2025年回望：高估的、低估的、仍看好的
5.1 这些年被打脸和被打疼的判断
回望这十年，我犯过很多判断错误，其中最有代表性的两条：一是过度高估了“全自主机器人”的普及速度。早期很多人乐观地认为，移动机器人三五年就能在街头跑起来，真正接单干活。结果十年过去，封闭园区、固定路线、受控环境里的部署都还在小心翼翼往前挪，消费级全自主机器人依旧是昂贵且受限的玩具。二是严重低估了“数据”的难度。深度学习把“算法”门槛压低了，但真正卡住落地的是高质量数据：真实机器人操作数据采集慢、标注贵、场景碎片化，这不是砸钱就能短期解决的。
我也低估过硬件降价的力度，以为进口垄断和技术门槛会长期维持高价，没想到替代供应商的进步速度那么快。更低估了“工程稳定”的价值，早些年做技术分享总喜欢讲算法创新，后来发现客户续约的决策点往往只在一句话：“你们上次现场故障后多久解决了？”技术这东西，纸面上看头头是道，落到现场就成了“谁来、什么时候解决、会不会复发”。复盘这些判断，出发点都是“技术逻辑”，缺的是“商业逻辑和现实约束”。
5.2 未来三年的三个主战场：数据、执行器、软硬一体的基础模型
如果问接下来三年机器人领域最重要的事是什么，我的答案很直接：数据、执行器、软硬一体的基础模型。这三个方向互相咬合，任何一个掉链子都会拖住整体落地节奏。
数据是当前最大的瓶颈。大模型和强化学习都需要数据，但机器人操作数据的获取比互联网文本数据难太多。遥操作示教、视频素材自动标注、仿真合成数据、真实场景闭环采集，这些手段都在快速成熟，但离“数据飞轮”还差很远。哪一家能找到低成本、规模化获取高质量操作数据的方式，哪一家就能建立真正的护城河。
执行器是长期欠账的部分。大模型确实能告诉机器人“该做什么”，但最终能不能把活干好，依靠的是关节能不能精准输出力矩、末端能不能精细力控、整机能耗能不能撑住长时间作业。我见过不少项目“脑子很聪明、身体跟不上”，传感器响应慢、电机扭力不足、减速器间隙大，再好的决策模型也白搭。更高力矩密度、更低功耗、更强力控能力的执行器，是未来最硬核的竞争点。
软硬一体的基础模型则是整合方向上值得关注的机会。等语言模型、视觉模型、运动规划甚至底层控制系统都开始一体化设计，机器人或许能真正获得一种“通吃多种任务”的潜力。把这个机会落地成产品，还需要软件与硬件团队深度合作，这也是当前最稀缺的能力组合。以下是三个主战场的简要梳理：
| 主战场 | 核心问题 | 当前主要探索 | 我的观察 |
|---|---|---|---|
| 数据 | 高质量操作数据稀缺、采集成本高 | 遥操作采集、自动标注、世界模型合成数据 | 短期靠人工采集，中期靠合成数据，长期看闭环 |
| 执行器 | 力矩密度、寿命、成本、力控精度 | 一体化关节模组、新驱动方案、柔性元部件 | 需要大批量装机和长期可靠性数据沉淀 |
| 软硬一体模型 | 感知、决策、控制如何统一 | 视觉语言行动模型、技能库、端到端探索 | 工程难度极高，真正产出在2027年后才可能明显 |
5.3 给新人们的一点真心话
如果一定要给后来者几句掏心窝的话，我会这么说：不要只追着热点框架跑。大模型、具身智能、端到端是漂亮的热词，但做机器人到最后，拼的还是对系统和物理世界的深刻理解。把高等数学、线性代数、控制理论、传感器原理这些底子打牢，它们会在意想不到的时候救你。学会自己动手攒一台小车或者一个简单机械臂，全程走一遍电路、代码、调试、故障排查，比刷十门网课都管用。
我在带新人时最看重的是“把事弄明白”的习惯。遇到问题愿意拆解边界、复现现场、记录日志、总结规律的人，通常半年就能独立负责模块；而只会“照着教程跑通demo”的人，换个场景就不知道怎么动。机器人是一个典型的“脏活累活”行业，亮点在视频里，真功夫都在尘土飞扬的调试现场。
上周末闲来无事，我把那台2015年的六轴机械臂重新通了电，液压阀块上的油渍都干了，但伺服系统还能正常响应。那一刻忽然觉得，技术演进就像这台老设备一样，即便一路升级换代得厉害，有些底层的东西还是会留下来，比如可靠性、精度、稳定性。机器人十年演进教会我的，不是去追逐每一个风口，而是敬畏每一个会动的零件，珍惜每一份拿到的数据，并且永远在手边留一套扳手。
-物理系统)
