Project Fetch 第二阶段：Claude 自主操控机器人，速度碾压人类

大约一年前，Anthropic 让普通员工用四足机器人完成取球任务，有人用 Claude 辅助，有人只用网络和脑子。当时结论很清楚：有 Claude 帮助的团队效率更高，但模型单独上阵完全不行，连怎么连接机器人都会卡住。一年后再测，局面已经完全变了。Claude Opus 4.7 在没有人类帮助的情况下，完成所有人类团队曾完成的任务，速度至少快 10 倍，其中四项共同任务的平均速度比无模型团队快 37 倍，比有模型团队快 18 倍。这意味着大模型从“辅助工具”到“主力执行者”的跃迁，只用了不到一年时间。

核心变化在于，Opus 4.7 不需要像人类那样在多个方案之间反复试错。人类团队在连接传感器时要纠结走哪条技术路线，模型直接一眼看出最有效的方案，写出的代码基本一次跑通。它生成的代码量只有人类团队十分之一，效果却更好或持平。当然它也有缺陷，比如默认用了过时的目标检测算法，但能自己绕过去找到可行解。最难的“精准拨球”环节——让机器人轻柔地把沙滩球推到出发区——模型还是搞不定，这需要闭环感知和精细控制，人类靠手感练习几次就能做到，模型目前还差得远。研究者手动搭脚手架也许能搞定，但模型自己还做不到。

技术人读到这里应该捕捉到的关键信号是：这种进步并非来自专门针对机器人能力的优化，而是通用 scaling 的副产品。这和模型学会用 string-replace 编辑代码、然后进化成交互式编码 agent 的路径如出一辙——先帮人，再人帮它，最后自己能干。现在同样的接力棒传到了物理世界。虽然机器人底层控制（如特定执行策略）仍是难啃的骨头，但正如作者点明的，“模型自己构建软件工具”听起来不久前还像天方夜谭，现在已经发生了。物理世界的这条路径，不能随意排除。对做 AI 基础设施或机器人开发的团队来说，真正的预判点不是模型何时能操控机器人，而是它何时能自主为特定任务编写控制策略甚至设计机器人系统——这个拐点可能比我们想象的近。