通用机器人困局：为何‘能做90%’反成行业最大陷阱？
在当前具身智能的喧嚣浪潮中，一个被反复提及却少有人真正践行的原则正在浮出水面：通用机器人若不能完整接管一项人类工作，便几乎等同于无用。这一看似极端的观点，来自Sharpa联合创始人李一帆——一位曾带领禾赛将激光雷达从数十万元降至千元级的连续创业者。他所主导的DQ冰淇淋机器人项目，正以一种近乎苛刻的方式，重新定义“落地”的标准。
不改造环境，是通用智能的第一道门槛
2026年8月，上海吴江路169号的DQ门店即将迎来一位特殊员工：一台由Sharpa研发的人形机器人。它将独立完成制作暴风雪冰淇淋的全部55个步骤——从拉开为人手设计的柜门取出杯圈，到用小勺精准舀取配料，再到根据视觉与触觉反馈动态调整搅拌力度，最终通过标志性的“倒杯测试”。
乍看之下，这不过是又一个餐饮服务机器人案例。但关键差异在于：整个操作过程未对门店设备、工具或流程进行任何改造。纸杯仍是普通纸杯，勺子仍堆在大容器中，柜门把手宽度不足两厘米——所有物件均维持人类员工日常使用的原始状态。
这种“不妥协”并非出于理想主义，而是技术路线的根本选择。李一帆指出，当前许多所谓“落地”项目实质是“为机器人量身定制工作”，例如将冰淇淋机改造成仅需机械臂接杯递送的半自动装置。这类方案虽能运行，但机器人习得的能力被牢牢锁死在特制环境中，无法迁移到其他场景。他将其比喻为“修电话亭”：城市里遍布固定电话亭固然解决了通话需求，却无助于手机本身的进化。
真正的通用智能，必须能在人类千百年来构建的物理世界中自由行动。这意味着机器人不仅要识别物体，更要理解工具的设计意图；不仅要执行动作，还要应对材料形变、摩擦力变化等连续物理反馈。DQ项目的价值，正在于它强制系统在高保真度的人类环境中完成端到端任务，从而采集到具备泛化潜力的交互数据。
“能做90%”为何是危险幻觉？
行业普遍存在一种乐观预期：机器人先承担80%-90%的常规操作，剩余复杂环节由人工兜底。这种“人机协作”模式看似务实，却被李一帆视为致命陷阱。其核心矛盾在于：只要人类仍需介入，岗位就无法被真正替代，商业价值便难以兑现。
以酒店毛巾折叠为例，即便机器人能完美完成此单一任务，现实中也不存在“叠毛巾专员”岗位。客房服务包含铺床、清洁、补货等十余项交织进行的工作，单独剥离叠毛巾环节不仅无法释放人力，反而可能因机器人节拍慢于人工而拖累整体效率。更关键的是，雇主支付的是完整服务结果，而非某个孤立动作的执行精度。
这种困境引出了李一帆提出的“斩杀线”理论：当任务可被专用设备完成时，通用机器人必然在成本上落败。一台三自由度切洋葱机结构简单、节拍稳定、单价低廉；而人形机器人即便只执行切洋葱动作，仍需承担高自由度关节、灵巧手、高算力平台等冗余成本。客户不会为“潜在通用性”买单，只会将实际功能与专用设备对标——结果不言而喻。
因此，通用机器人的商业化路径不存在中间态。要么彻底接管整份工作（如未来扩展至汉堡制作），证明其技能可跨任务复用；要么退化为专用设备，放弃通用愿景。试图在两者间寻找平衡，只会陷入“比人贵、比专机弱”的尴尬境地。
技能拆解与泛化：通用智能的真实生长逻辑
Sharpa在DQ项目中的深层目标，远不止于一杯冰淇淋。通过将55步操作分解为原子化技能单元（如“窄缝抓取”“黏性物料搅拌”“力控倾倒”），系统构建了一个可重组的能力库。当转向汉堡制作时，其中40步可能已存在于现有技能库中，仅需补充20步新操作即可快速适配。
这种“技能迁移”机制，才是通用智能区别于专用自动化的本质特征。李一帆强调，数据的价值不在于数量，而在于信息密度与可组合性。在单一pick-and-place场景部署千台机器人，获得的仍是有限抓取策略；而在复杂任务中完成一次闭环，却能提取出适用于多种工具的操作范式。
硬件设计为此提供了基础支撑。Sharpa Wave灵巧手的22个自由度并非炫技，而是为了匹配人类工具的操作维度。五指结构可自然适应勺柄、杯沿、旋钮等多样形态，触觉阵列则实时反馈接触力变化——这些数据直接对应人类操作时的肌肉记忆，天然具备跨场景迁移属性。
相比之下，夹爪式末端执行器虽在特定任务中高效，但其数据难以转化为通用操作知识。正如汽车自动驾驶领域，Cruise选择直接挑战旧金山复杂路况，正是因为高难度场景蕴含的信息密度远超封闭测试场。机器人领域同样遵循此规律：只有啃下真实世界的硬骨头，才能长出真正的智能。
节拍与成本：确定性演进中的工程挑战
当前DQ机器人制作一杯暴风雪耗时仍长于人工，整机成本高达数十万元。但李一帆对此表现出罕见笃定：“提速与降本是100%会成功的事。”这一信心源于其在禾赛的实战经验——激光雷达的规模化降本并非线性过程，而是随着技术成熟与供应链协同呈现指数级下降。
节拍提升面临双重约束：机械系统的物理极限与AI模型的稳定性边界。初期机器人动作缓慢，并非算力不足，而是模型对高速运动下的扰动缺乏鲁棒性。如同新手司机不敢急刹，系统需在成功率与效率间谨慎权衡。随着真机强化学习积累更多边缘案例数据，模型将逐步拓展安全操作域。
成本下降则依赖三个杠杆：一是硬件模块化设计，使灵巧手、关节模组等可跨产品线复用；二是制造规模效应，当整机年产量从百台迈向万台，供应链议价能力将显著增强；三是技术代际迭代，下一代North平台已在规划更高功率密度的驱动单元与集成化传感系统。
值得注意的是，Sharpa并未追求短期ROI平衡。其超45亿元融资中，产业资本占比突出——阿里、美团、腾讯等既是投资者，也是潜在场景方。这种布局暗示其战略重心在于构建通用能力基座，而非单点场景盈利。当机器人能无缝切换于餐饮、零售、仓储等多领域时，边际成本将急剧摊薄。
拒绝“为机器人创造就业”：回归真实需求
行业常见误区是“先看机器人能做什么，再切割人类工作匹配之”。这种本末倒置的做法，本质上是在创造伪需求。李一帆尖锐指出：“我们不该为机器人创造就业机会，而应让机器人解决真实存在的劳动力缺口。”
老龄化社会下的服务业人力短缺、高危工业场景的作业风险、精密制造中的重复性劳损——这些才是机器人应有的战场。而攻克这些场景的前提，是具备处理非结构化环境的能力。DQ项目的价值，正在于验证了在高度标准化却又充满物理不确定性的环境中，通用机器人能否可靠交付结果。
未来Sharpa计划将技能库扩展至更多品类：从冰淇淋到汉堡，从饮品到轻食。每次任务扩展都是对泛化能力的压力测试。若系统能持续以“学新任务时间显著缩短”为标志实现技能复用，则通用智能的飞轮效应将正式启动。
这场实验的终极意义，或许不在于某家门店是否节省了一名员工成本，而在于它能否证明：在不重塑人类世界规则的前提下，机器可以真正成为我们的伙伴。当机器人不再需要特制的电话亭，而是手持一部真正好用的手机行走天下时，通用智能的时代才算真正开启。