05. AI搭子vs具身智能

谁说做饭的终局是厨房机器人？

昨天有个朋友问我，说你在做 CookPal，厨房搭子，挺好的。但你不觉得这只是一个过渡方案吗？

他的逻辑特别顺：你看啊，现在 AI 先在手机上帮你盯着火候、排步骤、提醒调味。那下一步呢？是不是就应该直接有一个AI机器人，站在灶台前面，拿着锅铲，替你把菜炒了？

他觉得这才是终局。

我说，正好相反。

那个临门一脚，到底有多远

我特别理解朋友这个直觉。过去两年，具身智能太热了。到处都是人形机器人炒菜的视频，灵巧手抓鸡蛋，灵巧手拿筷子，灵巧手倒水。看完你很难不产生一个感觉——好像就快搞定了，就差临门一脚。

但我今天想认真拆一下，那个临门一脚到底有多远。拆完你可能就会发现，不是差一脚，是方向不对。

拿两个最硬的指标说。

先看感知。你站在灶台前面，锅里冒泡了没有，肉表面定型了没有，汤快溢出来了没有——这些你一眼就知道。厨房里大量判断需要的空间精度，是毫米级甚至更细。今天最好的 RGB-D 深度相机，在实验室近距静态场景下能做到五到十五毫米。听起来还行。但只要往机器人身上一装——抖动、油烟、光照变化——精度马上掉到一两厘米。

一两厘米什么概念？就是连锅里那两块肉哪个离它更近，都分不清。

人眼加触觉，是微米级的直觉。AI 的视觉，是厘米级的估计。中间差了三个数量级。

再看操作。你拿双筷子夹一块红烧肉，软、滑、形状不规则，三岁小孩练两个月就会了。人手二十七个自由度，加一辈子操作经验，这不叫事。

灵巧手呢？二十三个自由度、零点一牛顿的触觉精度，硬件已经量产了，这个不卡。但它拿筷子夹红烧肉，现在实验室里最好的演示，成功率不到百分之七十。不是手不行，是大脑没跟上。软滑物体的力度控制，AI 的策略网络还没跑通。

这两个指标放一起，结论其实很简单。今天具身智能在感知和执行层面，就是一个裸传感器加通用模型的堆叠。把它直接丢进真实现场，相当于让一个没有触觉、没有直觉、没有临场经验的毕业生，去替一个十年老师傅掌勺。

比硬件更麻烦的事

不过说实话，硬件差距反而是最好讲清楚的。真麻烦的是三件更底层的事，行业里讨论得很少。

第一件，现场动态信息获取。

AI 的世界观，本质上是训练数据的快照。它不知道什么叫"现在正在发生什么"。

你站在厨房里，闻到一股焦味，你知道什么烧了。听到锅里从咕嘟变成滋滋，你知道水快干了。酱油倒下去颜色不对，你一秒就知道火大了。这些全是经验直觉，是感官和大脑之间极其密集的闭环。

AI 的传感器拿不到这些信号。摄像头不行，没有嗅觉。麦克风能收音，但分不出哪种滋滋声意味着水干、哪种意味着油温到位。AI 活在数据里，人活在当下。这是第一个被忽略的鸿沟。

第二件，信息流方向。

纯 AI 具身的信息流是单向的：摄像头采图、模型推理、机械臂执行。错了就在黑箱里自己循环，没有外部纠偏。

但在一个真实的厨房里，情况完全不一样。你问 AI"这个肉能翻了吗"，AI 说再等十秒，你翻早了粘锅了——AI 下次就知道，你这个人手速偏快，提醒要提前。这叫双向。人对 AI 纠偏，AI 对人增强。

单向闭环的终点是死胡同，双向增强才是生态。但当你把 AI 装进一个机器人让它独立操作、把人的判断回路切掉那一刻，你把唯一的纠偏机制也砍了。

第三件，知识库。

这可能是最被低估的一件事。

AI 的知识是共识蒸馏，全网最大公约数。红烧肉怎么烧，宫保鸡丁放多少醋，它都能说。但你家的红烧肉，和你妈烧的红烧肉，和街上餐厅的红烧肉，完全不是一回事。

你家不放糖。你家小朋友不能吃辣。你上次做这道菜觉得太咸。你老公最近在减肥。

这些信息从来不会被写成菜谱，永远进不了训练集。但它们才是你在厨房里真正做判断的依据——一线使用者的个性经验知识。

共识蒸馏是 AI 的下限。个性经验才是人机协同的上限。

你要的到底是一个搭子，还是一个替身

说到这儿，CookPal 的定位就很清楚了。

我问朋友：你想想，你真的需要一个机器人替你拿锅铲吗？

你做饭的时候真正缺的，其实不是一个手。是缺一个人在旁边告诉你——火大了，该翻了，你上次觉得咸，这次少放点盐。

你要的是一双眼睛帮你盯着锅里，一双耳朵听见你在问什么，一个脑子记住你家口味，一张嘴在该说话的时候说一句。

你不需要它替你拿锅铲。你需要它帮你少慌一点，少漏一步，少做错一个判断。

这就是 CookPal 在做的事：人负责行动和最终判断，AI 负责看、听、记、提醒、组织步骤，设备负责执行边界清楚的动作。不是 AI 取代人，是让 AI 站在你旁边，让你变成一个更强的人。

不止是厨房

其实聊到这儿你会发现，这套逻辑不止厨房适用。

医疗护理。护士给老人翻身，靠的是手上触觉——这个力度刚好，再大就疼了。灵巧手硬件能做到，但那股"刚好"的劲它学不会。可 AI 在旁边做血管路径规划、提醒你病人的历史用药反应——这些它格外强。

家庭辅导。你教小朋友做题，你得看他什么时候烦躁了、什么时候在硬撑、什么时候突然开窍了——全是微表情和语气里的信号。AI 靠摄像头拿不到这些。但 AI 能告诉你，上次这孩子卡在分数题，卡的是通分这一步。

养老看护。老人半夜起来，传感器能检测到。但它不知道老人今晚情绪不好，不是因为身体不舒服，是因为白天儿子打了通电话，心里堵。这种上下文，只在这个人、这个家的历史里。

建筑工地。老师傅看一眼混凝土表面反光就知道水分够不够，听敲击声就知道有没有空洞。AI 没有这套感官闭环。但 AI 能在地基开挖之前，把图纸、进度、安全规范先给你对齐一遍。

这些场景串起来，有一条很清晰的边界——离标准化产线越远，离个性化生活越近，人机协同就越不可替代。

具身智能在流水线上装零件，在仓库里搬货，在大田里喷农药——这些地方它越来越强。但一旦进到一个人的厨房、一个老人的卧室、一间手术室、一个孩子的书房，变量太多，噪声太杂，责任太重。每一件事背后，都是一个人的全部历史。这些东西不是一个策略网络能学会的。

但一个 AI 能在这些场景里，帮人看清自己看不清的信息，帮人记住自己记不住的历史，帮人抓住自己容易漏掉的信号。那它的价值就不止在一个厨房里了。

这就是我们在 CookPal 里验证的那条路。也是我认为 AI 进入物理世界时，真正该走的那条路。