【新智元导读】五年倒计时已经开始。UC伯克利大牛Sergey Levine直言：机器人很快就会进入真实世界，接手的不只是厨房与客厅，还可能是工人生就是博官方平台厂、仓储，甚至数据中心建设。真正的革命，是「自我进化飞轮」一旦启动，就不会停下。

　　UC伯克利教授、机器人顶级专家Sergey Levine预言：2030年前，机器人就能像家政阿姨一样，独立打理整个家庭。

　　家务只是开始，更大的震荡是——蓝领经济、制造业、甚至数据中心建设，都将在机器人潮水中被改写。

　　当Sergey Levine在播客中说出「中位数5年」这个预测片时，很多人会觉得这是科幻。

　　但这并非信口开河，而是建立在近年Robot Foundation Models＋真实部署＋实操反馈不断累积的基础上。

　　与此同时，Physical Intelligence的π0.5模型已经在未见过的家居环境中，让机器人完成「清理厨房或卧室」这样复杂且延展性的家务。

　　π (0.5) 配方中协同训练任务的插图，包括来自多种不同机器人类型的各种机器人数据源，以及包含高级子任务指令、指令和来自网络的多模态数据。

　　这些进展与演示型视频不同，它们是清晰可见的实战能力——比如机器人从洗衣篮里取衣、收拾满是杯盘的餐桌、叠衣服、搭箱子这些动作，都是由模组模型+视觉语言-动作网络实现的。

　　真正标志这个飞轮启动的，不在于你造出一台看起来厉害的机器人，而是机器人在真实家庭中 能把一项被人愿意付费做的任务做好。

　　一旦这个跨过这个门槛，每次实操都会带来数据，每次反馈都推动改进，飞轮才真正开始转动。

　　UC Berkeley的研究团队近期展示，机器人能在一两个小时的真实操作中学会组装主板、甚至完成IKEA家具拼装。

　　很多人一听「家务机器人」，第一反应是：连自动驾驶都还没普及，机器人怎么可能更快？但Sergey Levine却认为——机器人可能落地更快。

　　在家里叠衣服、收拾碗筷、做饭时，机器人即使出错了，大多也能被迅速纠正，并从中学到经验；

　　这意味着家庭场景里的机器人能够更频繁、更安全地积累数据和反馈，学习速度自然更快。

　　在家务环境中，机器人面对的虽然是杂乱、遮挡和各种人生就是博官方平台物品，但整体还是可控的。

　　相比之下，自动驾驶要处理高速运动、复杂交通、突发状况，且每个决策都关乎公共安全，门槛更高。

　　如果在机器人感知中加入推理与常识，它们能在现实世界发挥的作用会远超我们的想象。

　　Levine特别强调，真正的关键不是造出万能机器人，而是让它在现实中把某件人们愿意付费的事做得足够好。

　　一旦跨过这个门槛，它就能开始上岗，在上岗中不断改进，进而扩展到更多任务。

　　让机器人从演示走向真实家庭任务，靠的不是一两条硬编码指令，而是新的底层架构——VLA模型。

　　视觉模块像眼睛一样捕捉环境，语言模块理解指令并规划步骤，而动作解码器则像「运动皮层」，把抽象计划转化为连续、精准的操作。

　　这些技术让机器人不仅能执行「叠一件衣服」这样的单次任务，更能连续完成复杂动作序列。

　　在一次实验中，它误拿起两件衣服，先尝试折叠第一件，发现另一件碍事，就会主动把多余的衣物放回篮子，再继续折叠手里的那件。

　　当购物袋意外倒下时，它也会「自发」地把袋子扶正。这些细节并没有写进训练数据，却在真实操作中自然出现。

　　研究人员发现，机器人在打包礼物袋的任务中，可以把「拿起玩具车」「移动到礼物袋」「放下」这些低层动作拼接起来，完成一个全新的复合任务。

　　这说明当视觉、语言、动作三者真正协同时，机器人能把已有的技能像乐高一样组合，去应对复杂场景。

　　这不只是比喻，而是他的能力扩张路径：先能把某件真实任务做得让人满意，之后步骤会越来越多、越来越复杂，而部署也越来越大。

　　经济路径也很清晰。机器人先「与人搭档」，在重复性体力活、常规操作中替代人工，这样人类可以把更多精力放在应急判断和创造性任务上。

　　McKinsey在「自动化与美国制造业的人才挑战」报告里就指出，那些例行性、重复性活动最容易被自动化，而一旦这类环节被自动化替代，效率和良品率往往会出现显著提升。

　　过去一台研究级机器人可能成本极高，而当硬件批量生产、材料和组件标准化后，再配合视觉-语言-动作模型的算法，机器人的「可用性」成本被拉低。

　　家用场景的门槛变低，也让更多初创团队或中小企业能够参与部署，进而形成规模效应。

　　一方面是对企业成本和生产率的释放；另一方面，是对劳动市场、价值链乃至社会结构的重新塑造。

　　仓储、包装、设备巡检这些原本需要大量人工的岗位，最有可能成为第一批被机器人广泛取代的场景。

　　当机器人真正走进家庭、工厂、工地，我们面临的不只是效率提升，更是社会结构的深度调整。

　　短期内，人与机器的搭档模式会带来巨大红利；长期看，全面自动化可能重塑劳动、教育与财富分配的格局。