神话中的非机器人学专家

机器人学中的核心挑战

• 多位评论者呼应称，真正困难的问题是感知和资金，外加一些玩笑式补充的“线缆/连接器/紧固件”和供应链。
• 规划/控制往往会以可见的方式失败，但根本原因通常是感知错误或对世界的假设被打破。
• 即便是“物体”或“收好”这类基本概念，也被认为距离以稳健、通用的方式解决还很远。

感知、视觉与现实世界的杂乱性

• 在不同光照、雾气、遮挡和快速运动条件下，跨视频帧实时跟踪特定物体实例仍然很脆弱。
• 一旦分析安全性、可靠性和风险，那些“多数时候可用”的 API/模型就被认为不够好。
• 听起来很简单的任务（例如“把毛巾收起来”）在边界情况、歧义以及偶发的灾难性误分类下都会爆炸。
• 关于进展的争论：有人认为计算机视觉和深度感知已经取得了巨大进步（智能手机级 CV、LLM+视频），也有人说当前最先进的方案对通用机器人来说仍然“不够好”。

低代码 / 非专家编程谬误

• 许多人认为“给非机器人学专家用的机器人”是低代码谬误的又一例：复杂性在于领域和问题定义，而不在语法。
• 一旦有人开始编写有意义的机器人或分析逻辑，他们实际上就已经是机器人学专家/程序员；试图隐藏这一点通常会失败，或者最终变成不透明的专有系统。
• 这与测试自动化和数据工具有相似之处：“让它简单”很多时候实际上是“让它直观”，而在不暴露真实复杂性的情况下这很难做到。

机器人学 vs 自动化，以及人类基准

• 只擅长单一重复任务的工业机器人被视为“自动化”，而不是机器人学中真正困难的部分。
• 更高抽象层级下的多步骤、灵活装配任务，至今仍无法以终端用户可轻松指定的方式解决。
• 机器人总是被拿来与人类比较，而人类的适应性和容错能力要强得多，这使得机器人即便有价值，看起来仍然更差。

行业现实与 API

• 在机器人领域工作会花大量时间处理调试、供应商问题和脆弱的硬件；许多现场故障都可追溯到线缆或传感器。
• 薪资通常不算高，而且早期创业公司占比很大；如果是出于兴趣会很合适，但在金钱或流动性方面并不理想。
• 硬件供应商设计糟糕的 API 和过于复杂的机器人框架是常见痛点；评论者赞同为聪明但没耐心的用户设计 API。