曾几何时，波士顿动力Atlas的跑酷视频惊艳全球，其流畅且高难度的动作，让人们看到了人形机器人运动能力的巨大潜力。早期，机器人跳舞的展示也吸引了不少技术爱好者的目光，大家会仔细观察机器人关节的转动、平衡的维持，那时行业热衷于比拼谁能做出更炫酷的极限动作。
然而，仅仅半年时间，机器人行业的风向就发生了彻底转变。如今打开机器人企业的新品视频，曾经频繁出现的跑酷、跳舞场景已难觅踪迹，取而代之的是机器人“叠衣服”的操作。Figure 03用五指手尝试叠毛巾，即便边角偶尔卷起也未停下；Weave Robotics的半自动叠衣视频虽经过2倍快进处理，看似利落，实则隐藏着真实速度偏慢的问题。谷歌ALOHA的挂衣演示未进行剪帧处理，动作缓慢，偶尔还会对不齐衣架，却因真实而圈粉无数；Dyna Robotics则让机器人连续18小时叠餐巾，机械臂反复起落，展现出执着于单一任务的劲头。
机器人从热衷于炫技到专注于做家务，这一转变背后是行业概念炒作的减少，企业开始重新审视并逐渐贴近市场的真实需求。那么，为何机器人企业纷纷选择学习叠衣服呢？
机器人企业扎堆投入叠衣领域，关键在于技术与需求实现了精准对接。十年前，机器人叠衣服还只是实验室里的新鲜事。2010年，Willow Garage公司推出的PR2机器人，只能在固定的绿色背景下勉强叠好一件简单衬衫，动作迟缓得让人失去耐心，更换衣服或环境后，就大概率无法正常工作。当时的技术完全依赖精准标定的相机和手工编写的动作程序，演示更像是一次性的表演，根本无法实际应用。
转折点出现在机器人学习技术取得突破。扩散模型和零样本学习成熟后，机器人无需逐一步骤编程，仅依靠几千条人类演示数据，就能自行掌握叠衣服的技巧。再加上HuggingFace、LeRobot生态系统以及框架的普及，技术门槛大幅降低，初创团队也能借助预训练模型快速完成演示。例如谷歌ALOHA，仅用6000条系鞋带的演示数据，就让机械臂学会了这一精细动作，而叠衣服的容错率更高，数据收集也更为简便。
更重要的是，叠衣服的需求极为刚性。“不想手动叠衣服”是许多人的心声，甚至有人愿意为此额外付费。对于像1X Technologies这类面向家庭场景开发的机器人企业而言，相较于门槛较高的工业场景，家用叠衣场景更容易让大众感知到其价值，落地路径也更为清晰。即便目前的演示尚不完美，但人们仍能从中看到未来：或许不久后，真会有能包揽家务、解放双手的机器人管家出现。
叠衣服的“试错成本”较低。打翻杯子需要更换新品，组装零件出错要重新调试，而叠衣服失败后，只需将衣服重新摆好便可再次尝试。这种不易损坏设备、容错率高的特点，使企业能够以更低的成本打磨技术、进行演示，尤其适合资金有限的初创团队。
尽管目前机器人叠衣的演示形式多样，但冷静分析后会发现，现有技术与“让人愿意购买”之间仍存在较大差距。在细节方面，Figure 03叠衣服时速度过快，导致边角容易卷翘，这反映出机器人无法准确感知衣物材质，也无法及时察觉受力情况。1X Technologies的Neo机器人，机械臂整理衣服的动作显得生硬，折叠过程刻板，缺乏人类灵活调整的状态；Weave Robotics即便不进行2倍快进，很多演示的效率也远不及人类。
在具体场景上，企业拍摄的演示大多在实验室或固定的样板间进行，桌面平整且为纯色，衣服材质单一，背景无任何干扰。还有些像1X Technologies Neo机器人采用遥操作方式，由人类专家远程遥控贴衣服。然而真实的家庭环境远非如此理想，衣服可能掉在地毯上，与袜子、内衣混在一起，桌面堆满杂物，光线也时明时暗。谷歌ALOHA的挂衣演示虽真实，却暴露出“对齐难”的问题，连简单的挂衣架都要反复调整，更别说处理皱巴巴的衬衫和易变形的毛衣了。
更为关键的是，企业和消费者的关注点存在差异。企业强调“机器人能叠衣服了”“实现零样本折叠了”，聚焦于“能否做到”；而终端用户更关心“能否做好”，比如是否会扯坏真丝衬衫、能否在5分钟内叠完一篮衣服、能否自行从洗衣篮拿取衣服并叠好后放入衣柜。目前多数演示仅完成了“折叠”这一动作，取衣、整理、收纳等关键步骤均未涉及，这种“半成品”式的技术展示，实际上只是技术发展过程中的一个环节。
早年机器人通过跑酷、跳舞等极限动作进行演示，更多是在“秀肌肉”，以此证明自身的运动控制和平衡能力，吸引资本关注、炒热行业热度。在技术发展初期，这种做法确有必要。但当行业发展到一定阶段，仅靠“炫技”已无法推动商业落地，企业必须找到技术与市场的契合点。叠衣赛道的兴起，正是行业从“我能做什么”向“用户需要什么”转变的明显信号。
这也体现了人形机器人的发展逻辑：技术突破不一定要追求极限性能，能否适配实际场景更为重要。日本发那科、安川等工业机器人巨头，能够长期占据市场主导地位，核心原因在于始终围绕工业生产的真实需求开展研发。他们不关注机器人“跳得好不好看”，只在意“焊接是否精准”“搬运效率高不高”。人形机器人若想大规模进入市场，也应遵循这一原则，先解决用户的“刚需痛点”，再逐步拓展更复杂的功能。
当然，这并不意味着行业要放弃核心技术。当前叠衣演示所暴露的感知精度不足、操作不灵活等问题，仍需通过优化算法、升级硬件来解决。《Science Robotics》在11月刊发的论文《Learning a thousand tasks in a day》，提出了“机械臂24小时学会1000项任务”的方向，为行业提供了新思路，即通过更高效的算法减少对数据的依赖，使机器人能够自主学习、更好地适应环境。未来技术成熟后，机器人或许能从“叠衣服”拓展到洗碗、擦窗、整理衣柜等更多场景，但前提是始终围绕用户需求展开。
