2名机器人便利店打工24小时转正失败

　　【2名机器人便利店打工24小时转正失败】据公开报道，11月2日10时起，上海徐汇区一家正常营业的便利店里，员工换成了6台智元精灵G2人形机器人。它们各有分工：阿豪负责迎宾接待与顾客咨询，火宝承担取货补货，倦王巡视货架，咖少是专职咖啡师，叮酱负责收银与熟食服务，冷姐负责桌面清洁。直播期间门店照常营业，顾客照常进店，机器人连续作业24小时，从午高峰到晚间客流，从深夜值守到次日早高峰，四个班次一个不落。考核标准完全比照真实门店：在岗时长、业务完成量、顾客评价，加上任务成功率、响应时间、异常处理能力，共同构成转正评分。最终，4台机器人成功转正，冷姐和倦王因为在岗积极性、岗位稳定性上的小瑕疵，暂未转正。

　　这个结果之所以被反复提起，是因为它没有按套路“完美收官”。在习惯了圆满收尾的行业语境里，一场公开测试愿意把两台机器的不足摆出来，本身就少见。机器人演示与真实部署之间的鸿沟，此前很少有人公开丈量过；把完整技术栈放进真实营业的门店、接受全网围观，这更像一次不留退路的压力测试。

　　便利店看起来简单，对机器人却是硬考。从技术角度看，真实门店至少在三个层面上了强度。一是柔性物体的精细操作：软包装商品在抓取中会形变，要求系统依靠力觉与触觉反馈实时调整参数；夹取黄金糕这类易损物体时，力气小了会滑落，大了会碎裂，力控精度直接被推到极限。二是长程任务的规划与耦合：以补货为例，完整流程涉及目标识别、库存判断、路径规划与状态维护，子任务之间有严格依赖——取货前要先评估操作可行性，目标被遮挡还得先清障，多任务并行时系统还要维持长时记忆。三是开放动态环境下的避障：顾客和宠物的移动不可预测，系统必须在安全约束下完成实时感知与避让，必要时主动降速甚至中止动作。

　　这几层难度，恰好对应实验室与真实世界之间那道坎。实验室里光照、物体位姿、作业流程都可以预先标定，属于分布内条件；真实门店则持续产生分布外的样本——一次抓取成功，不代表同一个动作在变化的空间条件下还能复现。

　　直播还专门设置了“上强度”的环节：特邀体验官巡场，让机器人从有糖和无糖可乐里辨认并取出指定商品；在路线上临时安排人和箱子挡路；在机器人夹取熟食时故意晃动箱子。直播画面里，机器人一边用语音抱怨“工作好难”，一边完成了辨认取货、遇障绕行、在晃动中调整动作完成夹取。

　　24小时作业中，机器人并不百发百中。问题在于，业界惯用的成功率、节拍这类硬指标，未必能衡量开放环境里的能力。更重要的指标是恢复力——出错之后，系统能不能自己找到原因、自己调整，并把教训留下。智元的做法是一套叫Genie Master的具身Agent框架，它充当6台机器人共同的“大脑”，既负责任务调度，也把执行结果与后续学习连起来。按此前公布的信息，其核心的具身执行协议把“判断—执行—反馈”连成闭环，Agent掌握每台机器人的能力并给出执行引导，执行结果实时回传，成为下一轮判断的依据。

　　这套机制的效果，用一组数据看得最清楚：在前期测试中，搭载Genie Master的精灵G2在熟食打包、取货、补货等任务上，流程成功率从首日的28.6%提升到第五天的85.7%，之后趋于稳定。机器人新掌握的技能会逐步沉淀为可复用经验——成功与失败的轨迹经每日总结进入长期记忆，遇到同类任务直接调用；有效的调整过程转化为训练数据，反过来优化动作策略。两条路径配合，形成“边上岗、边解锁新技能”的循环。

　　由此带来的变化是结构性的：机器人越多、上岗时间越长，积累的经验越多，改进的速度也越快。对具身智能的大规模落地来说，这恰好绕开了一个最现实的瓶颈——如果每次部署都要靠人工遥操作和工程师调试兜底，机器人铺得越多，人力成本越高，商业模型就越难成立。把执行结果自动回流、策略自动调整，才有可能把成本曲线压下来。

　　把便利店里的任务逐层拆开，会发现没有哪一环能靠单一长板解决：抓得准，依赖本体性能，也就是关节精度、力控能力和硬件一致性；动作流畅，依赖策略与控制的协同；经验可复用，依赖完整的数据记录与评测体系。这正是智元这批产品线的逻辑：从数据集、作业平台、重载机器人，到具身Agent框架、仿真平台、基座模型和群体经验学习，七项成果串成一条链，任何一块短板都会拖住整个闭环。

　　回到那两台没能转正的机器人。冷姐负责桌面清洁，倦王巡视货架，它们失败的原因是在岗积极性和岗位稳定性，不是能力不足——这个区别很值得玩味：机器可以完成一次高难度抓取，却未必能在24小时里保持稳定的状态。这对“机器人什么时候能大规模上岗”这个问题，其实给出了更真实的答案：决定进度的，往往不是最精彩的那几个瞬间，而是最不显眼的那几个小时。

　　以上就是【2名机器人便利店打工24小时转正失败】有关内容，更多资讯请关注深港在线。