43 分 41 秒登完泰山，却拿不稳一瓶冰水：机器人评测里被混为一谈的两种难度

11 月 2 日，首届 CMG 世界机器人登泰山大赛在山东泰安举行。近 90 支队伍，泰山红门到中天门，3.9 公里、3100 多级台阶、垂直高差 600 米。这被称作全球首个山岳实景具身智能机器人竞技赛事。

成绩单很硬：

一个体力不错的登山者走完红门到中天门，大概需要一个半小时到两小时。机器狗用了 43 分 41 秒——大约是人的 2 倍速度。

同一周，另一条消息在行业里传开：红旗连锁终止了「机器人无人售货系统」研发项目。这个项目 2025 年 3 月立项时股价涨停、累计涨超 35%，16 个月后公告终止，理由是"未达到大规模商业化落地标准"。真机进店后暴露的问题很具体：夏季玻璃瓶冷饮外壁结水珠，触觉反馈判断不准湿滑程度，频频把瓶子甩落摔碎；日光灯频闪加自然光反射导致视觉误判；过道不足 1.2 米，顾客一穿行避障就跟不上。

能爬完泰山，拿不稳一瓶冰水。

这两件事放在一起不是巧合。它们说明机器人在测两种完全不同的能力，而这两种能力在传播里经常被混为一谈。

一、先把泰山那 3100 级台阶算一遍

赛道的三个数字——3.9 公里、3100 余级台阶、600 米垂直高差——可以互相校验。

【推算】用总高差除以台阶数：

600 m ÷ 3100 级 = 0.194 m/级

平均每级台阶高 19.4 厘米。这个数字对得上——普通住宅楼梯每级 15–17 厘米，景区登山道普遍更高，18–20 厘米是常见区间。反过来说，如果某份材料给出"3100 级台阶、高差 400 米"，那平均只有 12.9 厘米，就不是登山道的规格了。

三个数字自洽，说明这组赛道参数是真的。 这类验算看起来多余，但在赛事数据上很有用：里程、台阶数、高差三个数只要有两个，第三个就能算出来核对，编不出来。

再看速度。把冠军成绩折算成每级台阶耗时：

【推算】速度按 距离 ÷ 用时 计算，每级耗时按 用时 ÷ 台阶数 计算。人类区间参照公开的徒步用时估计。

两件事从这个表里出来。

第一个：四足比人快一倍多，人形比人慢。 0.85 秒/级对 1.74–2.32 秒/级，机器狗是碾压性的。但人形的 2.74 秒/级落在人类区间的上方——双足形态在连续不规则台阶上，还没有跑赢人类。

这个差距不该被"冠军"这个词盖掉。智身科技算法工程师邢立的说法很实在：人形机器人在不规则台阶上行进难度远高于四足，大量形制不一的台阶对平衡、稳定性能是极大考验，前期测试阶段机器人脚链多次损坏，团队连夜抢修调试。

第二个：负重把速度打回人类以下。 灵锶 D50 负重赛 0.49 m/s，比不负载的机器狗慢三倍。宇树 B2 在万仙楼到斗母宫赛段有效负重 66 kg、含支架实际 74 kg——这个量级刚好和传统挑山工可比。"能负重"和"能负重走完全程"是两件事，赛段距离一拉长，速度就下来了。

二、泰山的"极限"，是一种结构化的极限

赛道被称为"极限环境"，这个说法没错，但需要拆开看它极限在哪。

泰山古道确实难：台阶形制不一、有陡坡弯道、路面凹凸。但要看清一个前提——这是一场封路的比赛。

六项里五向好。这就是为什么一台双足机器人能在完全不认识的环境里跑出成绩——难在地形，不难在未知。

第 6 项尤其关键。赛道固定意味着可以反复试跑。新闻报道里"前期测试阶段脚链多次损坏，团队连夜抢修"这句话透露的信息是：成绩是调出来的，不是零样本泛化出来的。

这不是贬低。工程上把这叫"以赛代练"，北京灵翌团队的说法是"参加比赛的目的就是以赛代练，在极限条件下发现设备有哪些微小的瑕疵"。这是完全正当的方法——极限测试的价值本来就在于暴露边界。

但如果把这种成绩读成"机器人已经能适应任意野外地形"，就跨了一步。泰山测的是"在已知地形上的极限运动能力"，不是"在未知环境里的通用作业能力"。

三、便利店是另一种难，而且难在四个具体的地方

再看红旗那个项目。它的失败不是"机器人什么都做不了"，而是四个很具体的失效点，每一个都能对应到一个技术模块。

四个点有一个共同结构：都不是"能不能做"的问题，是"在扰动下还能不能稳定做"的问题。

红旗在实验室完成了上万人次的软硬件循环调试，抓取成功率在受控条件下"表现尚可"。这句话里的"受控条件"就是全部答案——实验室把环境扰动抹平了，而真实门店的日常就是一连串扰动。

这里有个值得记下来的判断：凡是在实验室里"表现尚可"的指标，进现场后的第一次暴跌几乎必然来自环境扰动，而不是算法能力。 所以早期验证的正确做法不是加大测试量，而是先加扰动：把光照换成频闪、把瓶壁喷上水、把过道缩到 1.2 米、让人在旁边走来走去。

四、分野在哪：可枚举与不可枚举

把泰山和便利店并排放，差异可以收成一句话：

泰山是一个"规则封闭、边界已知"的世界；便利店是一个"规则开放、边界未知"的世界。

• 泰山的台阶高度虽然不齐，但落在一个区间里，可以被概括成一条参数范围；
• 便利店的商品有 2000–3000 个 SKU，包装有软有硬、有圆有方、有干有湿，每一种的抓取策略都不同，概括不出来。

前者可以靠调参逼近，后者只能靠数据覆盖。

这也解释了为什么同一家公司的机器狗在山道上表现很好，进了便利店却不行——两件事需要的不是同一种能力。

这张表最有用的一列是"便利店需要的运动控制只有中等"。 也就是说，把一个能爬泰山的机器人放进便利店，它最强的能力用不上，最弱的能力被直接考核。这才是"表演大于实干"这句话的技术含义——不是说机器人在表演，是说测的东西和用的东西不是一回事。

【配图 2 插入位置】chart_robot.png 右半部分 — 六维需求强度双柱对比（运动控制 / 地形适应 / 抓取精度 / 物体泛化 / 动态避障 / 异常恢复），泰山赛道与便利店几乎反向。该打分为本文定性评估，非实测数据。华为云博客需手动上传插入。

五、那场"转正考核"直播，名字本身就是信息

同一周还有第三件事：智元 6 台精灵 G2 进便利店上岗，做 24 小时直播。到 11 月 2 日下午两点半，6 台机器人在岗 4.5 小时，接待顾客 116 次、取送商品 84 件、做咖啡 30 次、早餐服务 40 次、补货巡检 27 次、桌面清洁 40 次，合计 337 项任务。

数据是实的，任务不是摆拍。但这场直播的名字叫「转正考核」。

这个命名说明了一件比 337 项任务更重要的事：它还在试用期。

如果一套系统已经能稳定上岗，不需要几百万人盯着看它行不行。需要"全网监工"来建立信任，恰恰说明信任还没建立。这不是批评——用直播自证是一种诚实的做法，比发通稿强。但它同时暴露了行业的真实状态：能力已经能演示，可靠性还没被验证。

对比红旗的结局会更清楚。红旗的结论是"表演大于实干"，而智元这场直播想做的正是"把实干拍给你看"。两者其实是同一个问题的两端：这个行业目前最缺的不是演示，是可复现的稳定性证据。

六、被忽略的第三条路：外骨骼

这次赛事有四个正式赛项，前面一直在说三个。第四个是外骨骼机器人助力赛，赛段同样在泰山古道上，检验的是穿戴外骨骼设备后的山地减负与助力效果。

这个赛项在传播里几乎没有存在感，但它提出的是一条完全不同的技术路线，而且可能是当下最务实的一条。

把它和负重赛并排放，问题就清楚了——两者解的是同一个问题：怎么把物资运上泰山。

差别集中在第五行。机器人在开放世界里出错的代价由系统独自承担，外骨骼出错的代价由人的本能兜底。 这不是技术落后，是把最难的那部分——判断、应变、异常处理——留给了目前最可靠的系统，也就是人。

回到便利店那个案例就更清楚了。红旗列出的四个失效点里，“商品被塞到角落”“瓶罐滚落在地”"促销海报掉落"这类非标异常，人类几秒钟解决，机器人要数十秒甚至远程介入。外骨骼的思路是不去解决这个问题：让人还在那个位置上，机器只负责放大力量和减轻负担。

这条路的边界也很明确：

• 它不提效率上限，只降低作业强度。人的速度仍是天花板。
• 它适合"人必须在场"的场景——护理、搬运、巡检、施工，而不是"人可以完全退出"的场景。
• 它的技术难点在力控与人机耦合：助力时机错了会干扰人的平衡，比不助力更危险。

但这恰好说明了一件事：在开放世界里，"人在环"不是权宜之计，是一种长期有效的架构选择。 智元那场直播强调"无人在环"的自我进化，方向是对的；但在那实现之前，把智能装在辅助设备上、把决策留给人，是能立刻交付的方案。

赛事把四个赛项放在同一座山上，本身就在提示这个答案：机器人竞速、机器人负重、人形竞速、外骨骼助力——四条路都能把东西送上中天门，只是代价和风险不同。

七、评测里缺的那一栏：从"能不能"到"多稳"

现在的具身智能评测，绝大多数在测"能不能完成"。泰山测的是极限条件下的完成能力，便利店直播测的是常规条件下的完成数量。两个都不测稳定性。

工程上衡量稳定性有三个成熟指标，具身智能领域用得很少：

这三个数一给，很多宣传会自动失效。

举个具体的：红旗那四个失效点里，“商品被塞到角落"这一项，人类几秒钟解决，机器人"可能需要重新校准数十秒甚至触发远程人工干预”。如果恢复时间中位数是 5 分钟、每天发生 20 次，那就是每天 100 分钟的停机。 这个数字比任何成功率都更能决定这套系统能不能用。

反过来，泰山那种赛事如果要更有工程价值，除了排名还应该公布：完赛率（近 90 支队伍里多少支完整走完）、故障类型分布（脚链损坏、重心失衡、电量耗尽各占多少）、维修耗时。这三项对采购方的参考价值高于冠军成绩。

现场已经给了素材：有的机器人刚踏上几十级台阶就重心偏移，在石阶边缘踉跄调整；有的机器狗离终点一步之遥"累晕"在最后一节台阶上；有的人形机器人瘫倒在商铺门口，最后被消防员用担架抬离赛场。这些都不是"表演"，是真实的可靠性数据，只是没有被统计。

八、给采购方和集成商的验收清单

如果你正在评估把机器人放进真实场景，泰山的成绩单和红旗的结局各提供一个教训。可落地的做法是这份清单：

第一，先问场景的"结构化程度"，不要先问参数。

五项里三项落在右边，就先别上。这不是机器人不行，是场景没到。

第二，把扰动量写进验收条件，不要写进"后续优化"。

红旗的四个失效点，每一个都可以在实验室里人为制造：喷壶喷瓶壁、换频闪灯管、把通道收窄到 1.2 米、安排两个人在旁边随机走动。加扰动的测试成本极低，收益极高——它能让 80% 的现场问题在进场前暴露。

第三，要求供应商给三个稳定性数字：成功率、MTBF、恢复时间中位数。

给不出就说明还没测过。给了但样本量不足（比如"测试 100 次成功率 92%"），要问清是否连续、是否同一场景、是否人工干预过。

第四，自己算一遍"人机比"。

一台机器人省下来的不是一个人的全部工时，而是扣掉值守、补货、维修、异常处理之后的净值。红旗那个项目的结论"机器人不具备独立理货补货能力"，意味着它省不掉人，只能部分替代——这时系统就是"人 + 机器"，成本反而更高。先算清这套系统是替代一个人，还是给一个人配了个工具。

第五，别用极限测试成绩做采购依据。

爬泰山的成绩说明运动控制强，说明不了抓取、视觉、避障、任务泛化。采购要看的不是"它能在最难的场景里做到什么"，而是"它在我这个场景里，连续跑一周会出几次问题"。

九、关键要点

1. 泰山那组参数自洽可信。 600 米 ÷ 3100 级 = 19.4 厘米/级，落在登山道的常见规格区间。里程、台阶数、高差三个数只要给两个就能核第三个，编不出来。

2. 四足比人快一倍多，双足还没跑赢人。 机器狗 0.85 秒/级，人类 1.74–2.32 秒/级，人形 2.74 秒/级。双足在连续不规则台阶上的稳定性，仍落后于人类。

3. 泰山的"极限"是结构化的极限。 地形有界、材质单一、封路无动态障碍、任务单一、失败代价低、可预先测绘。六项里五向好，所以成绩可以靠反复试跑调出来。

4. 便利店的难是另一种，且难在四个具体模块。 瓶壁结露考触觉与力控，光照干扰考视觉，1.2 米过道考动态避障，非标异常考任务泛化与恢复。四个都不是"能不能"，是"扰动下还稳不稳"。

5. 分野在可枚举性。 台阶高度落在参数区间里，可以被概括；2000–3000 个 SKU 的抓取策略概括不出来，只能靠数据覆盖。前者能调参逼近，后者只能堆覆盖。

6. 最强的能力用不上、最弱的能力被考核，这就是"表演大于实干"的技术含义。 便利店对运动控制的要求只是中等，对物体泛化和异常恢复的要求极高——正好和爬泰山所需的能力结构相反。

7. "转正考核"这个命名本身就是信息。 需要几百万人盯着才敢说它能上岗，说明能力已能演示、可靠性尚未验证。行业最缺的不是演示，是可复现的稳定性证据。

8. 外骨骼是当下最务实的一条路，因为它把最难的部分留给了人。 不需要理解环境、不需要应对未见过的情况，出错的代价由穿戴者的本能兜底。它不提效率上限，只降低作业强度——在开放世界里，"人在环"不是权宜之计，是长期有效的架构选择。

9. 评测缺三个数：成功率、MTBF、恢复时间中位数。 单次演示可以挑最好的一条，"连续 500 次"挑不出来。恢复时间 30 秒和 30 分钟，是两个完全不同的商业模式。

10. 赛事数据该补完赛率、故障类型分布、维修耗时。 现场那些踉跄、瘫倒、被担架抬走的画面都是真实可靠性数据，只是没被统计。对采购方来说，这三项比冠军成绩有用。

11. 早期验证的正确做法是先加扰动，不是加大测试量。 喷壶、频闪灯、收窄通道、找人随机走动——成本极低，能把大部分现场问题在进场前逼出来。