一架无人机以每秒 28.3 米的速度冲向一道窄门。它的控制系统只要慢 0.1 秒，就会多飞 2.83 米。

这个 0.1 秒只是我设的假想值，不是哪架无人机的实测延迟。但它能说明一件事：在高速飞行里，错误不是慢慢积累的，而是被速度直接放大的。

现在把个数字换成真实的。2025 年，阿布扎比的一场自主无人机竞速赛上，一架重约 966 克的四旋翼，用 16.56 秒飞完两圈、穿过 11 道竞速门，最高速度约 102 公里/小时。按报道，它在淘汰赛里赢了三名世界冠军级人类飞手。2026 年 10 月中旬，这套系统的研究论文发表在《Science Robotics》上，名字叫 MonoRace，来自代尔夫特理工大学。

人类飞手靠什么飞这么快？靠眼睛、手感和多年的训练。

那一台没有驾驶员的小机器，靠什么？

MonoRace 的“mono”，指的是单目：整架飞机只有一个摄像头。

这是个麻烦。一张照片是二维的，竞速门在画面里变大，可能是飞机靠近了，也可能是这道门本来就大。单个镜头没法直接告诉你距离。

人类靠两只眼睛的视差来判断远近。MonoRace 没有这个条件，它换了一种办法：不单独相信任何一种信息。

机身上还装着惯性测量单元，也就是 IMU，里面有加速度计和陀螺仪。前者测机体正在怎样加速，后者测它正在怎样旋转。

但 IMU 也有毛病。它给的是加速度和角速度，不是位置。想从加速度推出位置，要做积分，误差会越积越大，飞一会儿就漂了。

所以系统把两样东西合在一起用：摄像头看到的竞速门，提供“我在哪”的线索；IMU 提供“我正在怎么动”的线索；再加上一个对无人机运动规律的模型，用来判断这些线索彼此合不合理。三者互相校正，才得出对自身状态的估计。

可以想象一个人骑车，没有仪表盘，只有一个前置摄像头。光靠画面，他分不清自己转得多快。再加上身体对倾斜的感觉，他才大致知道自己在做什么。

当然，这只是类比。无人机做的是数学估计，不是复制人的神经系统。

它是在虚拟世界里摔会飞的

MonoRace 的控制网络直接输出四个电机的指令，每秒更新 500 次，相邻两次间隔约 2 毫秒。要说明的是，这是控制输出的更新频率，不是每 2 毫秒完成一次“完整思考”。

这个网络是怎么学会的？靠强化学习。

做法其实不神秘。在模拟器里，一架虚拟无人机一开始什么都不会，它试着加速、转向，撞上门框，或者飞偏。每一次试错，算法都根据结果调整策略：穿过门就得到正反馈，失控就得到负反馈。报道里提到训练规模以百万次计，但这是新闻里的概括，不是核实过的精确次数。

为什么不直接拿真机练？因为真机摔一次要修，电池和场地都有限。模拟器里摔一万次，不用换螺旋桨。

这是机器人学里一个老难题，叫“从模拟到现实”的迁移。虚拟世界永远和现实有出入：机身重量、电池电压、空气阻力、传感器噪声，哪一项都对不上。

研究者的办法是主动制造混乱。训练时随机改变这些参数，让策略见多了各种“不太对劲”的情况，别只适应一个理想世界。这叫域随机化。

需要提醒的是，奖励怎么设、任务怎么定，都是研究者设计的。新闻里常说的“AI 从零学会飞行”，说得太满了。更准确的说法是：在人为设定的训练条件下，算法找到了一套能完成任务的控制策略。

它赢，可能因为它没有人的身体

先看人的处境。FPV 飞手戴着眼镜，看的是无人机传回来的画面，手里拨动遥控器。他的内耳前庭系统感受到的，是他自己坐在原地的身体，而不是几十米外那架飞机的加速和翻滚。

MonoRace 的 IMU 就装在机体上，直接读取飞机自己的运动。这等于两边拿到的信息，从一开始就不在同一个起点上。

再加上 500 次/秒的更新频率，机器在“出手”的密度上占了优势。

速度还要受力学约束。在理想化的匀速转弯里，转弯半径 r = v²/a，其中 a 是能提供的向心加速度。a 不变时，速度翻倍，转弯半径变成四倍。所以最快的飞法不是一路拉满油门，而是提前安排好哪里加速、哪里压姿态。这是经典力学推出的关系，不是这架飞机的实测转弯数据。

所以更合理的读法是：这场比赛不能证明机器“更聪明”，只能说明不同的感知结构和控制方式，会在特定任务里带来不同的优势。

赛道上的满分，不等于考场外的满分

一个必须说清的区别是，赢比赛和可靠飞行是两回事。

这不是第一次有 AI 赢了冠军飞手。2023 年，《自然》发表过一项研究，名叫 Swift 的自主系统在真实赛道上，和三名冠军级飞手比赛，拿到过多场胜利和最快单圈。MonoRace 的推进在于，它把传感器压缩到一个单目摄像头加 IMU，运行在轻量的机载设备上。

但赛道是个很“友好”的环境：有明确的竞速门，有清楚的目标，规则固定。

真实世界不这么给面子。光线可能突变，镜头可能被干扰，IMU 可能在剧烈运动中饱和，电池电压会掉，螺旋桨可能受损。研究摘要里提到，系统在应对摄像头干扰和 IMU 饱和等问题上有表现，但这不能推出它能应付所有极端情况。

这里要分清两个词：峰值性能，和稳健性。前者是在规定条件下能多快，后者是条件出问题时还能不能撑住。

这也是我对“AI 全面超越人类”这类说法保持谨慎的原因。一个竞速排名，回答不了故障恢复、陌生环境、意外障碍这些问题。

下一步，可能不是飞得更快

回到开头那 2.83 米。

一架不到一公斤的机器，已经能以每秒约 28 米的速度穿过竞速门，每秒调整几百次。这件事本身已经不容易。

但真正难的是另一个场景：没有竞速门，没有标准赛道，也没有提前写好的答案。它能不能在那时依然做出可靠的判断？

速度能被计时器记录。可靠性只能靠一次次没有标准答案的测试，慢慢攒出来。