说实话，看到结果我还是挺震惊的。
因为灵犀X2原本主打的是智能交互，这次参赛的还是量产版本，机器人本体没有为比赛做改装。与它同场的，还有为竞技任务特别准备的机器。
一台面向真实使用场景的量产机，为什么能在田径赛事里跑出来？
1先说一下这场比赛难度有多大。
按照赛制，机器人要在5分钟内通过10个连续障碍，100米的赛道里有坡面、绕行区域和台阶等复杂结构。机器人不能只在笔直路面上冲刺，还要面对受限空间与不规则地形。
听起来只是把几项动作拼在一起，但对机器人来说，难点恰恰出现在动作之间。这就像让一个人蒙着眼睛跑过陌生的客厅，他可能很会跑，也能抬腿，但不知道茶几离自己还有多远。
速度越快，撞上去的概率越高。而灵犀X2这次值得关注的地方，恰好也在这里。
2一台主打交互的机器人，为什么能在田径赛事里获得优势？
我们平时说机器人会交互，很容易想到聊天、表情和动作回应。但一个机器人真要在现实里与人和物发生关系，第一步不是开口说话，是感知周围环境，还要根据变化调整动作。
比如，传统的运动控制可以依赖关节本体感知。但这有点像闭着眼走路，机器人能知道自己的膝盖弯了多少，脚有没有接触地面。这些信息可以帮助它保持平衡，却不一定能告诉它前方台阶是什么形状。
灵犀X2多做的一步，是把外部环境也放进运动决策里。
它通过视觉和其他传感信息观察地形，再由AGILE生成式通用小脑引擎给出运动策略。关节执行后产生的新状态，又会继续送回控制系统，整个过程会不断循环。
这就相当于把机器人从会背动作，变成了会看着路调整动作。
就像我们自己去走一个从没见过的台阶，也不会先拿尺子测完高度，一般都是先大概看一眼，脚抬起来的过程中再随时修正。
灵犀X2做的事情当然复杂得多，但思路有点接近。它不需要为赛道上的每一个位置提前写死动作，而是根据当时看到的环境做判断。
这也是为什么交互能力可以迁移到运动比赛里。交互，本质上是感知外界之后给出合适的反应。只不过平时的反应可能是转头和回应，在障碍赛里，反应变成了调整步态。
3而且灵犀X2用的是量产版本。很多人听到量产机，第一反应是它为了成本和通用性做过妥协，性能应该不如专门调校的机器。
但放在复杂障碍赛里，量产也可能带来另一种价值，那就是软硬件经过磨合后形成的稳定边界。
特制方案可以围绕已知任务做深度优化，量产机器人面对的却是各种无法提前写进程序的情况。它需要在不同地面上保持稳定，也得容忍真实硬件产生的小误差。
为了做到这一点，算法不能只在理想环境里有效。
智元提到的参数辨识，解决的就是这个问题。
模拟器里的关节、电机和地面都很标准，现实世界却总会多一点误差。把真实机器的参数摸得更准，虚拟训练出来的策略才不容易到了现场就失效。
就像我们在驾校练车，模拟器里每条路都很平，刹车反应也完全一致。真到了街上，路面和车辆状态每天都会变化。一个只记住标准答案的人，很可能在第一处意外面前就慌了。
量产机器人的价值，就是它不能只会应付标准答案。
从这个角度看，灵犀X2并不是把交互机器人的本职工作放到一边，临时去练了一场田径。它更像是把原本为了真实世界准备的能力，换了一个地方接受考试。
4不过话说回来，灵犀X2这次夺冠的价值，本来也不在于证明谁全面领先。
它更像是验证了一条产品路线：为真实使用场景开发的量产机器人，也可以拥有很强的运动能力。
通用性并不必然意味着平庸。很多时候，它只是把能力从一个精心准备的演示，变成可以反复调用的基础功能。
以前我们看机器人比赛，很容易盯着速度和动作难度。但机器人真正进入现实以后，大部分时间都不会遇到标准赛道。它面对的是临时放在路边的箱子，是被人挪过位置的桌椅，也是每天都不太一样的光线。
到那个时候，决定机器人好不好用的，是环境改变以后它还能不能把事情做完。
所以这次灵犀X2拿下100米障碍赛冠军，我更愿意把它看成一次通用能力的外溢。
一个为了真实世界做准备的机器人，顺手赢下了一场比赛。
