通用AI操控机械臂：首次照做成功，但换任务成功率从19/20跌到2/20。有开发者将一段人类干活的录像交给一个通用AI模型，让它操控机械臂照着做，首次尝试即成功。

另有人给模型配上画笔和摄像头，让它画金门大桥，成品具备基本形状。这些尝试指向一种新分工：通用AI充当机械臂的“大脑”，决定手要伸到哪里、摆成什么姿势。

每个关节具体转多少，则由开发者提供的控制软件计算。画画场景中，开发者会对结果作出评价，并让模型自行思考下一次如何改进。模型据此修改后续操作指令，调整定位、纠正偏差。

但同一模型在不同任务上的表现差异极大。据披露的实验，Astra把积木放进碗里，20次成功19次；换成把拼图嵌进匹配凹槽，20次只成功2次。

任务结构一变，成功率从95%跌到10%。这说明通用AI理解示范、调整方案的能力可以迁移到真实机器人，但泛化仍极不稳定。

这种“通用AI决策+专用控制”的分层架构，确实降低了让机器人学新活的编程门槛。过去换任务往往要重写控制逻辑，现在模型可以基于视觉示范直接生成高层动作意图。

但演示成功不等于可靠执行。积木和拼图的数据对比表明，模型擅长处理容错空间大、目标粗略的任务，对精度要求高、接触约束严的操作仍力不从心。

要让机器人稳定干活，仅靠通用AI的“理解”不够，还需要任务级的大量验证、失败恢复机制，以及底层控制的实时保障。通用AI提供了新的可能性，但离替代专用机器人系统还有很长距离。