gprisma 機器人可以完成所有被要求的任務，但仍會讓我們對接下來會發生什麼產生重要疑問。 這是因為實體工作是相互關聯的。 機器人完成一個動作後，另一個動作會緊隨其後。 另一台機器人可能需要使用相同的空間。 人類可能需要伸手進入該區域。 下一個物件可能已經在那裡等待。 因此，機器人不僅要負責完成自己的任務， 其完成任務的方式也會影響接下來的任務。 這正是我在這一集（第 50981 集）中發現的有趣細節。 手臂最終會移離它們先前工作的區域，而這個簡單的結尾，開啟了一個關於我們應如何評估實體 AI 的更大觀念。 [] 一個已完成的任務仍可能造成問題 想像一台機器人將樣本精準地放置在正確位置，但卻將手臂橫跨在下一個步驟需要使用的區域上。 第一個任務成功了， 但第二個任務現在遇到了問題。 這正是機器人透過孤立示範運作與在真實環境中持續運作之間的重要差異。 在真實的實驗室、工廠、醫院或其他共享空間中，幾乎不會在每個任務後進行乾淨的重置。 機器人完成一件事時，仍處於另一件事必須發生的相同環境中。 因此，成功不能僅以物件的最終位置來衡量。 我們還必須關注機器人離開時留下的狀態。 [] 最後的動作可能影響接下來的十個步驟 當任務相互關聯時，這一點變得更加重要。 一個動作可能為另一個動作做準備。 一台機器人可能需要在另一台機器人安全進入同一區域前完成作業。 人類可能在機器完成後立即需要接觸該區域。 如果第一台機器人以不當的方式離開空間，下一個步驟可能需要額外的移動、額外的時間，甚至需要人工介入。 這種微小的低效可能會在長時間的工作流程中不斷重複。 單一任務結束時多出的幾秒鐘，或許一次無關緊要。 但在數百或數千次任務中，這些時間累積起來便會成為真正的運營問題。 [] 共享空間改變了「良好行為」的定義 這是軟體與實體 AI 之間的重大差異之一。 軟體流程完成後可以消失無蹤， 但實體機器人仍佔據空間。 它的手臂有位置， 它的主體有位置， 周圍的物件也有位置。 因此，實體 AI 不僅要學習如何達成目標，還需學習如何在與其他共享環境的事物共存的情況下運作。 這正是機器人最終位置能傳遞有用資訊的原因。 它告訴我們：機器人是否理解自己的存在是工作環境的一部分。 [] 下一個任務不該負責清理前一個任務的殘局 這裡還有另一個實際重點。 如果每個新任務都必須由人類或另一台機器人先移開前一台機器人，那麼部分工作其實只是被推到了別處。 原始機器人或許仍能因完成指令而獲得通過， 但整個系統卻因該任務的結束方式而多做了額外工作。 對於未來的實體 AI 來說，這個區別至關重要。 我們希望機器人能參與連續的工作流程，而非僅完成孤立動作後，留下他人來重新整理環境。 [] 這就是為何結尾也值得驗證 驗證讓我們有機會超越明顯的成功瞬間。 有用的證據不僅在於機器人是否處理了正確的物件或到達了正確的位置， 還在於該動作周圍發生了什麼，以及機器人完成後留下了什麼狀態。 當訓練機器人在任務相互關聯、空間共享、錯誤或不良定位會影響後續結果的環境中運作時，這些資訊將變得極具價值。 👇👇