曾幾何時，波士頓動力Atlas的跑酷視頻驚艷全球，其流暢且高難度的動作，讓人們看到了人形機器人運動能力的巨大潛力。早期，機器人跳舞的展示也吸引了不少技術愛好者的目光，大家會仔細觀察機器人關節的轉動、平衡的維持，那時行業熱衷于比拼誰能做出更炫酷的極限動作。

然而，僅僅半年時間，機器人行業的風向就發生了徹底轉變。如今打開機器人企業的新品視頻，曾經頻繁出現的跑酷、跳舞場景已難覓蹤跡，取而代之的是機器人“疊衣服”的操作。Figure 03用五指手嘗試疊毛巾，即便邊角偶爾卷起也未停下；Weave Robotics的半自動疊衣視頻雖經過2倍快進處理，看似利落，實則隱藏著真實速度偏慢的問題。谷歌ALOHA的掛衣演示未進行剪幀處理，動作緩慢，偶爾還會對不齊衣架，卻因真實而圈粉無數；Dyna Robotics則讓機器人連續18小時疊餐巾，機械臂反復起落，展現出執著于單一任務的勁頭。

機器人從熱衷于炫技到專注于做家務，這一轉變背后是行業概念炒作的減少，企業開始重新審視并逐漸貼近市場的真實需求。那么，為何機器人企業紛紛選擇學習疊衣服呢？

機器人企業扎堆投入疊衣領域，關鍵在于技術與需求實現了精準對接。十年前，機器人疊衣服還只是實驗室里的新鮮事。2010年，Willow Garage公司推出的PR2機器人，只能在固定的綠色背景下勉強疊好一件簡單襯衫，動作遲緩得讓人失去耐心，更換衣服或環境后，就大概率無法正常工作。當時的技術完全依賴精準標定的相機和手工編寫的動作程序，演示更像是一次性的表演，根本無法實際應用。

轉折點出現在機器人學習技術取得突破。擴散模型和零樣本學習成熟后，機器人無需逐一步驟編程，僅依靠幾千條人類演示數據，就能自行掌握疊衣服的技巧。再加上HuggingFace、LeRobot生態系統以及框架的普及，技術門檻大幅降低，初創團隊也能借助預訓練模型快速完成演示。例如谷歌ALOHA，僅用6000條系鞋帶的演示數據，就讓機械臂學會了這一精細動作，而疊衣服的容錯率更高，數據收集也更為簡便。

更重要的是，疊衣服的需求極為剛性。“不想手動疊衣服”是許多人的心聲，甚至有人愿意為此額外付費。對于像1X Technologies這類面向家庭場景開發的機器人企業而言，相較于門檻較高的工業場景，家用疊衣場景更容易讓大眾感知到其價值，落地路徑也更為清晰。即便目前的演示尚不完美，但人們仍能從中看到未來：或許不久后，真會有能包攬家務、解放雙手的機器人管家出現。

疊衣服的“試錯成本”較低。打翻杯子需要更換新品，組裝零件出錯要重新調試，而疊衣服失敗后，只需將衣服重新擺好便可再次嘗試。這種不易損壞設備、容錯率高的特點，使企業能夠以更低的成本打磨技術、進行演示，尤其適合資金有限的初創團隊。

盡管目前機器人疊衣的演示形式多樣，但冷靜分析后會發現，現有技術與“讓人愿意購買”之間仍存在較大差距。在細節方面，Figure 03疊衣服時速度過快，導致邊角容易卷翹，這反映出機器人無法準確感知衣物材質，也無法及時察覺受力情況。1X Technologies的Neo機器人，機械臂整理衣服的動作顯得生硬，折疊過程刻板，缺乏人類靈活調整的狀態；Weave Robotics即便不進行2倍快進，很多演示的效率也遠不及人類。

在具體場景上，企業拍攝的演示大多在實驗室或固定的樣板間進行，桌面平整且為純色，衣服材質單一，背景無任何干擾。還有些像1X Technologies Neo機器人采用遙操作方式，由人類專家遠程遙控貼衣服。然而真實的家庭環境遠非如此理想，衣服可能掉在地毯上，與襪子、內衣混在一起，桌面堆滿雜物，光線也時明時暗。谷歌ALOHA的掛衣演示雖真實，卻暴露出“對齊難”的問題，連簡單的掛衣架都要反復調整，更別說處理皺巴巴的襯衫和易變形的毛衣了。

更為關鍵的是，企業和消費者的關注點存在差異。企業強調“機器人能疊衣服了”“實現零樣本折疊了”，聚焦于“能否做到”；而終端用戶更關心“能否做好”，比如是否會扯壞真絲襯衫、能否在5分鐘內疊完一籃衣服、能否自行從洗衣籃拿取衣服并疊好后放入衣柜。目前多數演示僅完成了“折疊”這一動作，取衣、整理、收納等關鍵步驟均未涉及，這種“半成品”式的技術展示，實際上只是技術發展過程中的一個環節。

早年機器人通過跑酷、跳舞等極限動作進行演示，更多是在“秀肌肉”，以此證明自身的運動控制和平衡能力，吸引資本關注、炒熱行業熱度。在技術發展初期，這種做法確有必要。但當行業發展到一定階段，僅靠“炫技”已無法推動商業落地，企業必須找到技術與市場的契合點。疊衣賽道的興起，正是行業從“我能做什么”向“用戶需要什么”轉變的明顯信號。

這也體現了人形機器人的發展邏輯：技術突破不一定要追求極限性能，能否適配實際場景更為重要。日本發那科、安川等工業機器人巨頭，能夠長期占據市場主導地位，核心原因在于始終圍繞工業生產的真實需求開展研發。他們不關注機器人“跳得好不好看”，只在意“焊接是否精準”“搬運效率高不高”。人形機器人若想大規模進入市場，也應遵循這一原則，先解決用戶的“剛需痛點”，再逐步拓展更復雜的功能。

當然，這并不意味著行業要放棄核心技術。當前疊衣演示所暴露的感知精度不足、操作不靈活等問題，仍需通過優化算法、升級硬件來解決。《Science Robotics》在11月刊發的論文《Learning a thousand tasks in a day》，提出了“機械臂24小時學會1000項任務”的方向，為行業提供了新思路，即通過更高效的算法減少對數據的依賴，使機器人能夠自主學習、更好地適應環境。未來技術成熟后，機器人或許能從“疊衣服”拓展到洗碗、擦窗、整理衣柜等更多場景，但前提是始終圍繞用戶需求展開。