写代码的机器人与尴尬的Robotaxi

这周真正值得聊的是三件事：两篇arXiv论文，一篇Wired的报道。它们看起来八竿子打不着，但拼在一起恰好回答了同一个问题——具身智能到底走到哪一步了。

一、让LLM写机器人控制器，但要拴上安全绳

第一篇是 Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation。思路很直接：语言模型把机器人控制器当成一段程序来写，这类编码智能体现在已经能在没有机器人规格说明的情况下操作真实机器人。

为什么重要？因为这是"VLA大模型路线"之外另一条更工程化的路。与其训练一个端到端的巨型策略网络，不如让LLM现场写控制代码——可读、可调试、可审计。但论文标题里的"Obstacle-Aware Harness"（障碍感知安全护栏）才是重点：LLM写的代码会出错，护栏负责在物理世界里兜底。这等于承认了一个现实——纯靠生成式方法直接上真机，安全性还不过关，必须加一层传统安全机制。

对谁有影响？做机械臂部署的工程团队。如果你的场景是结构化程度中等的抓取、摆放，这条路线的迭代速度可能比训练专用策略快得多。

二、机械臂的"工作记忆"：别把整个历史都塞进去

第二篇是 Workspace Models: Lightweight Robotic Memory via Saliency-Driven Supervision。它解决的是长时序操作任务的记忆问题：复杂操作需要记住过去发生了什么，但把完整历史都作为条件输入，策略会学到虚假相关性，性能反而下降。这篇论文的做法是用显著性驱动的监督，把记忆压缩成轻量的"工作区模型"。

这和第一篇是同一枚硬币的两面：编码智能体负责"怎么动手"，工作区模型负责"记住刚才干了什么"。两者都在补具身智能最短的板——不是感知，不是规划，而是状态一致性。机器人执行多步任务时忘了自己已经做过哪一步，这是demo和可用产品之间最常见的鸿沟。

三、Robotaxi的真正难题：人在车里干什么

Wired这篇 Meet the Academics Trying to Stop You From Having Sex in Robotaxis 标题很猎奇，但内容很严肃：学术界在研究如何治理无人出租车内的乘客行为。文中直接引用了研究者的原话——"你知道'Bang Bus'吗？我们不想要那种东西。"

为什么重要？因为它揭示了自动驾驶落地的一个被低估的维度：车内无人类司机，意味着没有任何社会性约束。呕吐、性行为、破坏、赖账——这些不是技术问题，是产品设计和社会规范问题。Robotaxi公司迟早要面对：摄像头监控多少算侵犯隐私？拒载算法怎么写才不歧视？

对谁有影响？所有做无人化服务的人——Robotaxi、无人配送、无人零售。你的硬件再好，用户在里面的行为管理做不好，运营成本会吃掉一切。

跨条目的趋势判断

把三条放一起看，我的判断是：

1. 技术栈在收敛，但收敛到"混合架构"。LLM写代码+安全护栏、轻量记忆模块——没有一条路是纯端到端的。吹了两年"一个模型解决一切"的说法，在真机安全面前都在退让。

2. 成熟与不成熟的分界线很清楚。基于代码生成的操控在结构化场景（抓取、搬运）接近可用；长时序多步操作还在论文阶段；而Robotaxi的"车内行为治理"甚至还没形成技术问题，只是刚被学术界当成问题提出来。

3. 最难的部分正在从算法转向人。两篇论文在攻机器的可靠性，Wired那篇在攻人的不可靠性。后者可能更难。

来源媒体

媒体来自 arXiv。

来源与延伸阅读

• Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation (arXiv)
• Workspace Models: Lightweight Robotic Memory via Saliency-Driven Supervision (arXiv)
• Meet the Academics Trying to Stop You From Having Sex in Robotaxis (Wired)

接下来值得继续跟踪

• 编码智能体路线的护栏方案能否通过第三方真机安全评测，还是只停留在作者自己的实验环境——目前论文摘要未给出具体评测数据，需要等全文和代码。
• 工作区模型在多长的任务序列上有效：摘要没有给出任务步数上限，这是判断"记忆"是真突破还是小改进的关键指标。
• Robotaxi车内行为治理：观察各运营公司是否会公开车内监控与拒载政策，这将是行业规范化的信号。