YC 这周把一个让机器人行业不太舒服的判断摆上桌：MIT 教授 Philip Isola 上个月发文认为，原本需要花上万小时视频训练的机器人技能，通用大模型几行代码就能搞定。本期 Decoded 节目请到了两家正在做这件事的创业公司——Waddle Labs 和 RoboCurve。我们编辑部想借这个机会，把这件事拆开讲清楚。

这是什么

过去机器人训练是这样的：让 AI 看一万个小时的工业机械臂视频，训练它学会抓取。这是「专用模型」思路。

Isola 的判断是：别这么干了。直接拿 GPT、Claude 这种通用大模型，给它写几行代码作为「策略」（policy），它就能控制不同的机器人。这种模型在学术上叫 VLA（Vision-Language-Action，即「看图-听懂人话-动手做」三合一）。

支撑这个判断的理论叫「苦涩的教训」（The Bitter Lesson，强化学习先驱 Rich Sutton 提出）：通用方法最终总是打败专用方法。这个规律在 NLP（自然语言处理）、代码生成上都验证过了——现在轮到机器人。Waddle Labs 和 RoboCurve 用 demo 证明了这种思路至少在原型阶段可行。

行业怎么看

乐观派（Waddle Labs、RoboCurve 这类）认为这条路是对的：通用大模型迭代太快，专用模型根本跟不上。今天专门训练一个抓取模型的成本，可能下个月就被基座模型的升级抹平。从历史看，专用 AI 公司被通用 AI 替代的故事已经在图像识别、语音、代码领域发生过。

但反对声音也很硬。真正部署过机器人的人会告诉你：工厂车间对延迟、稳定性、可重复性的要求和写代码完全不同；一个 demo 能跑通不代表能跑一年不出错；通用模型的「黑盒」决策在工业场景可能踩到安全和监管红线。一个被反复提到的问题是「机器人如何从一次成功中学到下次也能成功」——这恰恰是现在通用模型最弱的地方。我们注意到，YC 自己也没给出确定答案，播客最后一节标题就是「我们离通用机器人还有多远」。

对普通人的影响

对企业 IT：正在评估「上机器人」项目的工厂和物流公司，可能需要把「专用方案」和「通用方案」分开招标，别一次性赌注。

对个人职场：机器人调试、机器人视觉算法这些岗位的中期价值需要重估；相反，能把业务需求翻译成提示词、能用通用模型快速搭机器人原型的工程师会更吃香。

对消费市场：家用机器人、扫地机这类产品的更新逻辑可能加速，但离「全能管家」还很远，别被 demo 视频带跑。