当人们还在讨论AI写作能否替代人类文案时，另一场关于AI技术的物理革命已经悄然展开。美国初创公司Sunday Robotics近日发布了一款名为ACT-2的机器人AI模型，搭载于其轮式家庭机器人Memo上，在陌生家庭环境中叠衣成功率超过99%。这一数字不仅刷新了家庭机器人领域的可靠性记录，更意味着AI技术正从虚拟的文字世界走向真实的物理空间。
家庭机器人的终极难题：为什么叠衣服这么难？
家庭机器人被公认为AI领域最难攻克的堡垒之一。与工厂里固定工位、标准化的工业机器人不同，家庭环境充满了不可预测性——沙发上的抱枕可能歪了，茶几上的遥控器可能换了位置，而衣柜里那件刚买回来的毛衣，材质和形状都是机器人从未见过的。
长期以来，机器人厂商面临一个两难困境：要么在实验室里做到100%完美，但一进入陌生家庭就频频出错；要么花费大量成本为每个家庭重新训练模型，导致产品无法规模化。Sunday Robotics的联合创始人Tony Zhao直言：“机器人如果只学会折牛仔裤，面对围巾时就可能束手无策。”
ACT-2的核心突破在于解决了“迁移学习”问题——让机器人在一个环境中学会的技能，能够无缝迁移到另一个完全不同的环境中。这就像一个人学会了叠衬衫，换一个房间、换一件不同款式的衬衫，依然能叠好。对于机器人来说，这需要模型具备极强的泛化能力，而不是简单地记忆特定动作序列。
99%成功率背后的秘密：两阶段训练与数据手套
ACT-2的可靠性并非来自单一算法，而是一套精心设计的训练体系。Sunday Robotics采用了两阶段训练方式，将人类示范与自主练习有机结合。
第一阶段，通过人类示范让机器人学习基本动作。公司自主研发了一款带有传感器的数据采集手套，成本仅约200美元。志愿者佩戴手套完成叠衣服、整理玩具等家务，机器人便能捕捉每一个动作的细微变化。Tony Zhao强调，这只手套的结构和传感器布局与Memo的机械手几乎一致，因此可以更精准地将人类动作映射到机器人身上。这种“示教-复制”的方法比传统编程更高效，也更接近人类学习新技能的方式。
第二阶段，机器人进入Sunday Robotics自建的测试平台进行自主练习。它利用第一阶段学到的知识不断尝试新任务，并通过纠错机制在几分钟内快速提升能力。这种“试错+反馈”的循环，让机器人逐渐掌握了面对不同材质、不同形状衣物的叠放策略。
值得注意的是，这一训练流程与目前流行的AI Agent技术有异曲同工之妙——通过少量示例建立基础模型，再通过大量自主交互进行强化学习。而类似的技术思路也被应用于AI画图领域，例如通过少量样本生成不同风格的图像。
行业标准缺失下的“Solve”评估体系
Tony Zhao在采访中抛出了一个尖锐的问题：“目前机器人行业大量视频演示，外界根本不知道机器人尝试了多少次才成功，也不知道测试在什么条件下完成。不同公司的演示就像拿苹果和橘子比较。”
为了解决这一困境，Sunday Robotics提出了全新的行业评估标准——Solve。按照Solve标准，机器人公司必须明确说明：机器人能够完成哪些任务、测试是在什么环境中进行、进入新环境后还需要多少额外训练或人工协助。这一标准力图让机器人行业的进步变得可量化、可对比。
目前，公司认为稳定完成折叠衣物已经达到了Memo的第一个Solve能力标准。这意味着，如果其他公司声称自己的机器人也能叠衣服，就需要按照Solve框架提供同等详细的数据，才能进行公平比较。
这一标准对行业的影响，类似于AI工具箱中不同工具之间的性能对比——只有统一的评测维度，用户才能判断哪个工具真正适合自己。而AI工具导航正是帮助从业者快速找到最合适解决方案的入口。
资本与竞争：家庭机器人赛道的加速度
Sunday Robotics的野心不止于技术。2024年成立以来，公司已完成1.65亿美元融资，估值达到11.5亿美元，员工超过100人。投资人中包括风险投资机构Conviction，其合伙人Sarah Guo评价创始团队“像埃隆·马斯克一样，坚定地希望打造真正面向大众消费者的大规模产品”。
与此同时，家庭机器人赛道的竞争正在升温。由Y Combinator投资的Weave Robotics计划今年秋季交付售价7999美元的轮式机器人Isaac 1，主要功能之一就是折叠衣物；另一家公司1X计划推出售价约2万美元的人形机器人NEO；特斯拉也在推进Optimus人形机器人进入家庭市场。
Tony Zhao认为，2026年有望成为家庭机器人行业的重要转折点。他透露，ACT-2还在学习吸尘、整理玩具、拉拉链以及制作咖啡等更多任务，虽然这些功能目前尚未达到稳定可用的水平，但折叠衣物的成功已经证明了技术路线的可行性。
信任与隐私：远程协助的边界之战
Sunday Robotics计划于今年秋季启动Beta测试，让Memo进入部分家庭试用。在用户家中，Memo将主要依靠自主运行，当用户需要帮助时，远程工作人员才会介入——类似Waymo自动驾驶汽车的远程支持模式。
但与其他公司不同，Sunday Robotics明确表示不会利用远程协助过程收集用户家中的数据来训练AI模型。Tony Zhao表示：“真正完全自主运行，才是建立用户信任的最好方式。我们并不是想借着远程操作者进入你的家里，偷偷收集数据，再用这些数据提升模型能力。”
这一表态在当前的数据隐私敏感环境下极具分量。很多消费者对家庭机器人抱有疑虑，担心它们成为“移动的摄像头”。Sunday Robotics的选择，或许能为行业树立一个“数据主权”的标杆。
不过，这种策略也意味着公司需要更高效地利用自有数据。目前，公司的数据采集手套和测试平台已经能够提供足够丰富的训练样本，而抠图等图像处理工具在数据预处理中也扮演着辅助角色。
AI写作与机器人智能的交叉：未来是物理AGI吗？
回到AI写作这个话题，很多人以为AI技术只擅长文字生成、图像识别等数字任务。但ACT-2的成功表明，最新的AI技术正在向物理世界延伸。Sunday Robotics创始团队选择家庭机器人赛道，正是因为“家庭环境远比工厂更加复杂、凌乱且充满不可预测性”。
Tony Zhao认为，如果机器人能够胜任家庭中的各种任务，那么距离实现物理通用人工智能（Physical AGI）——也就是能够像人类一样完成各种现实世界任务的AI——就更近了一步。
从AI写作到物理AGI，技术范式的核心都是“通用能力”。当一个模型既能写出一篇高质量的文章，又能叠好一件陌生的衬衫，甚至能根据用户需求生成文生图内容，我们才真正触摸到了智能的边界。
当然，目前的ACT-2还远未达到通用水平。它只专注于叠衣服这一项任务，其他技能仍在学习阶段。但不可否认的是，每一步的可靠性提升，都在将家庭机器人推向更广阔的应用场景。就像当年AI写作从“拼凑句子”进化到“逻辑连贯的千字长文”，机器人也需要从“叠好一件衬衫”进化到“整理整个房间”。
Sunday Robotics已经迈出了坚实的一步，而2026年，或许就是家庭机器人从“玩具”变成“助手”的元年。