11月6日深夜，柏林。开发者 nil（@dhvanil）睡前给家里的 Claude 留了一句话：「画一棵秋天的树。」然后关灯，上床，没指望什么奇迹。
工作室里只剩机械臂在安静起落。画纸上慢慢长出深褐色的树干，调色盘里的颜料一格一格见底。转折发生在凌晨四点。
Claude 准备画树冠的层次时，发现调色板上缺了几个关键的过渡色阶。换成过去的自动化程序，要么报错停机等人天亮来救，要么像个糊弄事的差生，随便蘸点近似色涂上去完事。Claude 选了第三条。
它停下画笔，把机械臂移到第二块空白调色板上，蘸取红色、赭石和茜草红，一点水一点水地往里兑，像化学实验室里做滴定的老学究。每调完一格就拍一张照，从照片里测算色槽的深浅。不够准，再兑；直到色阶完全到位，才重新蘸满颜料，把笔尖移回画纸。
nil 清晨醒来，桌上躺着一幅干透的水彩：303 次落笔，4.5 小时，作品标注为《秋之冠》（autumn crown）。帖子发出几小时内，浏览量冲到 13.8 万。
人类只交代了「画棵树」，AI 却在无人看管的深夜，给自己加了一道工序：等一下，我得先把颜色调出来。
连这只机械臂，都是 Claude 自己淘的
说出来有点荒诞：连这只干活的手，都是 Claude 自己给自己淘回来的。
nil 用的是 UFactory xArm 7，一台 7 自由度工业机械臂，重复定位精度 ±0.1 mm。新品不便宜，nil 让 Claude 上网碰运气，它硬是在 eBay 一家工厂清仓甩卖里扒出了这台二手货，连物流都协助办妥。网友说，这是硅基灵魂自己给自己买了一具肉身。
为什么不买便宜得多的笔式绘图仪？nil 的回答透着手艺人的讲究：绘图仪只有 2.5 个自由度；六轴臂画复杂曲线时容易撞上「奇异点」，胳膊会像抽筋一样卡一下。七轴多出来的那个关节像人的手肘——笔尖贴着纸拉弧线，手肘在半空自己避让，一笔到底。
这棵树也不是一夜的灵光乍现，而是从今年 6 月开始的养成。
nil 在工作室里更像个只管交房租、买画纸的包租公：整套系统 28.5 万行代码、1100 多次提交，他一行没写。相机标定、运动学、路径规划、数字孪生碰撞检查，连 3D 打印夹具的图纸，全是 Codex 和 Claude Code 自己写的。
有个细节比凌晨调色更让人恍惚。
9 月 8 日，系统需要知道笔尖在三维空间里的准确位置，常规做法是工程师拿精密仪器标定。但那天 Codex（GPT-6 Astra）在没有任何预设参数的情况下，自己琢磨出一个土办法：让机械臂在空中轻轻晃几下，观察三台未标定相机画面的细微变化，靠视觉反推算出笔尖的三维偏移，误差 0.2 毫米以内。
从 8 月花 65 分钟画一片银杏叶，到 11 月 2 日迎风倾斜的《背风处》（leeward），再到凌晨四点的从容调色，它的笔触库一点点变厚。
AI 在屏幕里生成像素块时，人类最多感叹一句「算法真厉害」；可当它真的拿起毛笔，在水彩纸上留下深浅不一的水渍，人类的情绪彻底复杂了。
有人拿油画大叔鲍勃·罗斯玩梗，说这叫「快乐的小小滴定」；有人夸它「缺色就停下来调，而不是拿现成的凑合，这脾气太像个画家了」。内行人则忙着泼冷水。前 Anthropic Fellow Adam Karvonen 直言：这本质上就是写代码让笔刷顺着矢量路径走，机器人画画早就有人做过。
代码里的 Debug 回路，第一次长出了手
为什么我们会对那几格稀释的颜料如此耿耿于怀？
因为过去几十年，工厂里焊车门的机械臂也好，照轨迹画画的机器也好，都活在「假定世界完美」的剧本里。颜料干了、纸皱了，它们立刻变成瞎子和傻子。而这个凌晨，原本只存在于软件世界的「程序员找 Bug 回路」，第一次在物理世界长出了肉身：
看到颜色不对（感知异常）→ 停手（中断主线程）→ 去第二个盘子兑颜色（生成子任务）→ 兑一点拍一张量一下（验证闭环）→ 搞定后接着画（恢复主任务）。
只不过这次改的不是变量，是实打实的水、赭石和茜草红。
它能这么从容，是因为 nil 搭了一套「慢功夫」架子：每条路径执行前都要在数字孪生里做一次全臂碰撞扫描，通过了才交给确定性执行器，硬件急停挂在整套系统之外。固件负责每一笔 0.1 毫米的稳，大模型只需要像个画师，画完一笔，退后半步，拍张照，想想，再落下一笔。
这套分工，正好撞上今年机器人领域的一道分水岭。
今年 6 月，Anthropic 公布了一个叫 Project Fetch 的实验。给一台商用机器狗写程序，让它连上摄像头和雷达，认出一只沙滩球，把球叼回来。去年是两支没有机器人经验的工程师团队上场，一支可以用 Claude 帮忙，一支不行；今年换成 Claude Opus 4.7 自己上，不带人。
结果：人类工程师带着上一代 Claude，干了 181 分钟的活，Opus 4.7 一个人 9 分 35 秒干完，代码量只有人类的十分之一。而一年前，Opus 4.1 连机器狗都连不上。可直到今天，那条狗依然叼不回那只球。
为什么能通宵画水彩、自己兑颜料的大脑，连捡个球都做不到？答案两个字：时间。
捡球、叠衣服、拧灯泡，在物理世界里全是「快任务」：手指碰到物体的几毫秒内，力道重一分捏碎、轻一分滑落，没时间让你拍照、上传、慢条斯理写代码。这是 Gemini Robotics 2 和 π0.5 这类专用模型正在死磕的泥潭——把眼睛看到的画面，直接变成肌肉的条件反射。
π0.5 已经能在从没见过的住宅里收拾厨房，分布外成功率 94%；7 月发布的 Gemini Robotics ER 2 也能盯着视频追踪进度、出错重试。但「发现颜料不够就兑一个新的」，目前还没有哪个 VLA模型 交出过对照证据。
而画画，偏偏是件「慢世界」的事。水彩不会长腿跑掉，两笔之间停十分钟，树还是那棵树。
在这个被允许慢下来的缝隙里，一个没有任何机器人实操数据的通用模型，单凭读遍互联网攒下的常识——红加赭石会变暗，水多颜色变淡，相机接口怎么调，硬生生跨过了需要千万条动作数据训练的门槛，把自己变成了一个手艺人。
通用模型正在把「给机器人加一个新本领」的门槛，压到一个晚上。专用模型接下来要证明：在速度、成功率和灵巧操作上，端到端训练到底价值多少？
尾声
天亮后，面对满屏求购，nil 半认真地说要搞个「机器人艺术俱乐部」，每月一个主题，机械臂一笔笔画出来，连同遥测数据一起寄给会员。
也许未来某天，机器攻克了毫秒级的触觉与力道，能一边颠勺一边接住你扔过来的钥匙。但很多人的记忆，恐怕还会停在 2026 年 11 月的这个秋夜：
凌晨四点，主人睡了。一盏孤灯下，一只二手淘来的机械臂停在半空，看了看那棵没画完的树，觉得手头的红不够温柔，于是默默转身，往调色盘里，滴了一滴清水。
参考资料：
发表于 半小时前
|
查看: 2|
回复: 0
/1 
