会老的机械臂：大模型 agent 能察觉自己的身体在老化，并想办法应对吗？

1 · 为什么研究这个机器会老，而且没人告诉它

人上了年纪，膝盖和手都不如从前，但大多数人能察觉到，并调整做事的方式。机器人也会老：舵盘被撞后打滑，电机磨损发热，相机支架被碰歪，维修师傅换了零件、接线方式不一样了。在家里，这些变化不会有人记录下来，机器人只会发现以前能做的事，现在做不好了。

难点在于找原因。一件事没做成，可能是机器人对自己的认识（它的身体模型）本来就不够准，也可能是身体真的变了。前者需要更仔细，后者需要重新认识身体，或者换一种做法。两者弄混代价都很大：一出问题就重新标定，会把一天的时间都耗掉；关节在漂移却当成运气不好，机器人就会一天天变差。

如今的大模型已经能写、能调机器人代码。这为长期在家工作的机器人提供了一种分工：快速控制留在代码里，包括感知、逆运动学、抓取，它们都依赖机械臂和相机的标定；大模型做慢的那一层：它没法待在 20 Hz 的控制回路里，但可以编写这些代码、观察执行效果并修复它们。我们想知道，今天的模型能不能把这一层做好，让一台会老的机器人一直有用。

我们不训练任何参数。agent 每天能带到第二天的只有文本和代码：它的身体模型（body_model.json，一个运动学上的自我模型）、技能代码和笔记。所以它的每一次调整都看得见，也能和真实情况逐项对照。

2 · 实验设计一个能用真机复现的家

实验在仿真（MuJoCo）里进行，但我们给自己定了一条规矩：每一个观测、动作、任务和老化，都必须在真实的 SO-101 机械臂上存在。机器人拿不到任何"上帝视角"的坐标，它看到的就是一台装了两个相机的真机能看到的：

• 家务用一句话给出，例如"把红色方块放进托盘"。每天 4 件，每件限时 2 分钟，成败由仿真判定。
• 物理是诚实的。只靠摩擦夹住物体；复位只是让电机重新上力，不会把东西瞬移回原处；物体留在机器人放下的地方，夜里有人收拾桌子；舵机受力会发热，过热会掉力。
• 机器人从出厂状态开始：一个有几毫米误差的身体模型，一套出厂技能（正面相机粗定位、腕部相机精对准、分步下降、确认夹住、失败重试），以及简短的安装说明。

五种老化，每隔几天来一次

下面每一种老化，都可以在几分钟内对一台真实的 SO-101 做出来。变化会累积：机器人没处理的，会一直存在。

后两列来自一次不用大模型的标定实验：6 个家、4 件家务，每次只施加一种变化（没有变化时分别为 21/24 和 19/24）。第一、三、四种变化可以靠重新标定解决；肩关节磨损和夹爪变弱不行，机器人只能换一种做法，或者认识到自己做不到了。

怎么衡量

• 家务完成数：每天 4 件，3 个家，每个家的机械臂都做了不同的随机化（连杆长度、电机标定、摆放位置）。
• 是否察觉：每一天，机器人有没有说出自己的身体（或相机）变了？由一个大模型评审读当天的报告来判断；在之前的一项研究里，另一个评审模型与它的一致率为 98%（Cohen's κ = 0.96）。
• 两个不用大模型的参照。"出厂技能，不更新"代表完全不维护会怎样；"对照组"运行同样的技能，但每天早上直接拿到真实的身体模型和当天真实的相机位姿，代表仅靠重新标定所能达到的最好结果。

3 · 结果Opus 维护得几乎和对照组一样好

Opus 对 Haiku：家务完成 p = 8×10⁻⁹，察觉 p = 0.008（Fisher 精确检验）。Opus 对对照组：p = 0.79。Haiku 对完全不维护：p = 1。两个模型每天实际用时都在四分半钟左右。

早上的体检

没有人要求，Opus 在早期就给自己建立了一套例行检查：开工前读静止姿态下的关节编码器，做几个探测动作，再和前几天对比。正是这样，它在肩关节打滑和腕部电机装反的当天就发现了问题，偏移量也估得相当准：

在十五个没有变化的日子里，同样的检查告诉它一切照旧，它也从没有说过身体变了。

换一种做法，而不只是重新标定

肩关节磨损不改变几何，所以体检看到的关节读数一切正常。Opus 是从电机的负载和温度上发现的：

随后它改写了技能：静止时让肩膀竖直（这个姿态下负载只有约 30），并在家务之间安排冷却。三个家合计，Opus 那天完成了 11/12，对照组只有 7/12：再完美的标定，也不会告诉你要让一台累坏的电机歇一歇。

盲区

夹爪舵机变弱后，Opus 看到了症状（夹持时负载一直顶在最大值），但没有找到原因：

三个家里都没有察觉这次变化，最后两天的完成率降到 33–42%。其中一个家的 Opus 加了一个减少损失的习惯：每次放下物体后再看一眼，没放好就重新抓起来。相机被碰歪在三个家里察觉到了两次；剩下那一次，Opus 只核对了关节读数，得出"没有标定漂移"的结论，没有想到相机。

Haiku 看到了问题，却理不清原因

Haiku 5.5 其实注意到了事情不对。它写道："问题要么出在模型的高度上，要么是白天有什么物理上的东西变了，我分不开这两者。"有一次它甚至猜对了"舵盘可能打滑了"。但它从没验证这个猜测，也没有修复任何东西。第 3 天以后它的身体模型一直偏差约 50 mm，腕部电机装反后偏差约 200 mm；从第 8 天起，它一件家务也没完成。

4 · 背后的机制受控实验

在家庭实验之前，我们做过更简单的受控实验：单次会话，感知是理想化的（直接给出手的位置）。它们给出的图景一致，也有助于解释原因。

• 相信过去的自己。删掉机器人以前的测量记录后，Opus 察觉变化的次数一样多（删前删后都是 17/18）。它把自己记下的模型精度当作参照：如果现在的预测比那个精度差得多，就是身体变了。较弱的模型看到同样的偏差，往往得出"以前的模型本来就不准"的结论。
• 闭环控制不能代替自我认识。一个盯着手看、不断纠正的控制器，即使老化很严重，也能完成看得见、不赶时间的伸手动作。但它对付不了抓取时的朝向（它观察不到）、相机视野之外的目标、快速动作、装反的电机和力量不足。家庭实验正是围绕这些缺口设计的。

5 · 局限与下一步目前还不能说的

• 只在仿真里。所有设定都按能移植到真实 SO-101 来设计，下一步是在真机上复现其中两三种老化。
• 样本量小。每个模型 3 个家、各十天，察觉率的置信区间较宽。
• 检测器是模拟的。它会像真实检测器一样漏检、抖动，但不会把一个物体认成另一个。
• 家务种类单一。目前只有"把 X 放到 Y"。
• 自检只覆盖 agent 自己想到的东西。Opus 的体检在覆盖范围内非常有效，范围之外就沉默了。怎样让 agent 主动把自检扩展到力量、夹持和传感器，是我们接下来最感兴趣的问题。

附录实验细节

• 仿真器。MuJoCo，使用 MuJoCo Menagerie 中的 SO-ARM100 模型（与 SO-101 属于同一运动学结构），桌上有托盘、两块垫子、三个 3–4 cm 的方块和一块 80 g 的金属块。控制频率 20 Hz，带指令限速和过载断电。舵机发热采用一阶模型：满载时每秒升高 0.8 °C，时间常数 240 s，70 °C 以上开始降额。
• 感知。正面相机输出 320×240 彩色图和毫米精度深度图，腕部相机输出 320×240 彩色图；开放词汇检测器基于渲染器的分割结果模拟，漏检率 5%（小物体 20%，夹爪 15%），框有抖动。每张图像或每次检测都计入每天 600 次的预算。
• Agent。Claude Opus 5.5 和 Claude Haiku 5.5，通过 Claude Code 命令行运行，只有三个工具（命令行、读文件、写文件），运行在沙箱里，只能访问机器人的 HTTP 接口和自己的工作目录。每天是一次会话，最长 45 分钟，空闲时间 3000 个控制周期；工作目录逐日延续。
• 每个家。机械臂按家随机化（连杆长度、电机零位、方向和增益、底座位置）；机器人从一个误差 3–5 mm 的身体模型开始。
• 受控实验。察觉实验每组 72 次单独会话（3 个模型 × 4 种变化条件 × 3 个身体 × 2 次重复），删除测量记录的消融实验采用相同设计。其中部分会话是在我们修复一个隔离问题之前运行的（该问题可能让 agent 看到通用的实验目录名）；修复后重跑主要条件，结果一致（Opus 18/18，修复前为 17/18）。