事件
2026年，多傢俱身智慧公司同時看到了一個訊號：家庭機器人的「可用性邊界」正在被跨越。
矽谷公司 Generalist AI 在其 GEN-1 模型上驗證了一個現象——當向機器人提供海量訓練資料後，精細手部操作任務的成功率從 64% 急速攀升至 99%。同期，Sunday Robotics 推出了 Umi 資料採集手套，開始直接將機器人送入家庭執行真實任務（收拾餐具、衝咖啡、疊衣服）。中國方面，曾主導「星海圖」打造為估值 200 億人民幣獨角獸的許華哲，近期也宣佈創業進軍家庭機器人，並判斷「兩年內中國將出現可用的家庭機器人」。
這三個事件指向同一個現象：具身智慧不再是「效能曲線的緩慢上升」，而是突然跨越了一道看不見的門檻。
為什麼會出現這道門檻？
在機器人學習中，有一個隱藏的、非線性的躍升點。當你有 1 萬個動作示例時，機器人可能只學會了生硬的模式匹配，精度 50%-60%。但當你有 100 萬個、1000 萬個示例時，系統突然「理解」了動作背後的物理直覺、空間幾何、力度反饋的關聯性。這不是從 70% 平滑上升到 99% 的過程，而是在某個臨界資料量處，整個系統的泛化能力發生相變。
這背後有三個推動力：
1. 資料規模的量變到質變 深度學習系統的能力曲線遵循 Scaling Law——效能與資料量、計算量呈冪律關係。初期增長緩慢，到達臨界量後加速。Generalist AI 從 64% 到 99% 的躍升，證明了資料採集（特別是家庭場景的多樣化任務）的累積已經觸發了這個臨界點。
2. 反饋迴圈的加速 Sunday Robotics 的策略很關鍵——不是在實驗室採集資料，而是直接把機器人送進真實家庭。每一次失敗、每一次成功都會被記錄、標註、反饋到模型。這形成了「部署→資料→迭代→再部署」的正反饋，加快了臨界點的到達。
3. 架構創新的到位 GEN-1 模型、Umi 採集手套等工具的成熟，意味著行業找到了高效的資料到能力的轉換機制。不再是「我們有很多資料但不知道怎麼用」，而是「有了工具，資料可以高效轉化為能力」。
為什麼「兩年」這個判斷可能不只是樂觀？
許華哲的判斷基於一個觀察：一旦臨界點被突破，後續的部署和迭代會加速。Generalist AI 的 99% 精度意味著，在特定任務上，機器人已經接近人類水平。中國的成本優勢、資料採集效率、以及整個產業鏈的準備程度（晶片、伺服、電機等），使得「可用的家庭機器人」的商業化時間表可能真的是 24 個月內。
這不是科幻想象，而是階躍式跨越的必然。