很多人想象中的机器人，是这样的：把它送进仓库、工厂或者家里，它就能接过人的工作。
但真正开始部署之后，会发现，事情没有这么简单。
机器人可能已经能够搬运货物，却处理不好某些尺寸的纸箱；能够抓取商品，却拿不稳包装较软的物品；能够在实验室里完成动作，换一个房间、换一扇门，就可能需要重新学习。
于是，一个有些反直觉的问题出现了：为了让机器人进入现实世界，我们是不是也得改变现实世界？
沃尔玛为什么要更换用了二十多年的纸箱？
2026年10月8日，《华尔街日报》报道了沃尔玛推进仓库自动化过程中遇到的一系列问题。
沃尔玛已经投入多年时间和巨额资金，希望让机器人承担更多仓库作业。但在实际运行中，连纸箱都成了需要重新解决的问题。
报道提到，沃尔玛过去使用的一类周转纸箱已经沿用了二十多年，但它们的尺寸不适合新的自动化系统。公司计划更换纸箱，新箱子短了约1.5英寸，不过需要增加封箱胶带，这也给操作流程带来了额外步骤。
类似的问题还发生在商品包装上。沃尔玛曾发现，机器人处理大型冷冻火鸡时会遇到困难，随后要求供应商加固运输包装。大型电视和超大袋狗粮等商品，也仍需要人工协助。
这些并不是机器人在实验室里有没有完成过某个动作的问题，而是自动化系统每天都要面对的真实商品、包装和运营要求。
沃尔玛的仓库不能只处理尺寸统一、形状规则的测试物品。
它需要接收来自不同供应商、不同时间、不同品类的货物，还必须维持正常运营。
自动化系统既要足够快，又不能因为某一种商品处理失败，就让后续流程陷入停顿。
这就是现实世界的难处：人类早已习惯的工作环境，对机器人来说未必是一个合格的工作环境。
人类为什么能处理，机器人却可能不行？
想象一个仓库工人拆箱分拣。
箱子大一点，他可以换个姿势；包装有些变形，他可以用手调整；里面的商品不容易拿出来，他可以先移动其他物品，再找一个合适的抓取位置。
这些动作看起来很普通，却依赖着人类长期积累的感知、经验和灵活应对能力。
机器人则需要通过传感器判断物体的位置和形状，再计算如何抓取、移动和放置。
包装的尺寸、材质、变形程度以及物品在箱内的摆放方式，都可能影响操作结果。
问题在于，现实商品不是为了让机器人更容易识别和抓取而生产的。
纸箱首先要满足包装、运输、储存和成本要求；商品需要适应消费者的使用习惯；仓库的空间与流程，也是在长期业务发展中逐渐形成的。
机器人只是后来进入这个体系的新参与者。
因此，当机器人无法稳定完成任务时，企业其实有两种选择。
一种是继续改进机器人，让它适应更多不同的物品和环境；另一种是改变物品、空间或流程，让机器人更容易完成工作。
沃尔玛更换纸箱，就是第二种办法的现实例子。
但这并不意味着，所有商品都应该被改造成机器人喜欢的样子。
包装改变会产生新的成本，也可能影响供应商的生产流程、门店的操作习惯和商品保护要求。
只有当整个流程节省的时间与成本，能够抵消改造带来的代价时，这种改变才有意义。
自动化真正要优化的，从来不只是机器人的一个动作，而是从商品进入仓库到最终送达目的地的整段工作流程。
专业研究也在解决同一个问题：让机器人适应现实****
如果企业只通过改变环境来解决问题，自动化的边界就会非常明显。
仓库里的纸箱可以统一尺寸，但家庭里的门、抽屉、冰箱和柜子，不可能全部按照机器人的规格重新设计。
医院、办公室和公共建筑，也不可能为了每一款机器人重新装修。
所以，机器人研究正在尝试另一条路：不只是要求现实变得更规则，也让机器人学会处理现实中的差异。
2025年7月，一项发表于 arXiv 的研究《Box Pose and Shape Estimation and Domain Adaptation for Large-Scale Warehouse Automation》，就针对仓库里的箱体识别问题展开研究。
研究团队开发了一套自监督领域适应方法，让机器人系统能够利用现实环境中大量未经人工标注的数据，改善对纸箱位置与形状的估计。
研究在多种模拟和真实工业环境中进行了评估，其中包括一个包含5万张图像的大规模真实数据集。
研究报告称，这种方法的表现优于仅使用模拟数据训练的模型，也显著改善了相对于零样本三维边界框估计基线的结果。
这项研究的意义不在于机器人从此就能处理所有纸箱，而在于它展示了一个方向：当现实中的物品与训练时见过的东西不完全相同时，机器人可以利用真实数据改善自己的识别能力。
不过，识别得更准确，并不等于抓取一定成功，更不等于整个仓库已经实现无人化。
这项研究解决的是箱体位置与形状估计等问题，不能直接被理解为已经解决了仓库里所有复杂的操作难题。
另一个更贴近日常生活的例子，是机器人开门。
人类很少会认真考虑开门这件事有多复杂。
但现实中的门有不同的把手、开启方向、重量和摩擦阻力；抽屉和冰箱门也有各自不同的结构。
机器人如果只学会开一扇门，未必能顺利打开另一扇。
卡内基梅隆大学研究人员在2024年公开的一项研究中，提出了一个面向开放环境的移动操作机器人系统。
研究团队让机器人在大学校园的四栋建筑中操作真实的门、抽屉、柜子和冰箱等物体，并通过机器人与物体的实际交互，让系统继续学习和调整。
论文报告称，在相关测试中，经过预训练的策略面对新物体时，成功率约为50%；经过在线适应学习后，成功率提高到95%。
研究还指出，每个物体的在线学习时间不到一小时。【论文：Xiong等，2024】
需要注意，这不是机器人在任意建筑里开门的成功率，也不是已经成熟部署的商业产品指标。
它是在特定研究系统和测试对象下得到的实验结果。
但它说明了一件重要的事：机器人不一定非要等待人类把每个物体都改造成统一规格。
它也可以在遇到新的物理结构时，通过实践调整自己的操作方式。
这与仓库更换纸箱，代表了两种不同、又可能相互配合的路径：一边让工作环境更适合自动化，一边让机器人更能适应真实环境。
未来的工作环境，会变成什么样？****
我们过去谈自动化，常常会把注意力集中在机器本身：机械臂有多灵活，视觉模型有多准确，机器人能搬多重的货物。
但当机器人真正进入工作现场，决定自动化能否落地的因素会越来越多。
有些地方，企业可能会优先统一容器尺寸、调整货物摆放方式，或者重新安排作业顺序。
这类环境相对容易改造、任务重复率高，改变流程可能比制造一台能够应对所有情况的机器人更划算。
另一些地方，环境很难被统一。
家庭中的门和抽屉各不相同，医院里的设备和通道也有不同要求。在这些场景里，机器人就需要更强的适应能力，而不是要求所有人都按照它的习惯生活。
真正可行的未来，很可能不是二选一。
一部分环境会为了机器人变得更标准化；一部分机器人则会变得更灵活，能够处理原本没有为自己设计的物品和空间。
两者之间的边界，将由改造成本、任务风险和实际收益共同决定。
沃尔玛的纸箱故事看似很小，却揭示了机器人进入现实世界的一个重要事实：机器人不是把能力带进来，就能立刻接管一份工作。它还必须融入一整套已经存在的物品、空间和流程。
机器人能否进入现实世界，最终不仅取决于它能做什么，也取决于现实需要改变多少，以及机器人还能学会适应多少。
