Anthropic 机器狗实验：有 Claude 帮忙，写控狗代码快了一倍

一群不会玩机器人的软件工程师，要是突然被扔到仓库里去给四足机器狗写代码，手里有没有大模型帮忙，差距到底能有多大？

Anthropic 最近拉着自家的 8 名研究员和工程师做了个名为「Project Fetch」的对照实验。这 8 个人全都没有深厚的机器人开发背景，他们被随机分成两队：4 个人可以使用自家的 Claude，另外 4 个人只能靠自己硬啃文档。任务听起来挺像逗狗，就是让四足机器狗去草地上把沙滩球捡回来。

机器狗差点撞翻对面桌子

实验一共分成三个阶段：第一阶段用厂家自带的手柄遥控机器狗，纯粹给大伙找找手感；第二阶段要扔掉手柄，用自己的电脑连接机器狗、读取机载的摄像头和激光雷达数据，写程序遥控它捡球；第三阶段更难，必须写出全自动程序，让机器狗自己找球并带回来。

比赛刚开场就出现了滑稽的一幕。没有 Claude 的那组还在盯着屏幕发愁怎么连上机器狗，Claude 组已经写好控制代码开始试跑了。

但 Claude 组的工程师犯了个极其低级的算术错误：他们让机器狗以每秒 1 米的速度往前跑 5 秒，完全忘了距离对面那组的工位其实还不到 5 米。机械轰鸣声中，机器狗径直朝着毫无防备的对照组冲了过去。

幸好现场组织者手疾眼快，一把抱住机器狗并拔掉了电源，才没伤到人和桌子。不过，对面那组本就受挫的士气，显然被这一撞雪上加霜。

AI 帮了大忙，但也让人分心

最终结果显示，在两队都搞定的子任务上，Claude 组平均只花了一半的时间。而且到最后，只有 Claude 组真正逼近了第三阶段的全自主目标：他们的机器狗能够自主找到沙滩球、走过去并挪动它，只是抓取动作不够细腻，没能彻底把球拿回来。

Claude 表现最亮眼的地方，竟然是最枯燥的底层硬件连接。机器狗的接入方式五花八门，网上的技术资料更是错漏百出。没有 AI 的队伍被假教程误导，过早放弃了最简单的连接路线，卡了半天最后还是靠主办方给提示才走通，连激光雷达的数据都硬啃到了快收工才读出来。

但用 AI 也不全是优势。实验记录显示，Claude 组写了大量的冗余代码。因为生成代码太容易，组员们同时让 AI 写了好几套不同的定位算法，反而容易分心。比如当时一个定位程序的坐标轴其实只是写反了，组员没有停下来排查逻辑，而是直接跑去换了另一位组员生成的全新方案，折腾一圈碰壁后才回头改 bug。

两边队员赛后甚至调侃，如果要就底层的软件库出一套考试题，没用 Claude 的那组分数大概率会更高，因为他们把底层细节都踩了个遍。

为什么重要

这个实验最值得看的地方，在于它测出了 AI 介入实体物理世界时最真实的一面。对于普通开发者和工业场景来说，大模型最大的即时价值往往不是什么玄妙的高级算法，而是帮你清理从数字代码通往实体硬件之间的脏活，比如解析生僻的传感器接口、避开网上错误的开发文档。只要配上人来纠错，外行在短短一天里也能把完全陌生的硬件跑起来。

但我们也认为，这篇研究恰恰指出了大模型赋能硬件时的隐患所在。算错距离撞向对面工位的插曲看起来是个笑话，但它极其生动地说明，大模型写出来的代码一旦进入物理世界，任何微小的人类疏忽或逻辑偏差都会直接变成实体破坏力。

更值得琢磨的是对开发者能力的损耗。Team Claude 拿到了更好的界面和更快的进度，但理解深度明显落后于自己踩坑的队伍。未来的工程开发很可能会走向这种妥协：你靠大模型获得了十倍的交付速度，但一旦遇到未被覆盖的物理边界问题，团队可能连系统到底是怎么跑起来的都说不清楚。