Anthropic 机器狗实验：Claude Opus 4.7 自主操控提速 20 倍

把一台市面上随便买到的机器狗扔给一群不会写机器人代码的员工，让他们在仓库里折腾一整天，这是 Anthropic 在 2025 年 8 月做过的实验。

当时代号为 Project Fetch 的第一期测试里，没装 AI 辅助的员工组差点被失控乱窜的机器狗撞飞。而当时最强的大模型 Claude Opus 4.1 如果脱离人类独立操作，甚至连怎么连上机器狗的数据接口都没搞明白。

不到一年过去，Anthropic 公布了 Project Fetch 第二阶段的测试结果。换上 Claude Opus 4.7 之后，剧本彻底反转了。

几乎不写废话，速度快了二十倍

这次实验里，Anthropic 研究员的角色彻底退化成了工具人。他们只负责把运行着 Claude Code 的笔记本电脑插到机器狗上，输入初始提示词，并在模型需要确认命令时点个通过。

在开启最高强度的自适应思考模式后，Opus 4.7 独立接管了后面的所有流程。从连通机器狗的双目摄像头与激光雷达传感器、编写运动控制脚本，到在三维空间中追踪机器狗的移动轨迹，全由模型自主搞定。

根据 Anthropic 公布的数据，在之前人类团队完成的所有任务上，Opus 4.7 的完成速度平均比当时最快的人类队伍快了整整 20 倍。如果对比两支人类队伍都完成了的四项基础任务，Opus 4.7 比纯人类队伍快了 37 倍以上，比当时开着 Claude 辅助的人类队伍也快了 18 倍以上。

更夸张的是代码质量。过去人类工程师总在纠结该走哪套接口协议，写出一堆冗余代码来回排错。Opus 4.7 几乎每次都是一把跑通，最终生成的总代码量只有第一期人类加 AI 组合的十分之一左右。

不过它也不是神仙。在识别目标时，Opus 4.7 一度调用了一个已经过时的目标检测算法，但它靠自己调整逻辑，依然把方案给硬磨出来了。

会写底层脚本，但还当不好「捡球犬」

真正把 Claude 难住的，是这个项目名字最初的本意：捡球。

人类在拿着手柄操作机器狗时，可以通过肉眼观察皮球的滚动路线，不断修正方向，小心翼翼地把沙滩球推回起点草坪。这种需要极高感知与连续微调的物理闭环，恰恰是大语言模型目前的死穴。

Opus 4.7 确实成功把机器狗开到了球的正后方，并且摆好了击球姿态。但在真正推球的那一瞬间，力量与方向的控制完全乱了套，最终也没能成功把球运回去。

Anthropic 特别说明，这次并没有针对机器人底层控制去专门训练模型，这些突破完全是大模型通用能力扩张后顺带附赠的副产品。低级电机控制和闭环物理交互，依然需要更专业的架构去填补。

为什么重要

我们认为，Anthropic 这次展示的真正看点，不在于机器狗跑得有多快，而在于 AI Agent 正在跨过从虚拟软件到实体硬件的门槛。

回顾大模型在编程和网络安全领域的演进路径，规律其实非常明显：最开始是模型给人类打下手，接着是人类反过来帮模型调参纠错，最后变成模型完全自主接管。现在这套循环正在物理世界里原样重演。

对于做硬件开发和机器人集成的工程师来说，这意味着以后把新传感器、新底盘接入系统的脏活累活，很可能在几分钟内被 AI 搞定。过去非专业人员连机器狗控制台都打不开，现在只要会用 Claude Code，连通协议和路径追踪就能自动搭好。

但看起来它离取代现场操作员还有很长一段路。大模型擅长的是离散的逻辑编排，比如怎么调 API、怎么读点云；可一旦涉及到现实世界里极其细微的物理反馈，比如怎样恰到好处地推一颗沙滩球，它就立刻暴露出缺乏具身常识的短板。

这提醒了整个行业，具身智能不能指望仅靠通用大语言模型的上下文窗口来包办一切。把高阶逻辑推理和低阶运动控制解耦，可能依然是未来很长一段时间里最理性的架构分工。