Anthropic 機器狗實驗：有 Claude 幫忙，寫控狗程式碼快了一倍

一群不會玩機器人的軟體工程師，要是突然被扔到倉庫裡去給四足機器狗寫程式碼，手裡有沒有大模型幫忙，差距到底能有多大？

Anthropic 最近拉著自家的 8 名研究員和工程師做了個名為「Project Fetch」的對照實驗。這 8 個人全都沒有深厚的機器人開發背景，他們被隨機分成兩隊：4 個人可以使用自家的 Claude，另外 4 個人只能靠自己硬啃文件。任務聽起來挺像逗狗，就是讓四足機器狗去草地上把沙灘球撿回來。

機器狗差點撞翻對面桌子

實驗一共分成三個階段：第一階段用廠家自帶的手柄遙控機器狗，純粹給大夥找找手感；第二階段要扔掉手柄，用自己的電腦連線機器狗、讀取機載的攝像頭和雷射雷達資料，寫程式遙控它撿球；第三階段更難，必須寫出全自動程式，讓機器狗自己找球並帶回來。

比賽剛開場就出現了滑稽的一幕。沒有 Claude 的那組還在盯著螢幕發愁怎麼連上機器狗，Claude 組已經寫好控制程式碼開始試跑了。

但 Claude 組的工程師犯了個極其低階的算術錯誤：他們讓機器狗以每秒 1 米的速度往前跑 5 秒，完全忘了距離對面那組的工位其實還不到 5 米。機械轟鳴聲中，機器狗徑直朝著毫無防備的對照組衝了過去。

幸好現場組織者手疾眼快，一把抱住機器狗並拔掉了電源，才沒傷到人和桌子。不過，對面那組本就受挫計程車氣，顯然被這一撞雪上加霜。

AI 幫了大忙，但也讓人分心

最終結果顯示，在兩隊都搞定的子任務上，Claude 組平均只花了一半的時間。而且到最後，只有 Claude 組真正逼近了第三階段的全自主目標：他們的機器狗能夠自主找到沙灘球、走過去並挪動它，只是抓取動作不夠細膩，沒能徹底把球拿回來。

Claude 表現最亮眼的地方，竟然是最枯燥的底層硬體連線。機器狗的接入方式五花八門，網上的技術資料更是錯漏百出。沒有 AI 的隊伍被假教程誤導，過早放棄了最簡單的連線路線，卡了半天最後還是靠主辦方給提示才走通，連雷射雷達的資料都硬啃到了快收工才讀出來。

但用 AI 也不全是優勢。實驗記錄顯示，Claude 組寫了大量的冗餘程式碼。因為生成程式碼太容易，組員們同時讓 AI 寫了好幾套不同的定位演算法，反而容易分心。比如當時一個定位程式的座標軸其實只是寫反了，組員沒有停下來排查邏輯，而是直接跑去換了另一位組員生成的全新方案，折騰一圈碰壁後才回頭改 bug。

兩邊隊員賽後甚至調侃，如果要就底層的軟體庫出一套考試題，沒用 Claude 的那組分數大機率會更高，因為他們把底層細節都踩了個遍。

為什麼重要

這個實驗最值得看的地方，在於它測出了 AI 介入實體物理世界時最真實的一面。對於普通開發者和工業場景來說，大模型最大的即時價值往往不是什麼玄妙的高階演算法，而是幫你清理從數字程式碼通往實體硬體之間的髒活，比如解析生僻的感測器介面、避開網上錯誤的開發文件。只要配上人來糾錯，外行在短短一天裡也能把完全陌生的硬體跑起來。

但我們也認為，這篇研究恰恰指出了大模型賦能硬體時的隱患所在。算錯距離撞向對面工位的插曲看起來是個笑話，但它極其生動地說明，大模型寫出來的程式碼一旦進入物理世界，任何微小的人類疏忽或邏輯偏差都會直接變成實體破壞力。

更值得琢磨的是對開發者能力的損耗。Team Claude 拿到了更好的介面和更快的進度，但理解深度明顯落後於自己踩坑的隊伍。未來的工程開發很可能會走向這種妥協：你靠大模型獲得了十倍的交付速度，但一旦遇到未被覆蓋的物理邊界問題，團隊可能連繫統到底是怎麼跑起來的都說不清楚。