Anthropic 機器狗實驗：Claude Opus 4.7 自主操控提速 20 倍

把一臺市面上隨便買到的機器狗扔給一群不會寫機器人程式碼的員工，讓他們在倉庫裡折騰一整天，這是 Anthropic 在 2025 年 8 月做過的實驗。

當時代號為 Project Fetch 的第一期測試裡，沒裝 AI 輔助的員工組差點被失控亂竄的機器狗撞飛。而當時最強的大模型 Claude Opus 4.1 如果脫離人類獨立操作，甚至連怎麼連上機器狗的資料介面都沒搞明白。

不到一年過去，Anthropic 公佈了 Project Fetch 第二階段的測試結果。換上 Claude Opus 4.7 之後，劇本徹底反轉了。

幾乎不寫廢話，速度快了二十倍

這次實驗裡，Anthropic 研究員的角色徹底退化成了工具人。他們只負責把執行著 Claude Code 的筆記型電腦插到機器狗上，輸入初始提示詞，並在模型需要確認命令時點個通過。

在開啟最高強度的自適應思考模式後，Opus 4.7 獨立接管了後面的所有流程。從連通機器狗的雙目攝像頭與雷射雷達感測器、編寫運動控制指令碼，到在三維空間中追蹤機器狗的移動軌跡，全由模型自主搞定。

根據 Anthropic 公佈的資料，在之前人類團隊完成的所有任務上，Opus 4.7 的完成速度平均比當時最快的人類隊伍快了整整 20 倍。如果對比兩支人類隊伍都完成了的四項基礎任務，Opus 4.7 比純人類隊伍快了 37 倍以上，比當時開著 Claude 輔助的人類隊伍也快了 18 倍以上。

更誇張的是程式碼質量。過去人類工程師總在糾結該走哪套介面協議，寫出一堆冗餘程式碼來回排錯。Opus 4.7 幾乎每次都是一把跑通，最終生成的總程式碼量只有第一期人類加 AI 組合的十分之一左右。

不過它也不是神仙。在識別目標時，Opus 4.7 一度呼叫了一個已經過時的目標檢測演算法，但它靠自己調整邏輯，依然把方案給硬磨出來了。

會寫底層指令碼，但還當不好「撿球犬」

真正把 Claude 難住的，是這個專案名字最初的本意：撿球。

人類在拿著手柄操作機器狗時，可以通過肉眼觀察皮球的滾動路線，不斷修正方向，小心翼翼地把沙灘球推回起點草坪。這種需要極高感知與連續微調的物理閉環，恰恰是大語言模型目前的死穴。

Opus 4.7 確實成功把機器狗開到了球的正後方，並且擺好了擊球姿態。但在真正推球的那一瞬間，力量與方向的控制完全亂了套，最終也沒能成功把球運回去。

Anthropic 特別說明，這次並沒有針對機器人底層控制去專門訓練模型，這些突破完全是大模型通用能力擴張後順帶附贈的副產品。低階電機控制和閉環物理互動，依然需要更專業的架構去填補。

為什麼重要

我們認為，Anthropic 這次展示的真正看點，不在於機器狗跑得有多快，而在於 AI Agent 正在跨過從虛擬軟體到實體硬體的門檻。

回顧大模型在程式設計和網路安全領域的演進路徑，規律其實非常明顯：最開始是模型給人類打下手，接著是人類反過來幫模型調參糾錯，最後變成模型完全自主接管。現在這套迴圈正在物理世界裡原樣重演。

對於做硬體開發和機器人整合的工程師來說，這意味著以後把新感測器、新底盤接入系統的髒活累活，很可能在幾分鐘內被 AI 搞定。過去非專業人員連機器狗控制台都打不開，現在只要會用 Claude Code，連通協議和路徑追蹤就能自動搭好。

但看起來它離取代現場操作員還有很長一段路。大模型擅長的是離散的邏輯編排，比如怎麼調 API、怎麼讀點雲；可一旦涉及到現實世界裡極其細微的物理反饋，比如怎樣恰到好處地推一顆沙灘球，它就立刻暴露出缺乏具身常識的短板。

這提醒了整個行業，具身智慧不能指望僅靠通用大語言模型的上下文視窗來包辦一切。把高階邏輯推理和低階運動控制解耦，可能依然是未來很長一段時間裡最理性的架構分工。