互联网技术哪些是AI不能干的工作 从磕鸡蛋看莫拉维克悖论：为什么大模型越聪明，机器人越显得“笨”
孙立平这篇用“清晨磕鸡蛋”做引子，把一个被AI热潮掩盖很久的老问题又拎了出来：人觉得最不费脑子的动作，机器往往最做不好。下棋、写代码、做数学，计算机可以超过绝大多数成年人；可让机器人从碗里拿一枚生鸡蛋，在碗沿轻磕、听裂声、看纹路、用手指感受壳厚和力度，再把蛋液完整剥进碗里——这套动作若离开工业线的标准工装，几乎处处是坑。它背后就是莫拉维克悖论。
一、悖论的本意：成人推理易，婴儿感知难
莫拉维克在1988年《Mind Children》里给出过那句经典表述：让计算机在智力测验或下跳棋中达到成人水平相对容易，让计算机具备一岁孩子在感知和移动上的能力却很难，甚至不可能。 后来布鲁克斯从行为主义机器人、闵斯基从“无意识技能”角度补充，平克则把它概括为“困难的问题是易解的，简单的问题是难解的”。
反直觉在哪？人类直觉里，下围棋、证定理、写法律意见是“高级智能”，走路、抓杯子、辨人脸是“低级本能”。但计算资源分配正好反过来：逻辑推理、符号搜索、概率规划的状态空间相对封闭，规则可形式化；而感知—运动系统要处理光学、力学、材料、噪声、姿态、时序和不确定环境，背后是亿万年进化打磨的“身体常识”。莫拉维克的解释是，感知运动技能承载了漫长进化经验，推理只是很晚才出现、很薄的“ veneer”（表层）；闵斯基也说，人最不了解的，恰恰是自己做得最好的无意识技能。
所以磕鸡蛋“不到三秒”，对人类不假思索；对机器来说，它至少同时调用视觉定位、触觉判粗糙、力觉控抓握、听觉判裂纹、运动规划定敲击点和掰开时机。任一层失准，要么捏碎，要么打滑，要么壳渣入碗。
二、为什么工业能打蛋，家庭磕蛋却难
文章里提到工业自动打蛋机效率高，这点要分清楚：它不是“理解”磕鸡蛋，而是把世界改造成标准世界。固定蛋托、统一规格、固定敲击点、固定力度、均质新鲜度，连“只取蛋黄”都可换一套分离机构。只要输入分布不变，机械和视觉都能稳定输出。
难的是非标场景。鸡蛋大小不一，壳厚薄不一，冷藏后表面结露，散黄蛋气味和流动性异常，碗沿高度、台面光线、操作者站姿都在变；更别说“轻磕还是重磕”取决于这只蛋准备煎、炒、蒸还是做溏心。人类靠隐性经验调参：手指一摸知道壳干不干，耳听一声知道裂没裂，拇指一压知道该不该停。这种经验很难完整写成规则，也正如波兰尼所说“我们知道的远比能说出来的多”——属于隐性知识，不是说明书能交付。
有材料估算，语言推理类大模型推理需求可在约10¹¹ FLOPS量级，而机器人实时感知运动、高保真物理仿真、视觉与控制闭环可到10¹³—10¹⁵ FLOPS量级；差距不在“模型名气”，在物理交互的实时多模态闭环。 换句话说，让AI写一首关于鸡蛋的诗，比让它不碎壳磕开鸡蛋便宜得多。
三、今天机器人进步到哪了：能抓蛋，不等于会做饭
不能因为悖论就认为机器永远不行。近几年的具身智能正在从“只会看”走向“会用力”。2025年世界机器人大会上，灵巧手是重点：兆威机电DM17用17个微型电机、集成触觉，标称可完成人手95%以上动作，覆盖工业抓握和家庭端杯、炒菜类基本动作；强脑Revo 2灵巧手383克却可承重20公斤，配三维触觉传感器反馈受力。 六维力控、柔性电子皮肤、MEMS压阻、VLA（视觉—语言—动作）模型，让“抓生鸡蛋不碎”从演示慢慢变成可工程化的问题。
但演示和家用是两回事。Physical Intelligence做“机器人奥运”式日常任务，花生酱三明治、翻袜子、剥橙、洗油锅，用π系列模型微调，部分任务拿金/银牌，整体成功率也只五成多；开门、翻袜、油腻锅这类“看着傻瓜”的活，仍会卡住。 家庭场景的非结构化程度远高于工厂：光线变、器皿变、孩子宠物乱入、台面有水有油有碎壳。工厂机器人靠“改造环境”成功，家庭机器人必须“适应环境的混乱”，这正是莫拉维克悖论的主战场。
所以准确判断不是“机器人不行”，而是：结构化重复操作已可商用，非标细活仍缺数据、缺触觉、缺常识、缺成本平衡。
四、对AI叙事的校正：别把语言智能等同通用智能
当下大模型叙事容易让人产生错觉：能答题、能写代码、能看病历，就约等于“快超过人”了。莫拉维克悖论提醒我们，语言是智能的冰山一角，身体与世界交互是水面下那块更大的冰体。LLM可以把“如何磕鸡蛋”写得很清楚，但写清楚不等于能做到；它没有指尖力反馈，没有蛋壳振动的听觉记忆，也没有“第一次用新碗”的临场修正。
这也解释了很多落地尴尬：仓库分拣用视觉+机械臂可做，但混杂抽屉里找一只半透明保鲜盒很难；自动驾驶在规范道路进步快，因为规则化和传感器融合成熟，但“雨天临时施工、行人突然横穿、交警手势不规范”仍要大量数据和冗余策略；家政机器人视频很炫，真到用户家叠被、择菜、刷不粘锅，往往退化为固定脚本。智能不是单看 benchmark，而是看它在不确定性物理环境里少干预、少失败。
进一步说，纯缩放语言模型不会自动诞生具身常识。要补这条链路，至少四件事：多模态感知不全靠摄像头，要力觉、触觉、惯性、声学；控制不全靠离线规划，要在线闭环和模仿学习；数据不全靠人工标注，要真机采集+仿真合成；评价不全看“是否完成一次”，要看长时段、多人家庭、异常扰动下的稳定率。
五、对人的启示：隐性技能、职业教育和“身体知识”被低估了
文章从磕鸡蛋上升到“身体智能”，这层对社会政策很有用。我们长期把教育成就等同于逻辑推理、考试、编程、金融分析；但园丁、厨师、保育、护理、维修、焊接、木工这些工作，大量依赖手感、眼力、节奏、经验判断。平克当年半开玩笑说园丁、接待员、厨师短期内不用怕被取代，放到今天看仍成立——不是因为它们“低智”，而是因为它们对隐性身体知识要求高。
这对两件事有现实意义。一是职业教育：不应只教理论和软件，要把“手感—反馈—异常处置”做成实训闭环，比如护理翻身如何省力不伤病人、钳工如何凭声音判断刀具状态、厨师如何凭气泡判断油温。二是老龄化下的机器人替代：别指望先上人形管家，先把工厂、仓储、康复、巡检里结构化子任务自动化；家庭照料则优先做辅助，如递物、监测、提醒、移动搬运，而不是替代全部生活操作。把“人最擅长身体经验”和“机器最擅长重复计算”分层，比全面无人化更现实。
六、尊重那三秒，也尊重“说不出的会”
孙立平用磕鸡蛋戳破一个幻觉：AI越能写诗算题，越显得物理世界“简单活”高深。莫拉维克悖论不是反技术，而是提醒技术排序别颠倒——别以为语言模型强了，机器人自然就会生活；别以为算法先进，就能省掉触觉、力控、数据和真实试错。
未来十年值得看的，不是哪个大模型又刷高分，而是哪套系统能在普通厨房里：拿不同大小的蛋、不同温度的碗、不同湿度空气下，轻磕、听裂、掰开、挑壳、发现散黄并停下。做到这一步，比再出一个会写论文的聊天机器人更接近“真智能”。因为智能的试金石，从来不只在人脑里，也在手指、在碗沿、在那枚不到三秒却被进化调了几亿年的鸡蛋里。
