机器人为什么要像人：不是想象力有限，是旧世界收的接口税

五百多年前，印刷书照着手抄本造。一百年前，汽车照着马车造。现在，轮到机器人照着人造。

这看着像是想象力的问题：人类永远只会照着已有的东西造新东西。

但归因错了。真正起作用的机制跟想象力关系不大——新技术必须嵌进一个已经被人塑造过的世界，而那个世界要收一笔税。

这笔税却不是均匀收的。有些“像”必须付，有些是白付的，区别只在一件事上——模仿的对象是谁。

• 照着旧技术本身的样子造，这是外形模仿。它通常只是过渡，最终会被淘汰。
• 照着旧技术当年也必须服务的那个对象造，这是接口适配。它会长期留着，因为那个对象并没有变。

麻烦在于这两种“像”都表现在外部，肉眼看过去是同一回事。分清一处“像”属于哪一种，比争论“该不该像人”有用得多。

一、古腾堡的圣经，是刻意做得像手抄本的

古腾堡圣经《创世记》首页，斯图加特符腾堡州立图书馆藏本，1455 年。黑色的两栏正文是机器印的；左上角那行红字、贯穿整页左侧的花体首字母、页脚的藤蔓与走兽，都是印完之后由人手工填进预留空白里的。

1455 年前后那批四十二行圣经，字体用的是照着德国手抄本手写体刻出来的 Textura 黑体哥特式。而最说明问题的是：印刷的时候故意留出空位，等画师和抄写员手工填上彩色首字母和红色标题。古腾堡还专门印了一份给上色的人用的文字指引，告诉他们每页该填什么。

一台刚问世的机器，先印出书页，再留空等手工来补，还得给做手工的人印一份说明书。没有比这更完整的过渡形态标本。

为什么这么做？不是想不出别的样子。因为当时的买家只认可手抄本。 手抄本才是书籍的黄金标准，一件新出现的机械复制品要卖出去，得先让自己看起来像正品。印刷本其实已经比手抄本便宜得多——一部手抄圣经要五六个抄写员干十二年，古腾堡印一部只要六天，但他仍然选择让印刷本看起来像手抄本。

后来这些模仿一件都没留下：哥特体让位给罗马体，留白的首字母变成印出来的装饰，页边不再等谁来画。

但另一些东西留了五百年：册页装订，因为读者需要用手翻页；开本尺寸，受到读者能否单手持书的限制；行长和分栏，受到人眼一次能够扫视多大范围的限制。连今天的电子书都还在模拟“翻页”。

所以今天的书看上去仍然很像一本手抄本。这不矛盾，反而是关键：两种“像”的来路完全不同。哥特体模仿的是抄写员写出的字迹，开本尺寸适应的是读者持书翻阅的方式。 前者随着印刷技术成熟而消失，后者无论采用什么制书技术都得保留。

判断一处“像”能不能留住，不看它长得多像，看它照的是谁。

四百年后汽车又走了一遍：车厢照搬马车，车身上还留着给马车夫放鞭子的卡座，这些设计今天都已消失；而马车时代形成的路网，至今仍在约束着汽车的轮距和车道宽度。同一笔税在两个毫无关系的行业里被收了两遍，说明它是一种普遍机制，不是谁的设计怪癖。

二、人形的优势，和它的价格

机器人做成人形，是出于现实的成本考虑。世界已经按人的身体条件建好了：走道宽度、货架高度、料箱把手、门把手的安装高度和操作力度、楼梯的踏步尺寸——每一样都默认使用者是一个有胳膊、有手、能够保持平衡的工人。 所以人形机器人的核心优势不是灵巧，也不是智能，而是“被动的基础设施兼容性”：不用改造现有环境，就能进入这些空间工作。

Gartner 分析师 Bill Ray 把这种选择解释得很清楚：

“当一台机器人要一千七百万美元的时候，你会围着机器人重组整个工厂。但它现在不那么贵了。所以现在你想让它适配你已有的工作方式。”

道理并不复杂：以前机器人太贵，工厂愿意围着它改造产线，所以早期的工业机器人不需要做成人形。现在机器人便宜了，让它直接适应现有厂房，反而可能更省事。

外形不由想象力决定，由环境能不能改决定。

而这笔税不便宜：同等身高条件下，双足构型的制造成本约为轮式底盘的十倍，还没有算维持动态平衡增加的能耗，以及复杂关节和传动系统带来的维护成本。有个细节很说明问题：双足出故障会摔倒，倒下去会冲击物料、威胁产线安全；轮式出故障只是停在原地。 所以 2026 年国内工厂率先买单的是轮式双臂，而不是双足人形。

这里还有一个反直觉的地方。按照存量环境的逻辑，中国本该是人形机器人最好的市场——老旧厂房多，全面改造的成本很高。但现实相反，因为中国改造生产环境的成本本来就低：工装夹具定制、产线改造和非标自动化，不仅比欧美便宜，交付也更快。欧美工厂改一条产线可能要停产数周、成本高到需要董事会批准；中国工厂找一家非标自动化厂商，两周就能做出一套工装。改造环境越便宜，为了不改环境而多付十倍机器成本就越不划算。

所以人形机器人在中国真正的机会可能不在制造业车间，而在那些确实难以改造环境的地方：老旧建筑巡检、野外及高危作业场景，以及家庭——很少有业主愿意为了使用机器人重新装修住房。

三、Eno：把判据落到部件上

Genesis AI 发布 Eno 的时候，直接宣布了一句话：“人形机器人不必看起来像人。”

Eno 没有头，也没有腿，不追求完整的人形轮廓，而是安装在轮式底盘上。它只保留了类似人手的机械手，用来适配按照人手形态设计的工具和设施。

为什么手要像人，腿不用像人？

因为机械手需要操作工具、把手、料箱和按钮，而这些东西都是为人手设计的。机器人在平整地面上移动时，却不必复制人的双腿，轮式底盘反而更简单、更稳定。

这还是开头那条判据，只是落到了部件上：看这个部件必须对接的是什么。 对接的是为人设计的工具和设施，就得适配；直接面对物理环境，就不必模仿人。

而它比“要不要做人形”这种整机层面的问法有用得多，因为手、视觉系统、移动底盘、能源系统可以逐个判断，答案常常不一样。

四、比外形更靠前的一层：任务怎么定义

洗碗机不是一个人形机器人站在水槽边刷碗。

如果把任务定义成“完成刷碗这一系列动作”，那唯一的解就是造一只更好的手。但如果把它重述成“让碗变干净”，喷淋、高温、洗涤剂立刻就浮出来了——这套方案跟人手的动作毫无关系，效果还更好。1886 年那台最早的实用洗碗机就是这么来的。

所以想象力真正失灵的位置不在外形层，而在任务定义层。这也给接口税划出了边界：必须适应现有环境时，就要接受相应的成本；但如果连任务本身都照着人的动作来定义，多付出的成本就不是环境强加的，而是沿袭旧习惯造成的。

五、Computer-use agent 就是软件里的人形机器人

现在的 computer-use agent 怎么干活？看屏幕截图，移动鼠标，点击按钮，敲键盘。为什么？因为 GUI 是为人的眼睛和手设计的——菜单的层级、按钮的位置、表单的填写顺序，每一样都假设了一个有视觉、会点击、能读懂界面的操作者。

这和人形机器人是同一笔账，连论证结构都一模一样：软件世界已经按人建好了，逐个改造的成本太高，所以让 agent 学会用人的接口。

而 MCP 走的是另一条路：不让 agent 看屏幕，直接给它一个为机器设计的接口。 工具、参数、返回值都是结构化的，不需要视觉识别，不需要猜这个按钮点下去会发生什么。（协议怎么分层，此前那篇《MCP 连接工具，AHP 托管 Agent》里讲得更细。）

MCP 之于 computer-use agent，正如传送带之于人形机器人搬箱子。 MCP 为机器提供专用接口，computer-use agent 则让机器适应原本为人设计的界面。

一旦看清这种对应关系，机器人领域的结论就能直接搬过来：这两条路不是替代关系，而是分工关系。 MCP 适合高频、结构化并且能够改造的系统；GUI 操作则适合低频任务、异常处理，以及那些无法改造的系统，例如第三方 SaaS、没有 API 的老系统和需要人工核验的审批流程。

这个预测是可验证的：如果三年后 computer-use 的调用量占比在下降而绝对量在上升，说明它正在从主干道退到长尾，这条判断就成立。

六、落地：先看那个系统在谁手里

做 Agent 落地，最常见的顺序错误是一上来就做 computer-use。 反正界面已经存在，让 agent 直接操作即可，也不用协调系统负责人。这个选择在演示阶段最省力，在运维阶段却成本最高：界面一改版，整条流程就可能失效；点击行为难以审计和回放；权限只能按账号授予，无法细化到具体操作；出现错误后，也很难判断究竟是模型决策错误，还是界面元素定位错误。

所以动手之前，先看系统能不能改：

• 高频 + 结构化 + 系统你能改 → 建接口。做 API，接 MCP。一次性投入，换来长期的稳定性和可审计性。
• 低频 + 长尾 + 系统你改不动（别人家的 SaaS、没有 API 的老系统、一年跑几次的流程）→ 用 GUI。因为无法改造这些系统，使用 GUI 所产生的额外成本难以避免。

判断的关键从来不是“哪种技术先进”，而是那个系统的所有权在谁手里。你能改的环境，就别付税；改不了的，就老老实实付。

最后：有一种“像人”不会消失

AI 现在已经能写出人根本不需要读的代码。那为什么我们仍然要求它写出变量名有意义、注释到位的代码？

因为审查在人这边，责任也在人这边。

只要最终为结果签字的是人，交付物就必须保持人可读。这不是能力不足留下的过渡形态，而是一个永久约束——它不会随着模型变强而消失，反而会随着责任要求提高而加强。（关于责任为什么不能一起交出去，此前那篇《“人该去向何处”系列 03：AI 可以代劳，不能代你负责》讨论得更完整。）

所以开头那条判据还需要一个补充：要分辨一种“像人”是过渡形态还是永久约束，只需要问一句——最终是否仍由人来审查结果、承担责任。

所以回到最初那个问题，机器人为什么要像人？

因为世界是照着人建的，而重建世界比模仿人更贵。无法改造环境时，就要接受适配现有环境的成本。但在承担这项成本之前，先确认它确实来自环境限制，而不是沿袭旧习惯。