Anthropic 最新实验显示，其旗舰模型 Claude Opus 4.7 在无人工协助的情况下，操控四足机器人（机器狗）完成复杂任务的速度，比此前实验中表现最佳的人类团队快了约 20 倍。这一结果标志着大语言模型在物理世界交互能力上的显著跃升。

从辅助到自主：效率的指数级飞跃

早在 2025 年 8 月，Anthropic 进行了名为 "Project Fetch" 的首次实验，发现借助 Claude Opus 4.1 辅助的非专家团队，其表现显著优于仅依赖个人创造力的团队。然而，当时的模型尚无法独立完成任务，甚至在初步连接机器人阶段便会受阻。

随着模型能力的快速迭代，Anthropic 近期对 Project Fetch 进行了复测。在最新的实验中，研究人员仅负责硬件连接、输入初始提示词及批准关键命令，其余步骤均由 Claude Code 中的 Opus 4.7 自主执行。结果显示，Opus 4.7 不仅完成了所有任务，且在效率上实现了质的突破：

在人类团队曾完成的所有任务中，Opus 4.7 的速度至少快了 10 倍。

若对比双方均完成的四项核心任务，Opus 4.7 的平均速度比无 AI 辅助团队快 37 倍以上，比有 AI 辅助团队快 18 倍以上。

除了速度优势，代码质量也大幅提升。Opus 4.7 生成的代码量仅为此前有 AI 辅助团队的十分之一左右，且大部分代码首次运行即有效。尽管模型偶尔会默认使用过时的算法，但其具备自我修正能力，能绕过缺陷找到有效解决方案。

瓶颈犹存：精细闭环控制仍是难点

尽管在路径规划、传感器连接和基础移动等方面表现出色，Claude 在处理需要精细感知的 " 闭环控制 " 任务时仍显吃力。例如，在将沙滩球精准推回起始点的环节中，模型难以像经过练习的人类那样，根据球的实时位置误差动态调整指令。虽然它能将球撞向目标方向，但缺乏精确的控制策略，导致最终任务失败。

Anthropic 指出，这并不意味着大语言模型已完全解决机器人学问题，尤其是底层驱动策略的开发仍需专门研究。但实验揭示了一个清晰的技术演进路径：模型最初作为人类的辅助工具，随后人类帮助模型完善流程，最终模型在特定领域实现高度自主。

迈向 " 物理代理式 AI" 早期时代

此次进展并非源于针对机器人能力的专项优化，而是大语言模型规模扩展后涌现出的通用能力。Anthropic 认为，我们正步入 " 物理代理式 AI" 的早期阶段。正如 AI 模型已能熟练使用软件编辑工具进行自主编码，未来它们也将更轻松地调用现成的物理工具。

尽管要实现具备广泛物理适应性的通用机器人愿景仍面临巨大障碍，但模型能力的迭代速度表明，软硬件结合的自动化轨迹可能比预期来得更快。对于非专家用户而言，AI 正在大幅降低操作物理机器人的门槛，使人类能更快地从繁琐的编程调试过渡到高层级的控制与决策。

【星途科讯 图文丨周鑫雨 首发于 ZAKER 科技，转载请注明出处】