既然不能去现场，我就复盘了斯坦福“炒菜机器人”的技术闭环。今天刷到他们那个 Mobile ALOHA 的 demo，说实话，第一反应是焦虑。不是焦虑它多先进，是焦虑它背后的“技术闭环”逻辑，和我过去六年搞的那些野路子项目，底层竟然他妈的一样。
2016年我死磕微信小程序，给餐饮店做扫码点餐。你以为真是为了“智慧餐饮”？屁。是为了抓用户 openid，做私域流量池。后端用 Python 爬竞品菜单价格，前端用 Axure 画原型忽悠老板加钱上“会员系统”。闭环是什么？是流量进来（扫码）-数据沉淀（消费记录）-二次触达（模板消息发优惠券）-复购。斯坦福那机器人呢？感知（摄像头看锅）-决策（模型判断菜熟了没）-执行（机械臂翻炒）-反馈（传感器调火候）。结构一模一样：感知、决策、执行、反馈。只不过我的“传感器”是爬虫和后台统计，他们的传感器是物理的。我的“执行器”是发模板消息，他们的执行器是机械臂。
流量红利消失后，存量博弈就是看谁的闭环更紧、漏损更少。我以前那个点餐系统，漏损在哪？用户扫码点了，但可能去柜台付现金，消费数据就断了。或者服务员图省事，直接手写单子，我爬来的数据全废了。为了堵这个漏，我让开发在订单提交环节强制弹窗“请务必在线支付以享受会员价”，还在后台给老板看“漏损报表”，制造焦虑。这就是在修闭环的“反馈”环节。你看斯坦福机器人，他们肯定也疯狂测试“漏损”：菜叶粘锅了传感器没识别到怎么办？翻炒力度不够导致受热不均怎么办？每个“怎么办”后面，都是一堆 if-else 和模型调参，目的就是把意外情况都纳入闭环里。
当大厂都在抢存量时，我这种“小节点”反而在细分市场更滋润。这话不是自我安慰。大厂抢的是平台级存量，他们要的是海量数据、通用模型。但一个沙县小吃老板，不需要通用模型，他只需要确保“今天来的30个老客，有25个通过小程序点了餐并且付了款”。我的闭环只需要在这一个店里跑通，数据量小，反馈快，今晚发现漏损，明早就能改代码上线。斯坦福的机器人，现在也只能在实验室环境炒那几个固定菜式，这就是它的“细分市场”。它不需要今天就去五星酒店后厨颠勺，只要证明“在设定场景下闭环能稳定运行”，价值就出来了。
我现在做的健身教练内容交付也是这个逻辑。以前总想做个平台，整合所有教练和学员，结果死在管理上，心力交瘁。现在回归个人，闭环就小多了：感知（学员打卡数据、饮食照片）-决策（我根据数据调整下周计划）-执行（发定制化的训练视频和饮食清单）-反馈（学员执行后的体感反馈和新的数据）。这个环越小，我控制力越强，漏损越少。学员有没有偷偷喝奶茶？以前管不了，现在通过饮食打卡照片和每周称重，这个“传感器”精度就高多了。
看斯坦福的论文，他们用了模仿学习和视觉语言模型。拆开看，模仿学习对应我过去“抄”竞品模式，视觉语言模型对应我“解读”后台数据图表的能力。技术栈天差地别，但思维模型没变：都是在一个限定领域内，用尽可能多的“传感器”获取信息，用尽可能合理的“模型”做决策，用尽可能可靠的“执行器”去动作，然后死死盯住“反馈”去迭代。红利期，大家比的是开环速度，谁圈地快谁赢。现在存量期，比的是闭环质量，谁的系统漏得少、转得稳，谁才能活下来。炒菜机器人炒的不是菜，是一套在物理世界跑通最小闭环的方法论。我这几年在数字世界里折腾的，本质上也是同一件事。这么一想，焦虑少了点，反而觉得路更清楚了。
