中國正在快速擴大人形機械人生產，美國則仍在為數據中心、電力供應、審批和成本爭論。把兩幅畫面放在一起，很容易產生一種焦慮：中國已經進入機械人時代，美國卻還在討論給AI建多少數據中心。
這種擔心並非毫無根據，但可能把問題看反了。
今天人工智能最奇怪的地方，是「大腦」和「小腦」的發展嚴重失衡。
最先進的大模型已經能夠寫程序、分析文件、解決數學問題、制定計劃，在不少認知任務上甚至超過普通工作人員。假如讓AI理解一句「把廚房收拾乾淨」，它大概不會不知道這句話是什麼意思，也不會不知道碗應該放在哪裏。
真正困難的是下一步。
機械人怎樣拿起一個濕漉漉的玻璃杯而不讓它滑落？怎樣發現插頭偏了兩毫米，自動調整手腕？踩到軟地毯怎樣保持平衡？有人突然從旁邊撞過來，怎樣既不摔倒，也不把人撞傷？
這些事情，人甚至不需要思考。
小腦、腦幹、脊髓以及大量感覺運動迴路早已替我們完成。一個智力普通的人不會解微積分，卻可以一邊說話一邊下樓梯，手裏的杯子快滑落時甚至來不及產生一個完整念頭，手指已經自動增加了力量。
機器卻恰恰相反。
它已經會解題、寫詩、編程，卻還不會可靠地使用自己的身體。
因此，從改善人類生活的實用角度看，Physical AI當前最短的木板，可能已經不是「大腦」，而是「小腦」。
這也意味着研發思路值得改變。
當然應該繼續有人追求更強的大模型，就像體育界永遠應該有人挑戰百米九秒。但普通社會並不需要幾十億個百米運動員。一個人跑十五秒、二十秒，絲毫不妨礙他生活和工作。
機械人也是一樣。
我們並不需要家庭機械人跑百米九秒，也不需要它後空翻，更不需要它把人類運動員全部擊敗。
先做到一個普通成年人能夠做到的事情就夠了。
站得住，走得穩，東西拿得牢，插頭插得准，遇到障礙會繞，碰到人會收力，摔倒能夠起來，東西滑了知道補救。
而且連續八小時不闖禍。
如果這個目標能夠達到，即使高級AI從今天開始幾年不再進步，意義都已經非凡。因為今天已有的AI大腦，已經足以理解大量普通人的工作要求。缺少的只是一個能夠把這些要求可靠變成物理動作的身體。
那麼為什麼不能反過來，用已經相當聰明的「大腦」訓練「小腦」？
而且不必急着一步造出萬能機械人。
先訓練插電纜。
在數據中心製造幾百萬種虛擬情況：位置偏一點，角度歪一點，摩擦力不同，視覺有噪聲。讓高級AI、強化學習和物理模擬不斷試錯，最後把成功策略壓縮成一個小模型。
做好以後裝進機械人。
然後訓練抓杯子，再訓練平衡，再訓練上下樓梯、開門、使用工具、碰撞反射。
一個一個來。
最初也許有一千個低級技能，後來逐漸發現它們共享某些基本原理，於是一千個變成一百個模塊，一百個模塊又逐漸統一成十幾個系統。最後，或許才出現真正意義上的「人工小腦」。
這樣看，數據中心的意義也可能與今天的想像不同。
未來當然需要大型數據中心繼續訓練最先進的AI，但機械人增加一百倍，並不意味着數據中心也必須增加一百倍。
昂貴的算力可以負責訓練，訓練出來的能力則可以蒸餾、壓縮，最終裝進機械人的本地晶片。
數據中心負責上學，機械人畢業以後自己工作。
第一套「人工小腦」也許耗費幾十億美元訓練，但第1000萬套不需要重新訓練，只需要複製晶片和軟件。
這也改變了美中機械人競爭的觀察方法。
中國今天最大的優勢非常清楚：機械人身體便宜，供應鏈完整，生產速度快，真實機器數量多。這些都是真本事。
美國的問題則是身體貴、製造規模暫時較小。
但美國並不是造不出機械人身體。更重要的是，美國目前仍擁有頂尖AI、高端訓練晶片、龐大算力和深厚的軟件體系。
如果真正的瓶頸是「小腦」，那麼美國最重要的事情就未必是今年一定要生產比中國更多的人形機械人，而是把現有優勢壓向這個瓶頸。
讓一部分公司繼續挑戰更聰明的大腦。
讓另一批公司專門干那些看起來一點也不高端的事情：
把抓取做到可靠，把平衡做到可靠，把插接做到可靠，把觸覺和力反饋做到可靠。
一樣一樣來。
身體即使開始貴一點也不要緊。因為機械人還有一個過去工業品少有的特點：機械人最終可以參與製造機械人。
只要第一代真正能夠工作，它就可以進入零件廠和裝配線。第二代成本下降，再生產第三代。今天美國製造業人工成本高的問題，恰恰可能由機械人自己逐漸解決。
當然，中國也完全可能先突破。
如果中國不僅能夠製造廉價身體，還依靠自己的AI、晶片和軟件率先造出了成熟「人工小腦」，那就應該承認：中國這一局做得更好。
現在卻沒有必要提前宣佈勝負。
Physical AI真正改變世界的那一天，未必是機械人第一次跑進九秒，也未必是第一次完成漂亮的後空翻。
更可能是一個毫不起眼的早晨：
一個動作並不漂亮的機械人起床工作，走路不摔，東西不掉，插頭不壞，碰到人知道躲，連續干八小時，然後第二天繼續上班。
AI的大腦已經足夠令人驚訝。下一道真正改變普通人生活的門檻，也許只是讓它擁有一個普通人的「小腦」。