“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
人形机器人为何难以在短期内超越人类工人？
人形机器人虽在表演和运动上惊艳，但在实际物体操控、泛化能力、长时任务及经济安全性上仍远未成熟，短期内难以取代人类工人。
一、来自演示的震撼与误解
过去两年，人形机器人的进步让公众眼花缭乱：2024年10月，特斯拉的Optimus机器人在活动中为嘉宾倒酒，马斯克声称“Optimus不是预录视频，不是隔离的，它们会走在你们中间”。2026年2月，中国宇树机器人在春晚表演了流畅的武术舞蹈，包括旋转、跳跃甚至后空翻，相比2025年僵硬的手帕舞进步显著。几天前，在北京世界人形机器人运动会上，机器人百米跑出8.86秒，超过博尔特的人类纪录。
这些演示让很多人既惊叹又焦虑——如果机器人能跳舞、跑步、倒酒，那离取代工人还有多远？然而，与众多机器人专家的交流揭示了一个更细腻的图景。Physical Intelligence联合创始人Karol Hausman指出，人们（包括他自己）“并不擅长评判机器人领域的进展，也不擅长分辨什么才是真正令人印象深刻的”。机器人能完成对“人类来说非常困难”的杂技动作，但“拿起一个可乐罐这样简单的事，却非常非常困难”。
二、远程操控与舞蹈的假象
许多最惊艳的演示其实依赖远程操控（teleoperation）。例如，2024年特斯拉Optimus倒酒很可能就是远程操控——硬件足以胜任酒保，但软件尚不支持，于是特斯拉雇佣人类操作员远程控制。而宇树舞蹈虽非远程操控，但舞蹈并不能说明机器人的实用能力：地板是固定的，舞蹈不需要与可变物体交互。大多数体力劳动涉及与真实世界物体的交互——装箱、钉钉子、翻汉堡等，而这远比训练跳舞更难。
三、核心难题：物体操控与泛化
Genesis AI总裁Theophile Gervet强调：“机器人领域真正核心且未解决、却解锁了90%以上价值的问题是操控（manipulation）。”拿起一个物体不仅改变其位置，还可能改变其形状；不同物体（如枕头、薯片袋、水杯）对操控的反应千差万别，难以用通用模型建模。
2025年9月，机器人专家Benjie Holson（前谷歌X，现OpenAI）发起“人形机器人的奥运会”：15项操控任务，对一个8岁孩子来说都轻而易举——三项是开门，一项是用面包和密封花生酱做三明治，最难的恐怕是剥橙子。Holson穿上银色机器人服演示视频。三个月后，Physical Intelligence宣布成功完成其中10项，Holson对此表示“不可思议”。
然而，成就有个大前提：研究人员通过反复“牵线木偶”式遥操作机器人收集数据，再微调模型。例如，翻袜子训练了176个成功示范（约8小时数据）；剥橙子剥到研究人员说“街角杂货店可能注意到橙子销量激增，公司里爱吃橘子的人已经吃到腻”。即便如此，机器人完成几乎所有任务的时间是人类的4到10倍，成功率仅52%！这并非否定Physical Intelligence的成果，而是说明当前机器人操控能力距离实用还有鸿沟。
四、泛化能力缺失
人类工人极其灵活：能执行各式任务，且能在工作中轻松学习——目前没人知道如何让AI机器人模型具备同样的泛化能力。机器人在单一、受限场景学会的技能，无法迁移到稍微变化的任务中。例如，会开一扇门不等于会开所有门；会剥一个橙子不等于能处理不同品种或软硬度。
五、长时任务与复杂流程
如今最惊艳的机器人演示都是几分钟内可完成的任务，但人类工人常承担以小时计的工作——“重建汽车发动机”“组装厨房橱柜”等。培训机器人完成长时项目，需要额外技能：跟踪已完成部分、适应环境变化、规划长序列动作，这些在短视频演示中完全未触及。Holson的“机器人奥运会”任务短，但仍需训练大量数据；长时任务的数据需求将指数级增长。
六、现实部署的经济与安全障碍
一旦尝试将机器人推向现实，经济和安全问题便凸显：
- 稳定性：机器人需连续工作数小时不故障，硬件可靠性是巨大考验。
- 成本：制造、训练、维修都需高昂成本。目前一个人形机器人的生产制造费用在几万到几十万美元，且训练数据获取（遥操作收集）极其昂贵。
- 安全性：与人类近距离作业，必须极其安全，任何失控都可能造成人员伤害或财产损失，需达到工业级安全标准并过监管关。
这些问题需要多年甚至数十年才能逐步解决。
七、未来展望：乐观但清醒
人形机器人领域近年确实进步巨大，从僵硬行走迈向灵活后空翻，从预录演示到部分自主操控，这是工程师们辛勤工作的成果。但我们必须清醒：这些进步离人们想象中“替代人类工人”的图景还有很长的路。
正如Karol Hausman所言：“我们离通用机器人还有很远。”研究者需在操控、泛化、数据效率、长时推理、硬件鲁棒性与成本等方向持续突破。短期看，机器人在特定工业场景（如重复性搬运、精准装配）可能逐步应用，但广泛取代人类工人——尤其是涉及复杂非结构化任务的服务业——仍是遥远的未来。
参考文献：
- Holson的“人类机器人奥运会”及其结果：Source
- Physical Intelligence的操控成果报道：Scientific American，2026年1月。
- 作者对多位机器人专家的访谈（2025-2026年）。
原文链接：https://www.understandingai.org/p/why-humanoid-robots-wont-catch-up