前沿红队
Frontier Red Team
项目 Fetch：第二阶段
Project Fetch: Phase two
2026 年 6 月 18 日
Michael Ilie、C. Daniel Freeman 和 Kevin K. Troy
2024 年 8 月，我们进行了一项实验，旨在测试 Claude 能在多大程度上帮助 Anthropic 员工（他们并非机器人专家）使用现成的四足机器人（以下简称机器狗）完成复杂且有趣的任务。我们将此称为“项目 Fetch”。我们发现，当时最先进的模型（Claude Opus 4.1）帮助一个团队显著优于另一个只能依赖互联网和自身创造力的团队。启用 Claude 的团队完成的工作更多，速度也更快。
在将同事们拉到仓库进行实验之前，我们曾反复确认 Opus 4.1 能否完全独立完成这些任务。毫无疑问，它做不到。就像我们那个没有 Claude 的团队一样，它在解决如何连接机器人这一初步任务时就卡住了。
但 AI 模型的发展速度很快——甚至比去年 8 月差点撞上我们人类团队的失控机器狗还要快。
我们认为，是时候重新审视项目 Fetch，看看我们的新模型能否超越上一代了。结果不仅超越了，而且 Claude Opus 4.7——在无需人工协助的情况下——完成我们参与者不到一年前完成的所有任务，速度比最快的人类团队快了约 20 倍。
这并不意味着大语言模型（LLM）已经解决了机器人技术问题。远非如此。最新的 Claude 模型在使用机器人精确移动沙滩球（即项目 Fetch 中的“取回”部分）时仍然存在困难。而且，这些实验中的任何任务都不涉及机器人控制中更具挑战性的底层元素，例如开发特定的驱动策略。然而，我们再次看到一种模式：首先，模型对人类有帮助。然后，人类对模型有帮助。最后，模型在很大程度上能够自己做事。我们在网络安全领域已经看到了这一点，现在同样的动态开始在 AI 与物理世界的交汇处显现。
我们做了什么？
What did we do?
最初的项目 Fetch 让 Anthropic 员工团队（随机分配为使用或不使用 Claude）完成以下步骤：使用制造商提供的控制器操作机器狗，连接机器狗的视频和激光雷达（lidar）传感器，编写并运行程序以手动控制机器狗，开发一种监控机器狗空间路径的方法，编写程序检测沙滩球，最后将所有步骤整合起来以自主取回球。
在这次自主更新的实验中，我们无法要求 Claude 使用物理控制器，也没有评估研究人员使用 Claude 编程的控制器取回球所需的时间（尽管我们确认了它能按预期工作）。在剩余的子任务中，我们使用 Claude Code 中的自适应思维（adaptive thinking）并将努力程度（effort）设置为最大，对 Opus 4.7 进行了三次试验。我们测量了每个目标的耗时，并对模型的成功程度进行了定性评估。
我们研究人员的角色仅限于将运行 Claude Code 的笔记本电脑连接到机器狗，输入初始提示，批准命令，并批准模型进入下一个任务。
Claude 在哪些方面表现出色？
Where did Claude excel?
非常简单：在 8 月份至少有一个人类团队完成的每一项任务上，Opus 4.7 完成相同任务的速度至少快十倍¹。如果考虑两个人类团队都完成的四项任务，Opus 4.7 平均比无 Claude 团队快 37 倍以上，比有 Claude 团队快 18 倍以上。
下表比较了原始团队（有 Claude 团队和无 Claude 团队）与 Opus 4.7 在第二阶段测试的所有任务上的速度。
人类在多种连接机器狗传感器的方法之间难以抉择，而 Opus 4.7 能够快速识别最佳路径。它编写的大部分代码在首次尝试时就有效（这在原始实验中对于有 Claude 团队和无 Claude 团队来说并非如此）。事实上，当我们查看 Opus 4.7 生成的代码量时，就能看到其效率的证据：它比两个人类团队都更成功或同样成功，同时生成的代码量比有 Claude 团队少了近十倍。
Opus 4.7 并非完美无缺。例如，它默认使用了过时的目标检测算法。但即便如此，它也能绕过这个问题并找到有效的解决方案。
我们观察到模型完成的步骤在完成时间上（绝对值）几乎没有任务内差异（尽管前面提到的次优算法选择很可能是导致一次沙滩球检测试验耗时远长于其他试验的原因）。总体而言，对于本次实验中在其能力范围内的任务，Claude 现在已经相当可靠。（关于 Claude 仍然无法完成的任务的分析，请参见下一节。）
值得强调的是（正如我们在上一篇文章中所做的那样），这一进步并非源于为提高模型机器人能力而进行的协同努力。这些改进，如同 LLM 发展史上的许多其他改进一样，源自更通用的扩展（scaling）。
Claude 在哪些方面存在困难？
Where did Claude struggle?
通过手动操作和一些练习，我们的人类参与者能够操控机器狗轻轻地将沙滩球推回起点（一块人造草皮）。这需要快速感知球是否偏离路线、该误差与先前指令的关系、球现在的位置，以及如何调整后续输入以更精确地移动球。这是一种人类擅长的闭环控制（至少在犯一些错误并从中学习之后）。
在我们的第二阶段实验中，Claude 难以捕捉这种微妙之处。与那些进入需要编写程序以自主取回沙滩球阶段的人类一样，Claude 能够将机器人移动到球后方，并将其定位以将球击回起点。但这样做的努力控制不佳，并且（再次像我们的人类参与者一样）未能成功。
我们一位比第一阶段志愿者拥有更多机器人经验的研究人员成功完成了自主取回任务的编程。我们认为，只要有更多时间和额外的框架支持，当前世代的 Claude 很有可能也能做到这一点。然而，我们接下来将关注的是，模型能否以它们在项目 Fetch 其他元素上所展现的速度和可靠性来完成这最后一项任务。
这意味着什么？
What does this mean?
在撰写关于第一阶段的文章时，我们强调了 LLM 如何能够为需要使用机器人的非专业人类提供提升。现在这一点比以往任何时候都更加真实。模型现在能够更快地自行完成以前需要人类和模型结对编程的工作，这意味着人们可以更快地过渡到控制和操作机器人。而对于某些任务，人类在回路中控制机器人可能仍然胜过 AI 模型（用其虚拟手指操作方向键）。
有趣且不同之处在于，我们现在似乎更接近这样一个世界：模型将能够相对轻松地使用现成的物理工具——至少在有限用途上是如此。这类似于 AI 模型在向更具代理性的编码过渡时使用现有的软件编辑工具（如字符串替换）。我们很可能正在进入物理代理性 AI（physical agentic AI）的早期时代。
需要更多的研究来理解模型使这些物理工具更具定制性的能力，无论是通过编写针对特定任务的控制策略，还是通过设计机器人系统。而且，实现这种更具通用性的、具备物理能力和适应性的语言模型愿景，可能存在重大障碍。但正如我们所见，模型能力上看似巨大的差距可以迅速跨越。模型构建自己的软件工具在不久前可能还显得古怪，但这正在发生。排除硬件领域出现同样轨迹的做法是不明智的。