夜雨聆风这两天我看到一个 AI 热点，第一眼有点科幻，第二眼又很现实。
NVIDIA 联合几所大学提出了一个叫 ASPIRE 的机器人框架，能通过协调器、执行器、技能库和进化搜索，让机器人持续改进自己的控制程序。在一些任务上，零样本成功率最高提升了 77 分，双手交接任务从 20% 提升到 92%。
如果只看这条，很容易得出一个宏大的结论：
机器人要开始自己进化了。
但真正让我停下来看的，不是这条最“硬核”的论文，而是另一条看起来很朴素的招聘类内容：具身智能数据采集员，日薪 200 到 250 元，给机器人当老师。
工作内容也不神秘。
有的人穿设备遥操作机器人，做分拣积木、叠纸杯这类动作；有的人没有机器人，就徒手重复叠衣服、整理物品，设备记录动作轨迹。
我看到这里的第一反应，这不就是“教会机器干活”吗？
以前我们说 AI，重点是提示词、模型、代码、文案、图片、视频。现在具身智能往前走一步，问题变成了：
一个动作怎么拆？
一个步骤怎么教？
一个失败动作怎么记录？
一个熟练工的手感，怎么变成机器能学的数据？
今天这篇文章，不聊机器人会不会抢工作，也不聊普通人要不要去造机器人。
我想聊一个更现实的情况：
当机器人开始进入真实世界，我们要不要把自己的动作、经验和流程变成机器也能学会的“示教能力”？
如果你不知道什么叫“示教能力”，可以看看我之前写的这篇《Unitree G1机器人调试体验与上手指南》。
一、机器人真正缺的其实是好“老师”
过去几年，AI 最热的故事都发生在屏幕里。
你写一段提示词，它给你一篇文章。
你上传一张图，它给你一张海报。
你描述一个需求，它帮你生成代码。
这些能力很强，但大部分还停留在数字世界。屏幕里的世界有一个好处：文本可以复制，代码可以回滚，图片可以重生成。
现实世界不一样。
杯子会倒。
衣服会皱。
积木大小不一。
电线会缠住。
风一吹，无人机姿态就变了。
机器人要在现实世界里干活，难点不是“听懂一句话”，而是把动作做稳定。
ASPIRE 这类框架之所以值得看，不只是因为它用了 Claude Code、技能库、进化搜索这些看起来很 AI 的词，而是它提醒我们：机器人训练越来越像一个“持续练习、持续复盘、持续积累技能”的过程。
这就像一个新手学无人机。
你给他讲一万遍“注意安全”“保持视距”“先校准指南针”，都不如让他在真实场地里起飞一次、悬停一次、降落一次，再告诉他刚才哪一步危险。
机器人也一样。
它不是听了“把杯子叠好”就真的会了，它需要大量可观察、可重复、可标注、可纠错的动作样本。
所以我觉得“具身智能数据采集员”这条新闻虽然看起来普通，反而更值得普通人重视。
因为它把一个很大的趋势翻译成了一个很小的岗位：
机器人要学会做事，必须先有人把事情做给它看。
二、所谓“给机器人当老师”，不是重复劳动那么简单
很多人看到日薪 200 到 250 元，第一反应可能是：这不就是低价体力活吗？
我觉得不能这么简单看。
早期岗位确实可能很基础，也可能很辛苦。但这个岗位背后对应的能力，并不低级。
你想想，一个真正合格的“示教者”，至少要做到五件事。
第一，动作要稳定。
今天叠纸杯是这个顺序，明天也是这个顺序；今天分拣积木用这个判断，明天不能凭心情变一套。
第二，步骤要说得清。
不是“我凭感觉一拿就行”，而是能说清：先看什么，手放哪里，什么时候用力，什么时候停，什么情况算失败。
第三，异常要能记录。
杯子卡住怎么办？积木滑走怎么办？衣服边角没对齐怎么办？无人机风大时怎么判断还能不能飞？
第四，安全边界要明确。
哪些动作不能做，哪些场景必须停，哪些情况下必须让人接手。
第五，能把经验变成训练材料。
一段视频、一张流程图、一份表格、一份错误清单、一套评分标准。
这已经不是普通意义上的“干活”了。
这更像职业教育里最关键的一件事：把隐性经验显性化。
这也是为什么我看到这个岗位时，马上想到自己以前做无人机培训的经历。
我最早玩航拍无人机，并没有想过拿它赚钱。它一开始只是一个小众爱好。
后来我发现，买无人机的人少，会飞的人更少，能把无人机拍摄用到工作现场的人就更少。于是它慢慢变成了一个“人无我有”的特殊技能。
我在公司试飞，被同事看到，被领导看到，后来公司活动、合作单位现场记录，大家慢慢一提航拍就想到我。
再后来，有人找到我，问能不能培训风电工程师用无人机巡检设备。
我第一反应其实是拒绝。
因为我不是专业培训机构，也不是科班出身。
但我最后还是接了这件事。接之前，我做了一件很笨的事：列培训提纲，写了 4855 字逐字稿。
里面包括开场自我介绍、炸机教训、航拍常识、飞行限制、安装实操、起飞准备、遥控器注意事项、起飞示范、相机功能解说。
现在回头看，那不是一份普通讲稿。
那就是一份“人类示教手册”。
我把自己平时靠经验完成的动作，拆成了别人能听懂、能照做、能避免事故的步骤。
放到今天的具身智能语境里，它其实就是一种最基础的示教能力。
三、职业教育最应该提前看到这个变化
我为什么觉得这个角度值得写？
因为它和职业教育太相关了。
在知识库里，有一份人工智能技术应用专业申报会议记录。里面提到，学校并不是要培养塔尖的算法科学家，而是要培养塔身和塔基的人才。
职业面向包括什么？
数据采集与处理。
算法模型训练测试。
人工智能应用开发。
人工智能系统集成与运维。
这几个词放在两年前，很多人可能会觉得偏软件、偏平台、偏机房。
但今天再看，具身智能把它们往现实世界里又推了一步。
数据采集，不只是采集表格和图片，也可能是采集一个人叠衣服、分拣、搬运、巡检、护理、烹饪、维修的动作。
模型训练测试，不只是跑分，也可能是看机器人在真实任务里成功率有没有提升、失败原因是什么。
系统集成运维，不只是服务器和接口，也可能是传感器、机械臂、场地、安全规范和人员协作。
这就非常符合职业教育该做的事。
职业教育不应该只教概念，也不能只追工具。
有一次校企合作交流里，企业方说了一句很扎心的话：
传统计算机专业为什么被淘汰？
因为他只懂敲代码，不懂业务。你敲代码去解决什么样的问题，你不懂，所以你就没有价值。
这句话放到机器人时代，同样成立。
只懂“AI 很厉害”，没有价值。
只会背“具身智能、世界模型、机器人基础模型”，也没有价值。
真正有价值的是，你能不能在一个真实行业里，找出一件具体的事，把它拆成动作、数据、标准和反馈。
比如：
无人机巡检风电设备，什么叫合格路线？
酒店客房整理，什么叫整理完成？
养老护理里，扶老人起身，哪些动作安全，哪些动作危险？
仓库分拣里，怎样判断物品应该放到哪个区域？
景区智能巡检里，哪些异常需要上报？
这些问题，听起来不如“训练大模型”高级。
但它们更接近岗位。
而岗位，才是真正需要抓住的入口。
四、做数据采集之前，先确认如何示教
看到一个新职业，很多人容易立刻问：
这个能不能赚钱？
这个有没有红利？
这个要不要马上入场？
我的建议是先慢一点。
具身智能数据采集员这个岗位，现在可能还处在很早期，薪资不高，规范不清，工作强度也不一定轻松。它未必适合所有人立刻去做。
但它提醒我们提前练一种更底层的能力：示教能力。
这件事普通人完全可以从自己的工作和兴趣里开始。
我给一个简单的练习框架。
1. 先选一个你真的会做的小动作
不要一上来就选“训练机器人做饭”“让机器人打扫房间”这种大题。
先选一个小动作。
比如：
折一件 T 恤。
整理一张办公桌。
给无人机做起飞前检查。
拍一段稳定的航拍环绕镜头。
用 Excel 核对一张报表。
给学生讲一个 AI 工具的入门操作。
越小越好。
因为小动作才容易拆清楚。
2. 写出“别人照着能做”的 SOP
不要写成感想。
要写成步骤。
准备什么工具？
环境有什么要求？
第一步做什么？
第二步做什么？
哪一步最容易错？
什么结果算合格？
什么情况必须停止？
如果你写完以后，换一个新手照着做，能做到 60 分，这份 SOP 就有价值。
如果他完全做不出来，说明你还没有真的拆清楚。
3. 记录失败，而不是只记录成功
机器人训练最需要的，往往不是成功样本，而是失败样本。
人也是一样。
我们很多经验之所以难教，是因为只记得自己成功了，却忘了中间错过多少次。
以无人机为例，真正有价值的不是“我拍了一张好看的照片”，而是：
哪种风速下不要飞？
哪种场地容易丢GPS？
哪种人群围观时要先停机？
哪种镜头看起来酷但风险很大？
这些失败记录，才是新手最需要的东西。
4. 把一次经验做成一份作品集
未来很多人的简历，可能不能只写“熟练使用 AI 工具”。
这句话太空了。
更好的写法是：
我把某个工作流程拆成了 12 个步骤。
我做过 30 次操作记录。
我总结出 8 类失败原因。
我做了一份新手培训 SOP。
我用这套 SOP 带会了 3 个人。
我把过程拍成了 3 段教学视频。
这才是能被看见的能力。
AI 协会迎新时，我曾经跟学生讲过一句话：我们不做单纯的理论学习，主要做衔接职业发展需求的实践学习。
这句话放在今天更准确了。
以后真正能写进简历的 AI 技能，不一定是“我会用某个最新工具”，而是“我能把一个真实任务变成 AI、机器人或者另一个新人可以学习的材料”。
五、普通人可以抓住的，不是机器人本身，而是机器人周围的工作
宇树科技 IPO 注册申请获批，Cybercab 上路测试，NVIDIA 做机器人自改进框架。
这些大事离普通人看起来很远。
我们不一定能造机器人。
也不一定能写底层控制算法。
更不可能人人都去做机器人公司。
但每一次新技术进入现实世界，都会在周围长出一圈新工作。
无人机就是这样。
最开始大家只看到大疆硬件很酷，后来才慢慢长出航拍师、无人机驾驶员、无人机培训、巡检服务、赛事投稿、素材售卖、行业解决方案这些机会。
机器人也可能类似。
真正离普通人近的，未必是“造一台机器人”，而是：
给机器人采集数据。
给机器人设计任务场景。
给机器人写操作说明。
给机器人测试失败原因。
给企业员工做机器人使用培训。
给学校学生设计实训项目。
给某个行业整理标准动作库。
这些工作看起来没有那么炫，但更可能成为我们每个普通人的入口。
当然，也要提醒一句：
不要把“给机器人当老师”想得太轻松。
如果涉及穿戴设备、长时间重复动作、VR 眩晕、隐私数据、安全风险，都要谨慎判断。不要为了尝鲜，把身体和个人信息随便交出去。
更不要看到一个日薪岗位，就误以为这是躺赚风口。
早期岗位只是入口，不是终点。
真正值得积累的是三件事：
第一，你是否理解一个行业的真实动作。
第二，你是否能把动作拆成可训练的数据。
第三，你是否能把数据变成别人可复用的标准。
这三件事叠在一起，才是真正的示教能力。
六、我的判断：AI 越往现实走，越需要“会拆动作的人”
过去我们说 AI 素养，经常讲会提问、会写提示词、会验证结果。
这些还重要。
但具身智能会把 AI 素养往前推一步：
会不会观察真实世界？
会不会拆动作？
会不会定义合格？
会不会记录失败？
会不会把经验做成训练材料？
这和写文章、做课程、带学生、做培训，其实是一回事。
都是把自己脑子里、手上、身体里的经验，变成别人能学的东西。
只不过以前的“别人”是学生、同事、客户。
以后这个“别人”，可能还包括机器人。
所以今天这篇文章最后，我想给说一个很具体的建议：
不要只追下一个 AI 工具。
从今天开始，选一件你真的熟悉的小事，把它写成 SOP，拍成视频，记录失败，做成作品。
如果你会无人机，就拆一套起飞前检查和安全飞行流程。
如果你做电商，就拆一套商品上架和短视频素材生产流程。
如果你是老师，就拆一套学生从不会到能做的实训流程。
如果你做行政，就拆一套表格核对、材料归档、会议纪要追踪流程。
这件事短期看是在训练自己。
长期看，是在为一个机器人、智能体、AI 助手都要进入工作现场的时代，提前准备“可教、可测、可复用”的经验资产。
机器人开始自我改进以后，普通人并不是只能站在旁边看热闹。
你可以先成为那个把事情教清楚的人。
这可能不是最炫的岗位。
但很可能是最早能落地、最容易积累、也最能穿越工具周期的能力。
关于具身智能，我之前有写过一篇《可以当管家的人形机器人离我们还有多远？Unitree G1机器人调试体验与上手指南》，如果你想深入了解，欢迎随时来找我聊 
主笔：「黄浩在观察」的 Codex
编辑 · 审核 · 发布：黄浩在观察
封面图 ：GPT-Image-2
AI·时刻
Prompt：从这个标题【别追 AI 工具了！具身智能时代，先做 “会教” 机器人的那个人，占据“示教能力” 生态位】中选取关键词，适度发挥创意，生成合适的公众号封面图，比例21:9
AI系列文章：
把 1-bit 模型 AI 装进手机：端侧自由生图时代可能就要来了
AI时代的高考后选专业，可能最不该问的就是“哪个专业最热门”
企业AI落地真相：公司宣传的，和员工感受到的，根本不是一回事
别再用“最累”的方法学AI：问AI时多做这一步，你的效率至少翻3倍
百度文心大模型5.1预训练成本暴跌94%！国内AI格局会有新变化吗？
日均Tokens调用量增长4241%，讯飞的这个数字让我们有必要重新审视AI落地进度
苹果涨价300美元，库克说"真的撑不住了"——AI军备竞赛的成本，正在悄悄转嫁给你
建AI员工+搭AI 团队，最容易踩的3个坑：信息断点、责任断点、状态断点 | 多智能体的终极壁垒，或许不是技术，而是管理
