📌 核心发现

2026年6月18日，Anthropic发布Project Fetch Phase Two研究结果：Claude 4.7自主完成机器人任务的速度是人类团队的20倍，代码量不到传统方式的十分之一。

这不是抽象的AI会让编程更高效的预言，而是有具体数据、有实验对比、有代码统计的硬核研究。

本文将聚焦一个被大多数人忽视但极其关键的发现：LLM在物理世界的代码效率革命，以及它揭示的Agent三阶段范式演进。

🎯 一、Project Fetch：从扔纸球看LLM的物理世界能力

实验背景

Project Fetch的测试场景看似简单：让机器狗（Quadruped）从物理实验室的一端移动到另一端，捡起一个纸球，然后带回。

但这个任务实际上涉及多个复杂的物理操作环节：

任务环节	所需技能	难度
导航移动	路径规划、避障	中等
拾取物体	机械臂控制、抓取力调节	高
保持平衡	四足协调、重心控制	高
携带返回	多关节同步、环境感知	高

Phase One vs Phase Two 对比

实验阶段	工作方式	完成时间	相对速度
Phase One（人类团队）	人类机器人专家写代码	10天	1x（基准）
Phase One（+Claude辅助）	人类写代码，Claude辅助优化	5天	2x
Phase Two（Claude 4.7自主）	Claude 4.7独自完成全部	12小时	20x

关键洞察：Claude 4.7不是辅助人类编程，而是完全自主完成任务——从理解任务到编写代码到调试执行，全程无需人类干预。

📊 二、1/10代码量背后的效率革命

传统机器人编程的痛点

在机器人领域，存在一个长期被忽视的矛盾：

最懂机器人物理的人（机器人工程师），往往不是最擅长写代码的人。

这导致：

• 机器人专家用大量时间写低效代码
• 代码冗余、重复、难以维护
• 一个小功能的改动需要数天

Claude 4.7的代码效率

指标	人类团队	Claude 4.7	变化
代码量	100%（基准）	<10%	减少90%+
开发时间	10天	0.5天	缩短20x
人类干预	持续	0	完全自主
代码简洁度	中等	极高	模块化、可维护

为什么代码量能减少90%？

Anthropic分析发现，Claude 4.7生成的代码有以下特点：

1. 自动抽象：将重复逻辑封装为通用函数，避免Copy-Paste
2. 最优算法选择：自动选择最高效的数学方法和数据结构
3. 零冗余：没有为了调试而添加的临时代码
4. 自文档化：代码本身就是最好的注释

机器人工程师的启示：LLM不是替代你，而是让你专注于机器人物理本身，把繁琐的编程交给AI。

🔄 三、Agent三阶段演进：从帮助人类到模型自主

Project Fetch Phase Two的最大意义，不在于它完成了某个具体任务，而在于它验证了Agent能力从虚拟世界到物理世界的迁移。

阶段一：帮助人类（Help Humans）

代表：GitHub Copilot、Cursor Tab

模式：AI作为副驾驶，人类主导，AI辅助补全代码

特点：

• 人类写代码，AI提供单行/多行建议
• 人类负责架构设计和逻辑判断
• 适合日常编码、快速原型

阶段二：帮助模型（Help Models）

代表：Claude Code、Devin

模式：AI帮助AI——一个模型负责规划，另一个模型负责执行

特点：

• 多Agent协作，任务自动分解
• 人类只需设定目标和验收标准
• 适合复杂项目的端到端开发

阶段三：模型自主（Model Autonomy）

代表：Project Fetch Phase Two

模式：模型完全自主理解任务、规划、执行、验证

特点：

• 物理世界交互：不仅是写代码，还要操控真实硬件
• 闭环反馈：代码执行→观察结果→自我修正→重新执行
• 零人类干预：从任务描述到完成，全程自动化

关键转折：Anthropic观察到，能力从虚拟Agent（写代码）到物理Agent（操控机器人）的迁移，不是通过专门的机器人训练实现的，而是通用LLM能力自然涌现的结果。

🚀 四、为什么这是范式跃迁而非渐进改进？

1. 从编程工具到物理执行器

传统LLM（如Copilot）是软件工具——它帮你写代码，但代码怎么运行、是否有效，它不管。

Project Fetch Phase Two中的Claude 4.7是物理执行器——它写代码，然后直接操控机器人验证，根据验证结果自我修正。

这是根本性的区别：

• 软件Agent：输出是代码，人类负责执行
• 物理Agent：输出是物理世界的动作，AI闭环执行

2. 从专家专用到人人可用

Anthropic的Phase One实验揭示了一个有趣的事实：

人类团队之所以花了10天，不是因为任务本身难，而是因为机器人专家不擅长编程。

Claude 4.7的介入彻底改变了这一点：

• 你不需要是编程专家，只需要描述你想让机器人做什么
• LLM自动将自然语言转化为高效的机器人控制代码
• 这意味着机器人技术的民主化——任何人都可以用自然语言操控机器人

3. 通用scaling的涌现能力

最令人惊讶的发现：Claude 4.7的物理世界能力不是专门训练出来的。

Anthropic没有：

• ❌ 专门训练机器人控制数据
• ❌ 针对机械臂抓取做强化学习
• ❌ 收集大量物理交互数据

Claude 4.7的机器人能力来自：

• ✅ 通用LLM scaling：更大的模型、更多的训练数据
• ✅ 代码能力迁移：擅长写代码的模型，自然擅长写机器人控制代码
• ✅ 推理能力泛化：物理世界的运动规划，本质上是数学和逻辑问题

这意味着：未来LLM的物理世界能力，可能随着模型规模的增加而自然涌现，无需专门的具身智能训练。

⚠️ 五、Claude 4.7仍无法完成的任务

尽管成果惊人，但Anthropic坦诚地列出了Claude 4.7的局限：

任务类型	表现	原因
闭环精细控制	❌ 失败	精确控制机械臂抓取沙滩球需要实时视觉反馈闭环
物理环境变化	⚠️ 有限	环境突变时模型需要重新推理
多任务并发	⚠️ 有限	同时控制移动+抓取+平衡需要更高并行能力

关键局限：当前LLM是开环控制——它规划一次，执行一次，然后验证。而真正的物理世界需要闭环控制——持续感知、实时调整。

这恰恰是下一阶段（Phase Three）的研究方向。

🔮 六、对机器人行业的启示

1. 机器人工程师的角色转变

传统角色	新角色	变化
写机器人控制代码	定义任务和验收标准	从怎么做到什么
调试代码	验证物理结果	从代码调试到物理验证
手动编程	自然语言描述需求	从编程语言到自然语言

2. 机器人公司的战略调整

• 技术栈简化：不再需要庞大的机器人软件团队
• 产品迭代加速：从月到天的开发周期
• 成本大幅降低：人力成本减少，开发效率提升

3. 对具身智能研究的启示

传统具身智能研究的方向是：

1. 收集大量物理交互数据
2. 训练专门的机器人模型
3. 在仿真环境中验证

Project Fetch Phase Two提示了一种新路径：

1. 提升通用LLM的推理和代码能力
2. 让LLM自动生成物理控制代码
3. 在真实环境中闭环验证

这可能意味着：通用LLM的scaling比专门的机器人训练更重要。

📚 总结

Anthropic Project Fetch Phase Two的核心贡献，不只是展示了Claude 4.7能操控机器人，而是揭示了一个更深刻的趋势：

LLM的能力正在从虚拟世界（写代码）自然扩展到物理世界（操控机器人），而这种扩展的核心驱动力是通用scaling，而非专门的物理训练。

三个关键数据值得记住：

• 20倍：任务完成速度提升
• 1/10：代码量减少到原来的十分之一以下
• 0：人类干预次数（完全自主）

这不是未来的想象，而是已经发生的现实。

📖 参考资料

1. Anthropic原文：Project Fetch Phase Two (2026-06-18)
2. Anthropic Computer Use
3. Project Fetch Phase One

💬 讨论

你觉得LLM的物理世界能力应该通过通用scaling自然涌现，还是需要专门的机器人训练？

欢迎在评论区分享你的观点！👇

📢 声明：本文仅用于技术研究和学术交流，旨在帮助读者理解AI在物理世界的最新进展。

📝 关于本文：本文基于Anthropic 2026年6月18日发布的最新研究进行深度解读。如有理解偏差，请以原文为准。

🔥 如果这篇文章对你有帮助，欢迎点赞、收藏、转发！你的支持是我持续更新的动力！