试错这么贵，谁来托举深海自主化

先从成本说起。深海作业有一个特殊的计价单位，叫“船天”（full vessel day）。一艘母船出海后，无论机器人是在工作，还是因为天气、故障、作业窗口而等待，船、人和整套支持系统的成本都在持续累积，字面意思上的花钱如流水。据 Offshore Engineer 援引 Fearnley Offshore Supply 的市场数据，2025 年上半年，一些用于深水作业、配备大型主动升沉补偿起重机的作业船，日租金竟达到 6–8 万美元。按此计算，一次数周的作业，仅租金就可能达到百万美元级。

若是衡量机器人的价格，这是一个制造业视角；相对应的，计算一项任务需要多少个船天，就是机会成本视角。母船、随船人员、动员与撤场、海上等待、工程支持、专用工具、再次调遣，都在成本中。机器本身自然价格不菲，但要把它送到现场、并维持到工作真正完成，这样的系统性成本远高于设备成本。

一台普通的设备自设计完成后，就可以开始生产、交付、使用；而对一个仍在成长的自主系统来说，它却需要不断经历修改、测试、失败、分析、再修改的部署循环。有点麻烦，但接下来的事才称得上复杂。在陆地上，软件迭代完可以马上测试，控制参数变了可以当天再试，机械结构调整之后也可以很快重新验证，循环可以非常快。到了海上，每改变任意一环，都可能重新牵涉船、人、天气窗口和作业安排。

正因为预算有限、贵的东西自然做得少，复杂带来的高成本是动态叠加的：它会进一步拉长开发周期，延缓失败暴露，拖慢修正之后的反馈。这个类比或许粗糙，但它能说明一件事：人类抚养小孩，钱和资源从不嫌多，这一点我们都清楚；但比经济兜底更珍贵的，是精神层面的托举，让小孩放心大胆尝试、体验，让他知道失败后可以重来。培育硅基也有点类似，对一个还在不断学习、需要尽快成熟、能够可靠工作的自主系统来说，设备和算力固然重要，但更珍贵的，是失败以后回到真实环境里再试一次的机会。

偏偏水下最不适合“再来一次”。通信带宽有限，光学条件又容易受到浑浊度、距离和光照影响。GPS 无法直接在水下使用，高精度定位因此需要依赖其他定位手段，而这些手段自身又受到声学传播、能见度和环境条件的影响。诸如此类，对于以观测为主的任务已是不小的麻烦；要是碰上机械臂准确接近、对准并施力这样的干预任务，所有的困难又会被放大。但这里有一个问题：如果深海里试错本来就这么贵，观测型自主又是怎么绕开这个瓶颈、率先发展起来的？答案或许在于，“被放大”多少、能否承受，取决于任务对“当下真实经验”的依赖程度。这就引出了第二个变量。

遇到以“看”为目的的任务，AUV 可按照预设航线或一定程度的自主决策完成大范围的数据采集，不需要人时刻盯着。若涉及“上手操作”的任务，机器人需要靠近一个目标、准确对准接口、施加合适的力量，甚至在接触以后根据目标和自身状态的变化继续调整。除了要了解“眼前是什么”，机器人还必须知道“我这样拧一下，会发生什么，拧坏了怎么办”。

“看”和“操作”的差别，背后有控制复杂度的因素，但根本在于两者对真实世界经验的依赖程度不同。以巡检任务为代表的“看”结束后，记录可以被带回陆地。当下可保存、事后可复盘，且在后期算法训练和任务分析中能让我们反复使用。操作任务的关键判断不能只靠事后复盘完成，尽管接触后的力反馈、轨迹记录可以带回陆地做离线分析，但那一刻具体该如何调整、如何避免损坏，必须在当下的物理交互中直接给出方案。

而那个当下——充满了底质、海流、定位误差、目标的运动，以及接触之后产生的摩擦和阻力等诸多因素——让实际结果偏离预期。真实环境会不断暴露预期与实际之间的偏差；对于涉及物理接触的任务，其中一部分偏差会被藏匿在完全脱离真实环境的条件里，很难被发现。这就是为什么，“操作”比“看”更依赖一个如呼吸般不断循环的再来一次。

如此一来，“机器越聪明，就越能干；既然不能干，那是因为它不够聪明么”这个问题（这里暂且把组织管理、供应链成熟度、监管与保险成本等外部因素放到一边，只看工程技术和验证条件），至少有两种解释。

第一种解释是压力给到机器：它们不够好。也许它们的感知、规划、控制或执行硬件，本身就还不足以可靠地完成这类干预。如果是机器自身的问题，我们可以继续提高感知、规划、控制和硬件能力。这就是“智能瓶颈”（intelligence bottleneck）。需要留意的是，这里的“智能”并不特指某一个 AI 模型，而是完成自主干预所需要的整套系统能力。

但之前的成本拆解让我们发现另一种解释：机器也许没有足够的机会知道自己“不知道什么”，也就没有学习的机会。深海干预所面对的环境状态、几何关系和接触条件，组合起来为数众多，且不乏罕见而复杂的情形，开发阶段无法一一覆盖。正如前面的成本分析所显示的，海上试错的高成本会传导为迭代的高成本；对于自主干预，这意味着失败暴露得更晚，同类条件更难重新制造，修正之后也更难确认是否有效。我们把它叫做“验证瓶颈”（validation bottleneck）。

尽管两种解释并不互斥，但它们会引导不同的工程投入。当增加感知、控制或执行能力以后，现场表现得到持续改善，证据更支持前者；当同类工况能够被更频繁地复现、测试，失败率和人工介入随之下降，则后者权重更大。

左右权重的证据从哪里来？失败是一个不错的入口，它至少留下了事情从哪里开始偏离预期的痕迹。回看一批真实的水下干预记录，第一个问题并不是“这是不是验证不足”，而是一次失败究竟是怎么发生的：机器有没有看错目标，定位和状态估计有没有漂移，动作规划本身是否合理，控制是不是在接触之后开始失稳，末端执行器是否能力不足；也有一些失败，只在某种此前很少测试的底质、几何关系、姿态或者接触条件下出现。把这些原因尽可能分开，是判断两种瓶颈的第一步，毕竟“机器弄错了”这句话没什么价值。

能够区分这两种解释的证据，要等到把当时的环境重新制造出来以后才会出现：相似的工况被反复复现，系统在其中一次次测试、修改、再测试，同一类失败是否随之减少，这时才看得出来。这里的差别细腻，却重要。“以前没测过，所以失败了”只是猜测；“以前覆盖不足，在增加有针对性的验证之后，同类失败持续下降”，才算是支持验证瓶颈的证据。反过来，一种工况已被频繁复现、测试，同类失败却没有明显下降，那么“验得不够”就不能继续充当主要解释，权重就该回到智能瓶颈一侧。

现实不会如此简单。机器能力在提高，验证条件也在改善，一次失败往往同时夹杂感知、控制和环境的不确定性，很难找到纯粹的实验条件，归因之争难有结果，且工程投入也等不了这个结果。与其在归因上求一个纯粹结论，不如转向可检验的问题：改变哪一变量，最能稳定地改变现场结果。

要回答这个问题，有一个现实前提：失败要被保留下来。我们至少需要知道机器当时看到了什么，如何判断自己的位置和状态，采取了什么动作，接触之后发生了什么，以及偏差能否在相似条件下重现。日志可以保存结果，却未必能重新制造导致结果的条件；只能被描述、无法被稳定复现的失败，对它的归因与猜测无异。想知道验证是不是瓶颈，首先得有更好的验证条件，让失败后重来变得容易。

海上作业的具体任务一直在变：今天巡检海缆，明天接近结构物，后天可能是抓取、对接或者阀门操作；但底质、地形、海流、浊度、结构物和接触条件，并不会因为一次任务结束就不存在了。将部分验证移到岸上是一个好办法，也就是环境重建（environment reconstruction）。和记录结果与成败相比，环境重建可以保留任务发生时、所有可能影响机器行为的环境条件，即那个“瞬息全宇宙”的切片。

比如：9 月 2 日天气晴，一台机器人在海底执行插接时失败了。接口附近的倾角、松软底质和特定的接近姿态共同造成了本体位置变化，机械臂末端没有准确对准。日志可以带回岸上，但时间已逝、那一刻的几何关系和接触条件已经过去了；控制策略即使很快修改，也无法立即确认迭代结果。如果这些条件能够被重新制造出来，机器人就可以一次次回到相似的困难里，分别改变倾角、底质、姿态或者接近路线，看错误从哪里出现，又在什么地方消失。

若能重现这一切，失败就成为了一个可拆可装的时空剖面。那条“设计、制造、出海、尝试、失败、修改、再出海”的链条可以被撬开，先在岸上复现、修改、再验证，最后带着少数悬而未决的问题去真实的世界确认。从更长的时段看，这可以称为“验证的内化”：把原本只能在昂贵海上周期中完成的学习、失败和修正，部分内化到岸上开发流程中。

技术不会停止进步，机器依然会更聪明。不过，技术能力在产生新价值的同时，也会给整个作业系统增加新的复杂性；而新价值往往容易被新增的复杂性吸收掉，留给现场的是一种“聪明，但不能用、不好用”的体验，创造的勇气和判断，正是在这种反复中慢慢消磨。Sunnta 想要做的事情，是缩短这个阵痛期：让一部分原本只能在昂贵海上周期里完成的失败发现、复现和验证，更早、更便宜地发生，让复杂变得可识别，让投身其中的人，撑得到“智能”迎来“好用”的那一天。

把海上的失败搬到岸上，不意味着问题就解决了。我们重建出来的世界，究竟是不是那个真正影响机器行为的世界？像 ≠ 条件相同。就算重建得足够真，岸上的结果又能否带到海上依然成立？毕竟，不同海域、季节和局部环境仍会改变水下的感知与交互，岸上表现与真实海域表现之间，需要建立稳定、可测量的对应关系。

最后，就算验证变多了，现场表现的改善，真的来自验证吗？反复测试可以让失败暴露更早，但传感器、定位、控制、机械结构或执行器本身，并不会因为多测几次就自动变好。总之，验证的内化能否真正改变“聪明但不好用”的局面，还需要建立在这样的三重检验之上。

再看一眼开头那台扫地机器人。它今天能够比较稳定地清扫一个家庭，不能只归功于传感器、定位、控制、计算和机械结构的同时进步；但它学会了给家建“图”，意味着它能够给这些能力一个相对稳定的落脚点，即便做错也可以轻松再试。家是它的工作场所，也是可以低成本无限重来的世界。深海自主化所需要的“培育”与“托举”，说到底也正是这样一个世界。

环境若能被表达，并在虚拟环境与真实系统之间建立持续的数据连接，就可以进入算法测试和验证流程。环境的意义就会大于场所，成为基础设施，化作托举之力。

相对于机器自主化的漫长进程，上述分析也仅仅是窥豹一斑，每一个技术领域在一定程度上都是一种例外。也许某天，人类按下重试键，深山、深海、甚至深空里的失败不再难以承受。到那时，机器够不够厉害，反而是没那么要紧的事。