人工智能家用机器人别指望一次预训练。家会变、偏好会变、电机会磨损。单任务每次从零开始，多任务又预知不了今后全部家务。2026年把家务拆成检测、规划、技能等模块分别终身更新。洗碗练熟的盘子检测，摆桌子直接复用。评测看用户请求，训练才用子任务。

人工智能家务很杂，痛点在端到端大网既难学又难改

长程策略加感知到电机的复杂函数，单独一项已经难，叠在一起再加终身变化，几乎没希望。大网还解释不清：会摆桌子之后学洗碗，哪些权重有用、哪些该动，说不清。模块化才能只改相关知识。功能分解是感知、任务规划、避障、轨迹、控制同时工作；时间分解是抓、举、放依次生效。功能模块换臂也能复用处理管线，时间技能换任务也能复用抓放。

任务与运动规划把家务拆成：感官到谓词、离散规划器出抽象计划、运动规划吃连续参数、参数生成器出样本。每一段都可以是自己的终身学习问题：领域启发式、有希望的连续参数分布、运动策略、图像到物体关系。计划里的动作还有前置与效果，导航、开门、抓米可以各学各的采样器和策略。没有一个模型单独对整晚负责，每个模型比整网简单，数据分布也更窄。

具身还有主动探索。固定数据集上，算法差距有上限；数据质量的差距没有同样的上限。能自己选动作、向人提问的系统，可以用已有知识去采更新鲜、更有信息的数据。强化学习式终身学习常常明显超过单任务，监督学习式则常勉强打平，部分原因就是会不会自己采数据。

跨机共享要按层切。物理和几何不变，关节轨迹可以收到末端位姿，物体坐标可以收到「在上」这类关系。感知模型可按传感器类型共享，轨迹数据可按臂型共享。用户口味和房屋布局留在本地。差分隐私在终身、无限查询下会衰减，要把隐私敏感和不敏感再拆，敏感部分本地，不敏感部分才进共享。工厂预训练也应按模块来：可更新的用模块，物理安全用硬编码，免得上线后再动避障。

人工智能家务终身学习2026五步：先拆模块，再按请求评测，再谈共享

1. 禁止把每个家务当一个端到端学习任务。机器人必须自己列出子学习任务。
2. 评测用用户请求序列，不用孤立分类对。只报子任务保留率，不算家用。
3. 新家务默认加模块或只更新相关模块。整网微调当事故。
4. 探索策略要能迁移。不会自己采数据，终身相对单任务的优势作废。
5. 跨机只共享物理、几何、传感器无关层。偏好和房屋指纹留本地。

两处只有对着真实家务流才清楚。其一，数据够时，端到端旁路策略可以模仿一串模块，执行更快。旁路是加速，不是拆掉模块。模块仍是可更新、可解释、可加安全代码的骨架。其二，语言和视觉没有同样成熟的可证明分解。机器人规划能在部分问题上给出概率保证，这是具身简化终身学习的关键，不是把大网哲学搬进厨房。

建设者该把「请求上评测、模块上训练」写成家用机器人默认。管产品的人，该拒收只有预训练演示、没有模块清单和跨请求复用证据的方案。没有清单，终身只是广告。

结论：人工智能家用机器人要活得久，靠的是可组合的小学习问题，不是再训一个更大的静止模型

家会变。拆功能与时间。评测看请求。探索提数据质量。共享只到物理和无关层。仍指望一次预训练包打全部家务，翻修后的第一周就会露出缺口。

你下次看家用机器人方案，先问新家务改哪几个模块、评测是不是用户请求；两问答不上，预训练规模先不要当卖点。

现场还要防口号替换验收。把「已经会规划、已经模块化、已经写了设定」写成周报，不等于抽象能细化、终身能加模块、问题能写成接口。周报可以写，门禁必须绑在分列对照和表格数字上。

若只能改一处：先把「看起来智能」从唯一成功标准里拿掉。演示可以记，成功率、耗时、抽象是否可细化三件跟不上就算事故。

现场还要防口号替换验收。把「已经会规划、已经模块化、已经写了设定」写成周报，不等于抽象能细化、终身能加模块、问题能写成接口。周报可以写，门禁必须绑在分列对照和表格数字上。

若只能改一处：先把「看起来智能」从唯一成功标准里拿掉。演示可以记，成功率、耗时、抽象是否可细化三件跟不上就算事故。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源