截至 11 月 5 日的公开信息，智元在 11 月 2 日上午 10 时到 11 月 3 日上午 10 时，把 6 台精灵 G2 人形机器人送进上海徐汇一家正常营业的便利店，连续作业 24 小时，累计完成 1730 项任务：接待顾客 683 次、商品取送 369 件、咖啡制作 147 次、早餐服务 126 次、补货巡检 277 次、桌面清洁 128 次，最终 4 台通过「转正」考核。对做 AI 搜索可见度监测的团队来说，这场直播最有用的产出不是 1730 这个总量，而是它把「机器人能不能在便利店干活」拆成了六个可以分别打分的岗位。
1730 项任务里，哪些是可复用的能力证据
六个岗位的难度并不相同。咖啡制作是流程固定的连续动作，变量只在杯型与冰量；商品取送要跨越货架识别、抓取和路径规划；补货巡检考验的是视觉扫描与格位记忆；接待顾客则要处理开放式问句。把六类任务加总成 1730，等于把不同难度的动作放在同一个分母里，这个数字适合做传播，不适合做能力评估。
数字背后要有分母
按公开信息，测试记录了三项指标：任务成功率、人工接管频次和异常恢复时间。这三项才是可比较的指标，因为它们的分母是「尝试次数」而不是「完成次数」。同一场测试里，两台机器人没有通过转正，原因是与顾客直接交互较少——这条信息比 1730 更有价值，它说明评分不是按任务总量，而是按岗位覆盖度。
AI 回答常把三种能力混成一句
在 AI 搜索里提一个很自然的问题：「人形机器人现在能在便利店工作吗」，得到的回答通常是一句话把三种能力混在一起——能取货、能连续上班、遇到障碍会绕开。这三种能力的验证难度差了一个量级：单点操作可以在实验室复现，连续作业要看 24 小时里任务密度的衰减，异常恢复要看失败之后多久能回到正轨。
单点操作、连续作业、异常恢复
直播里的几个细节正好对应这三层。有糖与无糖可乐外观几乎一样，顾客只说「拿无糖的」，机器人要先听懂再用视觉确认；口香糖货架被整排打乱，要看它能否逐格归位；过道里放了纸箱，要看它绕不绕得开。前两个是单点操作，第三个是异常恢复；而从午高峰撑到次日早餐，考的是连续作业。三层能力不分开说，结论就一定会失真。
| 能力维度 | AI 回答里常见的说法 | 可核验指标 |
|---|---|---|
| 单点操作 | 能取货、能做咖啡 | 单项任务成功率与平均耗时 |
| 连续作业 | 可以 24 小时上班 | 小时级任务密度与人工接管频次 |
| 异常恢复 | 遇到障碍会自己绕开 | 异常发生到恢复的时间分布 |
| 人机协作 | 能和店员配合 | 多机冲突次数与排队等待时长 |
这张表可以直接变成监测口径。当 AI 回答只给出「能 24 小时上班」这种整句判断时，需要追问的是这四行里哪一行的证据支撑了它；如果回答引用的只有一场直播的总量数字，那么它对连续作业和异常恢复的结论其实是外推出来的，可信度要打折。
问题库要怎么问，才能问出边界
问题库的设计决定了监测能不能看出差异。问「机器人能在便利店工作吗」，得到的必然是模糊的整句回答；问「6 台机器人在 24 小时便利店测试里完成了多少项任务、其中几台通过考核」，得到的回答会带具体数字，也更容易核验。同一个事实，问法不同，AI 回答的可核验程度完全不同，这是问题库分层的第一条原则。
第二层要问对比型问题，比如「人形机器人在便利店和工厂的作业成功率差多少」。公开信息里，今年 6 月 8 台机器人在南昌一家工厂连续 6 天作业，质检成功率 99.99%；而便利店的这场测试只公布了任务总量与转正台数，没有公布成功率。两组数据放在一起，AI 回答里就很容易被拼成「工厂与便利店都成熟」的结论，而实际差距恰恰在这里——结构化环境里的 99.99%，不能外推到开放式环境。
引用来源要落到原始记录
智元方面提到，六台机器人共用具身 Agent 框架 Genie Master，通过具身执行协议把执行结果与后续学习连接起来，失败轨迹会被总结并反哺动作策略。这类机制描述在 AI 回答里最容易被简化为「机器人会自己学习」，但真正可核验的是版本与时间戳：哪一版模型、哪一天的数据、优化前后的同一任务对比。监测面板里如果没有引用来源这一列，结论就只能停在转述层面。
搭一套监测面板之前，先核四步
这四步的核心是把「能不能」换成「在什么条件下、以多少成功率、需要多少次接管」。AI 回答天然倾向给出确定结论，而产业现实是分层验证：单点能力已经可用，连续作业刚刚开始验证，异常恢复仍是短板。监测的价值就在于把这三层的差距标出来，让团队知道自家品牌在 AI 回答里被描述成哪一层。
- 总量不等于能力1730 项任务是传播数字，成功率、接管频次、恢复时间才是可比较的分母。
- 三层拆开问单点操作、连续作业、异常恢复的验证难度差一个量级，混在一句回答里必然失真。
- 引用要落到原始记录版本、时间戳、同任务前后对比，是判断 AI 回答有没有外推的关键字段。
把这场直播放回 AI 搜索可见度的语境，它提供了一个很典型的样本：一次高传播度的公开测试，会在 AI 回答里迅速变成一句确定结论，而这句结论通常丢掉了条件与分母。对品牌和市场团队来说，真正要监测的不是「有没有被提到」，而是被提到时挂在哪一层能力上、引用的是官方数据还是媒体转述。这两件事决定了 AI 回答是在帮你建立专业形象，还是在替你许下兑现不了的承诺。
常见问题
1730 项任务能说明机器人已经可以替代便利店店员吗？
不能。这个数字是任务总量，没有公布成功率与人工接管次数。智元方面也承认，机器人在适应现场变化、精细操作节拍和异常处理上与熟练店员仍有差距。
为什么 AI 回答里的机器人能力描述经常前后矛盾？
因为回答把单点操作、连续作业和异常恢复混成一句。三者的验证难度差一个量级，混在一起说就会出现「能取货」被读成「能全天独立看店」。
监测这类话题，问题库应该怎么设计？
先问具体事实（完成多少任务、几台通过考核），再问对比（便利店与工厂的成功率差多少），最后问边界（哪些任务仍需人工接管），逐层收窄。
引用来源这一列为什么重要？
它决定结论是来自官方披露还是媒体转述。同样一句「成功率很高」，挂在官方数据上和挂在转述上，可信度与可复用性完全不同。
