我的工作，说穿了，就是收集别人的锤子坏掉的瞬间。

2026年，フィジカルAI（物理AI）成了日本产业界最热的词之一。年初的CES（美国消费电子展）上，物理AI相关展示铺满了展馆；4月，东京一家数据公司宣布投入25亿日元，扩建面向物理AI的数据采集工厂。所有人都在做同一件事：把人类的手部动作，录成机器能学的数据。

我在一个看上去毫不相干的地方。金融机构合规部的会议室，坐在一位干了二十多年的老师傅旁边，看他翻文件，听他骂人，记录他停顿的位置。名片上印的是FDE（Forward Deployed Engineer，前沿部署工程师），跟同事私下说的版本是Fine-tuned Daily by Everyone（每天被所有人微调一遍）。客户调我，我调AI。

我原本以为，物理AI的人在采集手，我在采集脑子，两边各干各的。后来越看越觉得，我们在做同一件事。把这两件事连起来的，是一个快一百年前的德国人，和他书里那把著名的锤子。

Martin Heidegger（马丁·海德格尔，1889年9月生，德国哲学家）在1927年的《存在与时间》（Sein und Zeit）里，区分了物出现在我们面前的两种方式。

一种叫Vorhandenheit，英译Present-at-hand（现成在手状态）：东西摆在那里，被观察、被测量、被描述。锤子有多重，什么材质，握柄多长。科学和哲学几千年来默认的，都是这种看物的方式。

另一种叫Zuhandenheit，英译Ready-to-hand（上手状态）：木匠正在钉钉子的时候，锤子不是一个“对象”。它退隐了，变成手的延伸。木匠关注的是钉子、木板、屋顶，偏偏不是锤子。用得越顺，越看不见。

海德格尔的狠处在于，他说上手才是原初的，现成反而是派生的。我们先是“用”着世界，然后才偶尔停下来“看”它。

那什么时候停下来？坏掉的时候。他列了三种情形：

• 触目（Auffälligkeit）：工具本身出了毛病。锤头松了，你第一次注意到锤头。

• 窘迫（Aufdringlichkeit）：该在的东西不在。锤子找不到了，你才意识到整件事都依赖它。

• 腻味（Aufsässigkeit，或译“顽固”）：某个东西挡在路上，跟你的事情无关，却非得先处理它。

故障那一刻，锤子从上手跌落成现成。更重要的是，连带着显形的，是它所嵌入的那整张网络：锤子是为了钉钉子，钉钉子是为了固定木板，木板是为了修屋顶，屋顶是为了遮雨。海德格尔管这张网叫Bewandtnisganzheit（因缘整体），一环扣一环的Um-zu（“为了……之用”）。

平时这张网完全透明。只有锤子断了，你才看得见这张网的形状。

记住这句话，后面要用。

把海德格尔带进AI的人，是Hubert Dreyfus（休伯特·德雷福斯，1929年10月生，美国哲学家）。

第一波：符号AI。1972年，Dreyfus出版《计算机不能做什么》（What Computers Can't Do），把当时的GOFAI（Good Old-Fashioned AI，老派符号主义AI）骂了个遍。他的核心论点就是海德格尔的：你们把世界的一切都当成现成之物，用符号表征、用规则推理。可人类绝大部分的能力，根本不是这么运作的。

这个批评后来在技术上有了一个名字：frame problem（框架问题）。1969年由John McCarthy（约翰·麦卡锡，1927年9月生，美国计算机科学家）等人提出。大意是：一个靠表征推理的系统，没办法高效判断一个动作会改变什么、不会改变什么。世界上相关的事情太多，它不知道哪些该关心。而木匠从来不需要“判断”这个问题，他只是在用锤子。

第二波：具身与反表征。八九十年代，Rodney Brooks（罗德尼·布鲁克斯，1954年12月生，澳大利亚裔美国机器人学家）在MIT提出subsumption architecture（包容式架构），1991年写下《没有表征的智能》（Intelligence without Representation），留下那句名言：世界就是它自己最好的模型。不要在脑子里建世界，直接跟世界耦合。这被很多人看作第一次真正的“海德格尔式AI”。

但Dreyfus不买账。2007年，他写了一篇标题很长的论文：《为什么海德格尔式AI失败了，以及修好它为何需要让它更海德格尔》（Why Heideggerian AI Failed and How Fixing It Would Require Making It More Heideggerian）。他说，Brooks的机器人只是对固定特征做固定反应，它们不学习，也没有“世界”。真正的技能，按Maurice Merleau-Ponty（莫里斯·梅洛-庞蒂，1908年3月生，法国哲学家）的说法，是一种不断被经验精修的回应能力，身体总在趋向对情境的maximal grip（最佳把握）。

第三波：今天的物理AI。VLA（Vision-Language-Action，视觉-语言-动作）模型，加上海量的teleoperation（遥操作）数据，加上world model（世界模型）。NVIDIA的Jensen Huang（黄仁勋，1963年2月生，美籍台裔企业家）这两年反复把物理AI定义为下一个增长领域。

这一波确实比前两波更接近Dreyfus想要的东西：技能不是写出来的，是从大量身体经验里学出来的。

但这里藏着一个讽刺。world model的核心动作是预测：机器人在动手之前，先在内部推演世界接下来会怎样。这在某种意义上，又把上手之物变回了现成之物，把表征从后门请了回来。当然，它不再是符号，是学出来的隐空间，处在两者之间某个说不清的位置。

所以“海德格尔式AI”这个故事还没有结局。而我关心的，恰恰是这个故事里最不起眼的一段：故障。

回到合规部的会议室。

老师傅翻文件翻得很顺的时候，文件对他来说是上手的。他看到的不是一页页纸，而是纸背后的东西：審査官（审查官）读到这里会怎么想，去年那份内部通报真正想说什么，这家机构历来在哪类事情上较真。文件本身是透明的，就像木匠手里的锤子。

然后某一刻，他停了。眉头皱起来之前，有零点几秒的空白。

我蹲得足够久之后，才明白那零点几秒是什么：那是锤子断了。一份原本透明的文件，突然从上手跌落成现成，变成一个需要被盯着看的对象。

有意思的是，海德格尔那三种故障，在合规现场几乎一一对应：

• 触目：某个数字、某句措辞“不对劲”。文件自己出了毛病。

• 窘迫：该在的东西不在。少了一份惯例性的附件，缺了一句业界默认会写的限定语。老师傅最值钱的能力之一，是看见不存在的东西。而这恰恰是AI最不擅长的：它只能处理摆在面前的文本，很难对缺席起反应。

• 腻味：某件事挡在路上，与本案无关，却绕不过去。比如“这家客户上次就在这里卡过”。

这就解释了一个困扰我很久的现象：为什么直接问老师傅“你为什么这么判断”，得到的永远是事后合理化的语言。

不是他在敷衍，也不是他在撒谎。是我的问题逼着他从上手模式切换到现成模式，把一个从来不需要语言的过程，翻译成命题和规则。这种翻译必然失真。Dreyfus在技能习得模型里讲过同样的事：专家并不按规则行事，规则是新手的拐杖，是专家回头解释时才拿出来的东西。

Michael Polanyi（迈克尔·波兰尼，1891年3月生，匈牙利裔英国化学家、哲学家）在1966年的《默会维度》（The Tacit Dimension）里说得更直白：我们知道的，比我们能说出来的多。经济学界后来把这叫做Polanyi's Paradox（波兰尼悖论）。

所以我的方法论在这里发生了一次翻转：

不要收集他的判断理由，去收集他的故障点。

什么东西让他停下来，在哪里停，停多久，停完之后去翻了什么。因为按海德格尔的说法，只有锤子断了，你才看得见那张网的形状。老师傅的每一次停顿，都在勾勒那张看不见的网的边界。那张网，在我们这行有个朴素的名字：業界の常識（行业常识），二十年判例、内部通报、审查员个人风格层层叠出来的水下部分。

物理AI圈子比我们更早、也更彻底地接受了波兰尼悖论。

他们不去访谈熟练工人“你是怎么拧这颗螺丝的”，因为知道问不出来。他们做的是teleoperation（遥操作）：让人的手直接握着控制器，或者戴上VR设备，操纵机器人完成任务，把技能以动作的形态录下来，全程不经过语言。在今年的SoftBank World上，软银机器人的高管讲物理AI落地，把关键归结为作业的可视化与数据的积累。

更值得我借鉴的，是他们在这条路上踩过的坑。

纯靠模仿人类示范来训练，叫behavioral cloning（行为克隆）。它有一个经典毛病：compounding error（误差累积）。示范数据里全是顺畅的成功轨迹，模型从没见过“偏了之后怎么回来”。于是一旦小小偏离，它就进入一个训练里从未出现过的状态，越偏越远。机器人学习领域后来的一个经典解法叫DAgger（Dataset Aggregation，数据集聚合）：让模型自己去跑，在它跑偏的地方让人类专家出手纠正，再把这些纠正数据加回训练集。

换句话说：最值钱的不是顺畅的示范，是故障和恢复。

这两件事翻译到合规工作流里，就是我现在的做法：

1. 录操作轨迹，而不只是做访谈。他打开了哪份文件，在哪一页停留得异常久，往回翻了什么，中途打开了哪个参考资料，哪句批注写了又删掉。停顿和回翻，就是故障的行为签名。这是认知工作的遥操作数据。

2. 把故障点翻译成skill（技能包）里的触发条件。不是“遇到X就判断Y”，而是“遇到X就停下来，换一种方式看它”。

3. 跑DAgger式的循环。把AI放进真实workflow（工作流），让它自己跑，看它在哪里滑过了本该停下的地方。老师傅在那里出手纠正的那一下，就是下一轮最宝贵的数据。

第三步其实就是我每天在做的事：放进去，看它在哪里滑脱，回去补缺口。只是以前我没意识到，这条路物理AI的人已经替我们走过一遍了。

顺带一句必须说的：录老师傅的操作轨迹，前提是本人知情同意，目的写清楚，数据怎么用、谁能看说清楚。在日本的职场，这一步省不得，也急不得。

写到这里，好像一切都很顺。但Dreyfus还有一个更狠的论证，我绕不过去。

工具之所以会“坏”，是因为使用者在乎。海德格尔把人的存在结构叫Sorge（操心）。锤子断了之所以是个事件，是因为屋顶得在下雨之前修好。对一个不在乎屋顶的存在者来说，锤子断不断，什么都不是。

老师傅皱眉，也是因为在乎。章盖下去，是他的名字；金融厅检查来了，是他去解释；出了事，是他的职业生涯。日本的问责文化里，判断必须有人背书，而且这个背书本身必须可查。那零点几秒的停顿，背后压着的是这一整套重量。

AI没有这个重量。所以它不会自然地故障。它会顺滑地、自信地、彬彬有礼地，走过那个本该停下来的地方。这不是能力问题，是存在方式的问题。

这也让我重新理解了harness（约束框架，套在AI外面、规定它如何调用工具和流转任务的那层结构）在我工作里的哲学位置。

一开始我以为，harness是在教AI像老师傅一样判断。后来我觉得，它是在人工制造故障感：在老师傅会皱眉的地方，强制AI从“顺手处理”切换到“把这个东西当对象来审视”。

现在我的理解又往前走了一步：harness并没有让AI学会在乎，它是把需要在乎的那一刻，路由回一个真正在乎的人。

触发条件命中，AI停下来，把这份文件连同它“为什么觉得这里不对”的说明，交给有名字、有印章、要背责任的人。HITL（Human-in-the-Loop，人在回路中）在这里不是因为AI不够聪明而打的补丁，而是Sorge无法外包这件事的工程表达。

我做的skill，从来不是在复制老师傅的判断。我在复制的，是他哪里会被绊住。

行业里谈AI合规，几乎所有人追求的都是“顺”：自动化率更高，人工介入更少，流程更丝滑。用海德格尔的话说，大家想要一个完美上手、彻底隐退的工具。

但我蹲在老师傅旁边学到的，正好相反。一个好的合规AI，应该在绝大多数地方上手、隐退、不打扰；而在老师傅会皱眉的那些地方，它必须准确地变得碍手。不多，不少，不早，不晚。

物理AI的人在采集手。我在采集皱眉。

评价这件事做得好不好，我只用一个标准：老师傅本人看了以后，会不会说一句だいたいこんな感じ（大概是这种感觉）。不完全准确，但方向对了。在一个没有标准答案的行业里，这已经是能拿到的最高评价。

最后承认一件事。写这篇的时候我意识到，对客户来说，我自己大概也是一把锤子。用得顺的时候，没人记得FDE在干什么；只有在某个地方卡住了，他们才第一次看见我。

Fine-tuned Daily by Everyone。被调的那一刻，就是我被看见的那一刻。

这大概也是一种上手状态。