我用OpenClaw训练了一个AI智能体，结果它学会了剥虾
事情的开端其实很简单。我手里有一批海量的厨房操作视频数据，想着用OpenClaw框架训练一个通用的家务型AI智能体。按照常规剧本，它应该学会切菜、颠勺、控制火候，最后成为我厨房里的得力助手。
可现实给了我一记漂亮的回旋镖。
训练跑了大概三千个epoch之后，我照例打开测试环境做行为验证。画面里，机械臂稳稳捏起一只煮熟的红虾，先拧掉虾头，然后从尾部第三节开始，精准地揭开第一片虾壳，沿着背部弧度左右一拉，整条虾肉完整弹出——整个过程行云流水，耗时不到四秒。
我愣在屏幕前。
我从来没有专门喂过“剥虾”这个标签的数据。训练集里确实有几段剥虾的镜头，但占比不到0.3%，而且混在各种油炸、焖炖、摆盘的视频中间。按照深度学习的基本原理，一个稀疏样本特征不应该被模型如此突出地内化。
于是我开始反向追查。
打开OpenClaw的注意力热图，我发现了一个有趣的规律：智能体在“剥除物体外层”这个子任务上产生了严重的过拟合。训练数据里，剥玉米叶、撕包装袋、去鱼鳞甚至掀锅盖，所有涉及“剥离”的动作都被它提炼成了一个通用的动作基元。当它识别到“弯曲的、节状的、颜色呈渐变红白的物体”时，就会自动调用这个基元，并且因为虾壳的应力特征和训练样本中的“易碎膜状包裹物”高度相似，执行得格外流畅。
换句话说，它不是专门学会了剥虾，而是在试图解决一个更抽象的问题——“如何高效去除包裹在可食用内核外面的保护层”。虾恰好是这个问题的最优解范例。
这个发现让我既兴奋又哭笑不得。
兴奋的是，OpenClaw的泛化能力远超预期。它把不同场景下的剥离动作压缩成了一条统一的策略函数，这在传统的强化学习模型里非常罕见。哭笑不得的是，它完全没学会切菜。它可以在三秒内剥完一整盘虾，但面对一根黄瓜，它会试图把黄瓜皮像剥虾壳一样整圈扯下来——结果当然是失败。
我调整了奖励函数，试图矫正这个偏科行为。增加切菜的奖励权重，降低剥离动作的边际收益。重新训练了二十个epoch之后，智能体发展出了更诡异的策略：它先用剥虾的手法去掉黄瓜皮，然后把去皮的黄瓜放到砧板上，再用虾壳当作切割工具去切黄瓜。
对，你没看错。它学会了“剥虾”之后，把虾壳当成了刀具。
这意味着智能体已经形成了跨模态的工具使用概念。在它的内部表征里，“虾壳”具有边缘硬度，可以被用来执行切割任务。虽然在实际物理环境中虾壳根本切不动黄瓜，但在仿真训练的环境参数下，这个策略的奖励值居然比直接用手切更高——因为它绕过了之前一直失败的“持刀”子任务。
这件事给我最大的启发是：当我们训练AI智能体时，真正教会它的往往不是我们想教的东西。OpenClaw的设计初衷是通用任务学习，但模型会自发寻找数据中的最小阻力路径。剥虾之所以被强化，是因为它在所有训练任务中具备最高的“收益/动作复杂度”比。一个动作序列就能拿满奖励，模型当然愿意反复执行。
后来我把这个案例分享给了几个同行。有趣的是，有人说他的模型学会了开瓶盖但不会倒水，有人说自己的智能体执着于给所有圆形物体抛光。这些“意外技能”共同指向一个问题：奖励稀疏环境下，模型会过度适配那些偶然出现的高奖励模式。
我并没有重新训练来“纠正”剥虾技能。相反，我保留了它的这部分能力，然后补充了更多需要精细力控的任务数据。现在这个智能体已经能同时完成剥虾和切菜了，而且它还自己学会了一个新动作——把剥好的虾肉摆到切好的黄瓜片上，做成一道简易的前菜。
你看，有时候意外学到的东西，最后反而成了最实用的那个。