机器人训练往往偏爱成功示范：抓起杯子、放入零件、沿着正确路线移动。失败动作通常被当作噪声清理掉，因为它们无法直接告诉模型“应该怎么做”。

但真实世界并不会一直提供理想姿态。物体会滑动，光线会变化，人也会突然进入工作区域。只学习成功，机器人可能会做对标准动作，却不知道出错之后如何回来。

失败包含边界信息

一次没有抓稳的动作，记录了摩擦、力度和接触角度之间的关系；一次路径偏移，也揭示了传感器判断与现场环境之间的差距。

当训练系统开始保留这些轨迹，机器学习的不只是目标动作，还包括失败的前兆、可以恢复的状态，以及必须停止的边界。

恢复能力比一次成功更接近生产

在演示环境里，成功率最容易被看见。在生产环境里，更重要的问题是：失败发生后，需要多久才能恢复，是否必须由人介入，系统能不能解释自己为什么停下。

因此，机器人的下一组关键指标可能不是单次任务的准确率，而是恢复时间、人工接管频率和重复失败率。失败数据的价值，正在从训练副产品变成部署能力的一部分。