加入高工机器人专业行业群，加微信：17811613845，出示名片，仅限机器人及智能制造产业链相关企业。
灵巧手行业正在遇到一个有意思的问题：到底谁来给一只手打分？
过去，这个问题并不难回答。自由度多少、抓力多大、抓取成功率多高，几项参数摆出来，产品之间大致就能分出高下。
但当灵巧手真正进入任务，事情开始变复杂。一只手可以抓得很重，却未必能完成精细操作；可以单次动作很快，却未必能连续工作；可以拥有很高的触觉分辨率，却未必能让模型真正用起来。
甚至，一只手本身的性能已经无法单独评价。它需要和手臂配合，需要视觉和触觉共同感知，需要数据持续回流，需要模型不断迭代，最终还要落到可靠性和成本。
于是，灵巧手的评价对象正在从“一只手”，逐渐变成一整套操作能力。
9月23日，高工灵巧操作未来技术大会上由均胜灵犀冠名的“做成任务”专场上，中国电子技术标准化研究院、均胜灵犀、中科慧灵、灵御智能、珞石机器人、灵巧驱控、伟景机器人、智在无界等8家企业，从标准、硬件、感知、数据、模型到商业化多个维度，拆解了这件事。
首先，怎么证明机器人真的会做？
在这场大会之中，中国电子技术标准化研究院信息技术研究中心副主任张士宗的角色比较特别。
相比于其他嘉宾从技术路线、产品或者商业化切入，他回答的是一个更基础的问题：灵巧手到底怎么样才算“会做”？
张士宗介绍，当下的灵巧操作正处于走向真实生产力的阶段，需要一套能够验证能力、支撑落地的标准体系，为此全国信标委下发了《人工智能 具身智能灵巧操作要求》国家标准化指导性技术文件。该文件提出具身智能灵巧操作能力体系，对末端执行、环境交互和自主适应等能力进行了要求。
在执行层面，相关标准已经开始围绕不同类型操作对象、实验方法、工具准备、能力测试以及结果记录等环节进行规范，同时还涉及配送能力、交付能力、安全、测试等相关标准。
“想要跨越这一步，行业缺少对应的标准。”均胜灵犀创始人兼CEO雷雄也提到了标准问题，他同样认为现在行业很多还在比拼性能参数，比拼 “好用”，但更需要关注的是如何实现 “持续好用”。
均胜灵犀创始人兼CEO 雷雄
传统工业自动化、汽车、消费电子这些行业都有成熟标准，比如传感器寿命、MTBF（平均无故障时间）、工作温区。但具身机器人，无论是在工厂作业还是家庭端使用，它的工作温度、寿命、一致性该用什么指标评价，目前没有明确规范。
雷雄指出，“很多厂商宣称产品可以做到 50 万、60 万、80 万次动作，这个数值看着很高，但是否满足真实场景持续作业的要求，还要打问号。”
雷雄给出了自己的见解，他觉得人形机器人的产品定位应该介于汽车与消费电子之间。车规标准是行业最高，消费电子是另一个标准。机器人既可以像汽车一样在工业场景持续作业，也能作为消费品进入家庭。如果机器人能够达到车规级标准，那么无论是工厂场景，还是家庭场景，就可以实现稳定落地。
标准解决的是“怎么证明机器人会做”，但有了标准之后，机器人究竟要靠什么完成这些任务？
有了手还不够，还需要什么？
首先还是硬件。
珞石机器人人形臂行业部技术总监朱柏楠指出，在具身智能的执行单元里，手臂和手是不可分割的整体，手臂相当于躯体的延伸，先精准到位，再配合手部完成精细操作。
珞石机器人人形臂行业部技术总监 朱柏楠
这也是为什么，在传统工业机器人时代已经非常成熟的机械臂技术，到了具身智能时代，依然有继续演进的空间。
基于这种认知，珞石机器人打造了以轮式双臂为核心的系统，包含底盘、关节、双臂、整机，以及更核心的运动控制与力控系统。
伟景机器人董事长董霄剑这一场非常明确，就是强调视觉对于灵巧手的重要性，他还首先提了一个很有意思的类比，“人类并不会因为手的位置变化，就需要额外在手上装摄像头，人的自然感知、学习与操作，是一套类人的认知过程。如果需要做到从‘看到目标’到‘根据看到的信息完成动作’，机器人需要配套对应的视觉与操控能力。”
伟景机器人董事长 董霄剑
伟景的思路是一套眼手体一体化通用解决方案，以视觉为眼、灵巧手为手、机器人本体为体，实现手、眼、四肢协同。让人形机器人真正模拟人的感知与操作逻辑，既能感知世界，又能实时执行动作。
雷雄也认可视觉的重要性，但他同时补充道，“视觉、语言的感知方案已经相对成熟，自动驾驶领域有大量视觉方案用于导航，大语言模型也比较成熟。但具身智能体做作业，很多时候是非接触到接触的过渡任务。当视觉无法覆盖、看不到目标接触位置时，就需要触觉来支撑精准操作。”
雷雄还指出，具身行业对触觉的要求，比此前自动驾驶等领域更高。至少有三个要求，一是柔性；二是高灵敏度；三是三维力，尤其是切向力的感知。
在他看来，站在应用端判断一款触觉方案好不好用，最看重的是：在不同工况下，性能能否长期稳定、保持一致性。一款传感器哪怕单次性能非常优秀，如果今天正常、明天失效，就无法持续作业。这对落地场景至关重要。
而这也进一步引出了另一个问题：触觉采集到的数据，机器人究竟该怎么理解？
雷雄表示，触觉本身是三维的，有 X、Y、Z 轴，有切向力，不同时刻对应不同的图像。现有做法是把它切成二维切片，再把二维拉成一维，最后交给语言模型做推理，来实现对触觉和视觉的理解。
但雷雄认为这很奇怪，他给出的想法是，用自上而下的高维架构，统一编码各类低维感知信息，或许能带来更好的效果。
而中科慧灵CEO杨平则从另外一个角度强调了触觉的价值。在他看来，未来需要尽可能把视觉、触觉等感知能力集成到灵巧手上，通过多模态融合形成完整的数据闭环。因为对于具身智能企业而言，最终真正重要的并不是某一个传感器参数有多高，而是能不能形成一套机器人自主进化的数据闭环。
中科慧灵CEO 杨平
这也自然把问题推向了下一层：有了感知，数据从哪里来？模型又怎么学？
手会动了，数据和模型怎么跟上？
灵巧手不仅是执行器，也是具身智能数据采集的重要载体。
杨平给出的判断十分直接，“高自由度灵巧手是连接数据与大脑、物理世界的关键物理载体。它是最后操作的最后5厘米，或者5毫米。”
但杨平并不认为数据越多越好，而是觉得高质量数据才是模型真正需要的，但高质量数据该如何定义、从哪里获取，这可能是当前灵巧操作最核心的卡点之一。
与此同时，模型本身也并不成熟。杨平也更为详细的描述了当下的现状，“现在的模型比较浅，比较窄。”所谓“浅”，是指模型对世界的理解还不够深入。所谓“窄”，是指模型泛化能力不足，不管是基座模型还是后训练模型，实际落地后更像一个非常专一的操作工，只能完成很有限的任务，而且作业效率并不高。环境适应性、抗干扰能力都还有很大提升空间。
灵巧驱控产品总监张任甦也在现场谈到了一个经常被讨论的数据问题：Scaling Law。他认为，现在行业里经常把Scaling Law直接理解成：性能越强，成本越低，规模越大。在他看来，这其实是内卷，不是自闭环。真正的自闭环逻辑应该反过来：市场规模足够大，才有机会实现性能突破、成本下探、规模化量产。
灵巧驱控产品总监 张任甦
所以，灵巧操作现在面对的其实是一组连环问题：数据不够好，模型就很难学好；模型不够强，机器人就很难进入更多真实场景；而没有足够多的真实场景，又很难产生足够好的数据。
怎么把这个循环真正启动起来？
灵御智能首席产品官王明晖提出了一个非常明确的思路：场景即素材厂，部署即数据终端，也就是让机器人在真实场景中产生可训练的数据。
灵御智能首席产品官 王明晖
王明晖认为具身智能数据的缺口是非常大的，“我们简单统计过，对比大语言模型、自动驾驶，可能要差8个数量级。”
基于他们的落地经验，王明晖表示，最理想的数据采集模式，应该是用户自己采购设备，在完成真实任务的过程中自然采集数据，不需要额外支付采集薪酬。这一思路其实可以在特斯拉中找到类似路径，特斯拉当时把大量车辆交付给普通用户，用户日常用车的同时，持续采集真实道路数据，完成模型迭代。
王明晖认为这是数据采集最好，甚至可以说是终极形态，也是灵御智能的目标方向。
雷雄同样提出了类似想法，他认为，想要启动飞轮，需要找到合适切入点。硬件、算法缺一不可，而且互相依赖。这就要求场景端、产业方在前期有一定容忍度，接纳早期模型不够聪明、硬件精度有限的现状，允许设备在真实场景试点运行。就像自动驾驶早期，依靠后台远程介入，在试点道路迭代。
智在无界则想绕开真机数据这条路径，转而专注于人类视频数据这个方向，原因非常现实，真机数据太贵了。智在无界技术合伙人郑思鹏还表示：“如果模型发展要依赖真机数据，很容易遇到Scaling问题，所以才换成人类视频数据。”
智在无界技术合伙人 郑思鹏
在模型层面，智在无界选择隐空间世界模型，郑思鹏介绍，这一方案首先可以训练成本低，有统计，Cosmos这类显式世界模型，50小时训练数据，需要约4500小时GPU算力；这种算力规模，除英伟达等头部大厂外很难规模化。而隐空间世界模型训练成本仅为前者1/10甚至更低；
另一个原因是算力资源更聚焦任务本身，模型参数量是有限的，显式世界模型会消耗算力去渲染画面细节，比如皮肤纹理、衣物褶皱、背景光影，这些信息对机器人动作决策没有实质帮助。隐空间建模则把有限算力聚焦在和动作相关的空间特征上。
基于这些认知，智在无界推出了Being-H-Flash，这是全球首个可在端侧实时运行的世界动作模型。经测算，推理月度成本约152元。并在英伟达、国产芯片上做了大规模评测，对比VLA、显式世界模型，在100 TOPS芯片上推理速度接近 20FPS，是显式方案的 3~4 倍。
从数据，再到世界模型，行业正在尝试不同的路径。但无论采用哪条路线，最终都绕不开一个问题：学会了，机器人能不能真正长期工作？
学会之后，能不能连续干活？
张任甦认为，想要商业化，就不能忽略“不可能三角”。首先机器人的外观很重要，因为外观决定用户第一感受。机器人交互时，如果外观生硬、冰冷，会带来距离感。例如面向 1.2–1.4 米中小尺寸人形机器人，就需要匹配适配儿童尺寸的手，外观造型、形态圆润度都会影响人机交互体验。
其次性能，这里的性能并不只是参数，而是可靠性与寿命。空载寿命、负载寿命、行程耐久，都需要通过大量工装和测试环境进行验证。很多产品实验室演示效果很好，但真实场景使用，不到一个季度就出现故障。
外观、性能都达标之后，最后一关就是成本。客户经常向灵巧驱控反馈，一双手的价格接近一台机器人整机，很难商业化。类比大哥大到智能手机：当成本降到足够亲民，才会从可选设备变成必需品，市场规模才能打开。
而在量产层面，朱柏楠认为，最核心的并不是单纯堆性能，无论是设备采集有效数据，还是未来具身智能落地工厂、走进家庭，稳定性和可靠性才是永恒核心。
智在无界则把所谓的商业落地其实分为两个阶段。第一阶段是大家最终希望实现的通用具身智能，但按照现在的技术来说，其实还很早很早，可能还需要几年的时间。
第二阶段则是现在就利用并不完美的基础模型，通过工具链、Agent等方式，在一些具体场景里实现初步落地。通用具身智能还没有到，但并不意味着商业化不能开始。
这也是具身智能商业化的一种路径：不一定一开始就解决所有问题，而是先找到一个能够成立的场景，让模型、数据和用户开始形成循环。
▍小结
回到“做成任务”这个主题，今天的灵巧操作已经很难再用一只手、一个模型或者一个传感器来解释。
标准解决的是“怎么证明会做”；手、臂和控制解决的是“靠什么做”；视觉和触觉解决的是“怎么感知”；数据解决的是“从哪里学”；模型解决的是“怎么决策”；可靠性和成本解决的，则是“怎么长期做、怎么规模化做”。这几环缺一不可。
灵巧手可能已经可以在实验室里完成一次抓取，也可能已经能够在特定场景里完成一套流程，但从一次Demo到真正进入生产环境，中间仍然隔着一整套工程体系。
而这也可能是下一阶段灵巧操作真正需要解决的问题：不是让机器人“会一个动作”，而是让它在真实环境中，面对不同物体、不同工况和不同任务，依然能够稳定完成工作。
以上只是本次高工灵巧操作未来技术大会“做成任务”专场的部分内容。围绕灵巧操作，接下来还有两个更值得继续追问的问题：灵巧操作的“GPT时刻”究竟什么时候到来？从技术走向真实落地，又究竟卡在哪一步？后续圆桌内容，敬请期待。
—END—
