北京亦庄，世界机器人大会（WRC）的展馆比去年热闹了一圈。去年扎堆跳舞翻跟头的人形机器人，今年有不少把产线搬进了展位，开始解决干活这件事。

机器人能看、能听、能跟人对话，但拧不好一个瓶盖。灵巧智能算法科学家陆博在WRC同期论坛上把这个现象点破：具身智能的瓶颈正从理解转移到执行，灵巧操作是解决这个瓶颈的核心。这也是灵巧智能从成立起就押注的方向。

在这条从demo走向落地的路上，灵巧智能的做法有点反常。这家2024年1月注册成立的公司，几个创始人都来自上海交大机器人所。它的旗舰款高自由度灵巧手去年5月就发了，性能已经接近展馆里大部分同类产品的工程化水平。但接下来整整14个月，这只手没有对外卖。

“我们花了大概14个月，一直憋着没有对外卖，就是去做各种工程化。”灵巧智能CTO朱豪华在WRC展台交流时表示。

从人形到手

创业时几个合伙人面前有两条路，做人形还是做灵巧手。他们选了手。

他们的判断是，机器人不管表演走路还是跳舞，最后落到应用一定要用手去操作。灵巧智能先解决操作（manipulation），再解决移动（locomotion）。灵巧操作要求数据精度、接触建模、力控能力，是具身智能里最难的子集。“处理了最难的基座以后，往简单的方向去泛化是很自然的。”灵巧智能算法科学家陆博表示。反过来，只解决夹爪问题再向灵巧手泛化，经验几乎不可复用，自由度差了一个量级，手和物体的接触模式也完全不同。

“我们第一款做的就是高自由度的手。当时做灵巧手很早，很少有人在做。”朱豪华回忆，“应该是第一家把绳驱做成标准化量产，开模做大量寿命测试、工程化验证的。”

灵巧智能没有把自己定位成零部件公司，它的底层能力是一套硬件、感知、数据、模型、场景五维一体的技术栈。2024年下半年第一款灵巧手进入标准化量产，同年年底公司已经开始搭建数据集。那段时间行业里最主流的采集方式是真机遥操作，特斯拉也在用。灵巧智能在2024年12月前后做了一个判断：真机遥操作可能不是模型训练的主流数据方向，至少不是底座数据来源。

他们开始采集真人手的数据。

2025年下半年，灵巧智能发布了基于光学动捕的人手数据集。原理上和英伟达去年底发布的那几个大规模数据集基本一样，但灵巧智能启动得更早。

这个判断的技术依据是，人直接操作物体的精度在亚毫米级，动作捕捉系统在指尖采集原始动作可以做到0.5毫米，但遥操作经过人机映射、控制延迟、反馈缺失，精度通常退化到厘米级，差了一个量级。“去采一些遥操作下的精细动作数据，采到的其实只是一些降级以后的粗糙模仿。”陆博说。这就是为什么遥操作能完成简单抓拿，精细操作几乎做不到。

而英伟达的数据偏多样化、大规模，解决的是泛化基模问题，手部动作不需要多么精细。灵巧智能走的是另一条路：高质量、高精度，带力觉标注。

灵巧智能通过强化学习的方式，把物理约束规则作为牵引融入数据，反推出力的信息。有了力觉，做掌内调姿这类精细动作时，成功率和收敛性都会好很多。

到今年，灵巧智能把模型infra底座搭完了。它的做法是在现有基模上做一层针对高自由度灵巧手的动作扩增，没有从零训一整个大模型。用一个“积木”模型打底，再在上面训一个灵巧操作相关的模型，两个模型形成对话。

技术上的难点在于时间尺度不一样，到底是大模型调用灵巧操作模型，还是灵巧操作模型调用大模型。朱豪华的判断是，任务执行过程中一定是下层模型做自主决策，碰到问题再向上层模型请求，拿到进一步指令后继续滚动推进。

“下半年我们会对外披露这方面的进展。”他说。

数据管线的工程化

陆博把灵巧智能的数据方法论概括成三个核心理念：人是万物的尺度，优先使用人类原生的操作数据；专注中训练；相信数据与基础设施的沉淀。

具体的管线已经跑通。同一段第一人称视频，可以端到端产出四层标注：原始视频、人手网格拟合、手部骨相、手和物体在世界坐标下的位姿与接触关系，全程不需要人工标注，手部位置误差显著优于行业基线。

训练上，灵巧智能押注的是预训练到后训练之间的“中训练”层。预训练能完成90%底层感知和理解工作，传统做法是直接跳到后训练微调特定任务。灵巧智能的路径是中间再加一步，用大规模灵巧操作数据，让机器人获得通用的“会用手”的能力，把预训练的基数从90%推到99%。表面增量只有9个百分点，但留给后训练的工作量只剩1%，整个后训练压力降低90%。新任务用少量数据、少量算力就能完成适配。

人手在这里被当作通用中间表示。先在仿真里用人手模型学通用操作能力，再通过接触敏感的重定向算法迁移到具体灵巧手，最后Sim2Real上实机。同一套数据、同一套方法论，可以适配不同构型的灵巧手。

这套仿真管线目前能带来10倍左右的有效数据扩增。强化学习在这里是工具，修正穿模、虚接触这类问题，补全原始数据缺失的接触力，扩增不同的物体和场景。底层还有一条反馈线，模型上真机，部署反馈反哺算法和数据，再进入下一轮迭代。每次训练会暴露哪里数据不够、哪种操作失败率最高，团队据此做针对性补强。

训练里团队大量用LoRA做微调，在正确配置下能匹配全量微调的结果，让有限的算力做更多实验。陆博也留了一个开放问题：当数据规模逼近预训练量级，参数高效的微调表达力是否够用，这要靠实验回答。

灵巧操作还有一条力学通道。团队在做触觉表示学习，给触觉数据赋予语义表示，让触觉和视觉语言一起进模型。人手能感受到物体的微小滑移，这种手感正是精细操作依赖的维度。

最近两三周，团队内部跑出了一个让大家都意外的惊喜成果：一个双手旋拧协作的精细操作模型，丝滑度和完成度远远超出预期。“你会感觉到他好像是学到了一些人的状态。”朱豪华说。

这背后是整套技术栈的积累，灵巧手、臂手一体的数采方案、数据采集软件和管线、灵巧操作基础模型。

“80%的灵巧手都不好用”：021 Pro 选择先做完工程化

回到那只憋了14个月的手。

展馆里不少灵巧手用5分钟、10分钟、20分钟就要休息，因为过热了；用一两个月可能就坏了。“赛道特性大家希望快速迭代出来新的东西，也可以理解。但我们会觉得这个过程是绕不开的。”朱豪华说。

DexHand021 Pro解决的问题是，达到热平衡后保持状态，可以连续使用。寿命上，普通用户试用几个月没有问题。朱豪华去年曾公开提到一个不太好听但真实的判断，市面上大约80%的灵巧手都不太好用。但他表示，今年情况有所好转，因为大家都在往场景逼近，不能一直装在那里当摆设。

商业化方面，灵巧智能用“1+3+N”来概括。1是技术底座，包含硬件、数据管线、模型服务和数采设备，本身就能变现。3是三个聚焦赛道：电力、工业、教育科研职教。N是更多场景。

第一个真正落地的小场景来得很快。灵巧智能和上海电气成立了合资公司，合资没多久就去电气的一个紧固件工厂考察，挑了一个场景，即紧固件的随机抽检。原来靠工人借助工具做检测，灵巧智能用三指灵巧手加视觉，做一个检测工位，一个月交付，已经部署了两台，进入验证阶段。

为什么是三指？朱豪华解释，五指偏复杂操作，目前在工业场景POC阶段偏多。三指在物流搬运等场景里更实用，不需要特别高的精度和自由度，但操作能力比两指强很多。灵巧智能最近和星际归途合作做了一款三指的UMI（Universal Manipulation Interface），现在主流是两指UMI，与三指的抓握能力差距很大。团队挑了几十种场景做了对比，后续会针对三指形态训一个专属基模。

“我们把最难的灵巧手技术都储备完了，再往下做定制化很快，两个月三个月就能变成产品。”朱豪华说。

场景选择上，灵巧智能内部有两个维度，物体的多样性和任务的多样性。传统夹爪夹的是单一物体，任务也是单一的pick&place，靠机械臂调姿。灵巧操作要靠手内微调，核心是力觉、触觉和多模态感知的协同收敛。

朱豪华打了一个比方，传统机器人像炮弹或者射箭，预设好一个精准的方向打出去；具身智能更像导弹，初始精度没那么重要，靠末端感知牵引，最终到达目的。

数据的“不可能三角”

规模化量产的瓶颈在哪里？朱豪华认为，首先取决于数据，其次取决于模型。

中国硬件迭代速度非常快，直驱、绳驱各种方案都有企业跑出来。不管世界模型还是具身模型，本质上是抽象的符号世界模型，跟物理世界怎么建立连接，决定了具身智能能不能落地。

他提出了一个“不可能三角”，数据规模够大、质量够好、成本够低，三者很难同时满足，但训练模型又缺一不可。怎么破？他认为答案在数据金字塔不同层级的配比和定义上。

对于中美之间在具身智能上的差异，他判断，美国的优势在模型能力，中国的优势在硬件。在物理世界和数字世界的连接上双方各有优势，谁先找到路径不好说，甚至可能交叉领先。

“灵巧智能掌握数据这件事，会不会有利于发现智能涌现的时刻？”面对这个问题，朱豪华的回答是肯定的。数据什么是有用的、有价值的，需要模型的摸索来验证。有了数据，帮助跑出模型结果，真机形成闭环。系统化能力强、有迭代能力的公司，更容易跑出来。

朱豪华是技术出身，对“技术信仰”和“技术洁癖”有清醒的自我认知。

“我做技术的，天然倾向于说我有技术的，有点技术信仰，想去做一些正确的事情。但商业化也同样很重要。”他说，“你一定需要随着大趋势的发展去踩好节奏，不能过快地去跳跃式发展。创业公司你还做不到牵引潮流。”

这句话背后是一套认知方法。他把突破固有认知放在很高的位置。具身智能不只是技术问题，还有科学问题没解决，涉及机电光材料甚至生物神经科学。做模型的人对算法有天然偏见，做硬件的人对硬件有固有认知，能不能打破专业壁垒去做交叉融合，很关键。

落到组织上，灵巧智能设了一个解决方案团队，借鉴AI行业的叫法，称为FDE（Forward Deployed Engineer）。这个团队要懂场景、懂业务、懂技术，甚至要帮用户挖掘需求。行业太新，很多用户有需求但是模糊的，不知道精确需求是什么，需要有人深挖。找到价值点、解决问题之后，再把共性需求提炼成标准产品和方案。

“你实验室解决的问题，到场景里未必能解决。这太常见了。”朱豪华说，“你不去做，可能永远摸不到这个感觉。”

被问到当下最大的挑战，朱豪华没有只说技术。商业化落地同样是大挑战，因为这涉及到赚钱的能力。

他借用了一个行业里被反复讨论的说法，现在具身智能还处于前GPT状态，或者说前iPhone时刻。从技术共识到技术时代，再到产业时代，中间还有一段路。技术要往TC（Technology）阶段走，但不可能不考虑商业化。灵巧智能要在技术奇点来临之前，落地自己的产品和技术，找到产业的结合点。

WRC的展馆里，从demo到产线的变化，是今年最直观的信号。灵巧智能在这个信号里，押注的起点是手，手背后的数据底座和模型，才是更长的赌注。（本文首发钛媒体APP，作者 | AGI-Signal，编辑 |秦聪慧 ）