作者｜周悦
编辑｜栗子
一台机器人的灵巧手握住锤头，把钉子一下下砸进木板。每一次落锤，反冲都会沿着锤柄传回手掌；它既要抓得牢，也要控制得准，保证钉子不歪。
另一张赛桌上，机器人要把积木一块块搭起来。定位误差只能控制在 1 — 2 毫米，底层的偏差会随着高度逐层累积，最后松开手指时还得足够轻，否则前面搭好的结构可能被自己推倒。
8 月 22 日至 26 日，第二届世界人形机器人运动会在北京国家速滑馆 " 冰丝带 " 举行。来自六大洲 16 个国家的 666 支队伍、2056 台机器人，在 5 天里参加 51 个项目、1301 场比赛；参赛队伍数量较首届增长 138%，机器人数量约为首届的 4 倍。
今年，机器人的 " 手 " 第一次被单独拉出来考试。灵巧手专项赛设置 8 个项目，从积木搭建、粉末称量、镊子夹豆、精细夹取，到打螺丝、钉钉、电动工具装配、线缆连接，将负载、精度、力控、手眼协调和工具使用放进同一张考卷。过去常被拆开写在参数表里的能力，这一次被直接摆上赛场。
首次参赛的临界点，携量产产品 OmniHand 拿下 7 金 4 银 3 铜，覆盖全部 8 个赛项，几乎包揽本届灵巧手专项赛全部金牌。
作为本次赛事的三大灵巧手硬件支持方之一，临界点赛后统计，从预赛到决赛使用 OmniHand 的比例逐渐提高。灵巧手专项赛预赛实际参赛队伍超过 200 支，其中约 27% 使用临界点自研的 OmniHand；进入决赛的 110 余支队伍中，这一比例升至 35%；进入前三的队伍中，OmniHand 的使用比例约为 60%。
临界点没有为 8 道题准备 8 套硬件。CEO 乔天杰告诉「甲子光年」，参赛使用的是同一款 OmniHand、同一套核心硬件配置。这也是临界点 CEO 乔天杰第一次公开现身，并在赛后接受「甲子光年」独家专访。进入灵巧手行业之前，他做过激光雷达，亲历过一台激光雷达从近百万元降到千元以内。
如今换到机器人的手上，另一个硬件问题摆在他面前：当灵巧手不再只展示开合、抓握和自由度，而是开始真正拿起人类的工具，它的能力究竟应该怎么衡量？
8 个项目对应灵巧手的不同能力。
乔天杰把钉钉和粉末称量看作反差最大的两项：前者同时考验负载和精度，后者几乎没有负载，却对稳定性和位置控制提出更高要求。夹豆、插线、电动工具装配又是另外几类问题——从操纵镊子，到姿态对准、接触控制，一只手要面对的工况并不相同。
更直接的区别来自工具。锤子需要整手握紧，镊子依赖指尖精细控制，起子和美工刀又对应不同的握持姿态。按照学术界普遍接受的 Feix 人手抓取分类方法，其中有 33 种标准抓取形态，临界点称 OmniHand 可以实现其中 27 种，覆盖率超 80%。比赛中，同一款手也需要在镊子、起子、锤子、美工刀等不同工具之间切换抓取方式。
世界人形机器人运动会灵巧手专项赛钉钉项目，视频来源：「甲子光年」拍摄
世界人形机器人运动会灵巧手专项赛粉末称重项目，视频来源：临界点
真正需要验证的，不是同一只手能把一个动作重复多少次，而是换一种工具、换一道题，它还能不能继续工作。「甲子光年」了解到，" 北京人形 - 北邮 " 飞雁队在钉钉固定项目预赛中排名第八。进入决赛后，赛队将机器人左手更换为临界点 OmniHand，最终拿下第三名。
这是此次比赛里一个比较特殊的样本，这只手并非从备赛开始就与整机长期磨合，而是在比赛过程中完成更换和接入。
通用性也体现在硬件能给上层算法留下多少种解法。武汉大学与智元机器人联合赛队，在粉末称量项目里提供了一个更具体的样本。决赛中，机器人以全自主模式完成取勺、取盐、称量和调整，最终用时 27 秒，零失误精准称出 20 克粉末，拿下冠军。
为了这 27 秒，该团队连续训练了约一个月。从前期调试到正式比赛，他们始终使用同一双 OmniHand，累计训练数百小时。每天从早练到晚，通常到晚上 9 点、10 点，有时持续到 11 点甚至 12 点。
粉末称量本身有随机性。机器人每次舀起的盐都不完全一样。有时重量刚好落进理想区间，有时则需要继续调整，算法必须根据当前重量实时修正下一步动作。
武大智元联合赛队队员提到，备赛时，他们有两种策略。一种更保守：先用大勺接近 20 克，再换小勺一点点补齐；另一种更直接，只用一把大勺，通过连续控制把重量逼近目标。
他们选择了后者。这要求末端有足够的控制精度和实时性。前述队员提到，在这类精细操作中，约 100Hz 的控制频率，已经能给算法留下较充分的连续调整空间。
硬件性能不只决定任务能不能完成，也会约束算法的策略空间。正因为末端能够持续、精细地调整，他们团队才敢放弃 " 大勺 + 小勺 " 的保守方案，选择 " 一勺通 "。
另一项考验是耐用性。训练主要使用盐，高湿度、高盐环境会增加材料腐蚀风险；数百小时运行后，传感器、摩擦力和控制精度也可能发生变化。对于已经调好的自主策略而言，硬件特性一旦漂移，就意味着重新适配。
武大智元联合赛队最终让同一双手，从训练一直跑到了决赛。" 如果硬件不可靠，我们就要花大量时间调教硬件，之后才可以提升成绩。" 一位队员说。
" 算法开发最怕的，就是手开发着开发着，‘啪’就坏掉了。" 乔天杰说，" 如果一致性不好，今天开发的策略在这只手上好使，过几天手的特性变了，又不好使了。"
同一只手过 8 道题，考的不是能力的瞬时上限，而是这些能力能否稳定兑现。
但回到产品发布会和参数表，灵巧手行业最容易比较的，却是另一个更简单的数字——自由度。过去两年，灵巧手从个位数、10 多个自由度，快速向 20 个以上推进。
但这次完成 8 类比赛任务的 OmniHand，参数并不算激进：10 个主动自由度、16 个总自由度，整手重量不超过 520 克，指尖重复定位精度典型值为 0.3 毫米，五指抓握力不低于 5 公斤。这是总体考虑了功能，成本，量产等因素优化出来的一套最优参数。
这当然不能证明 10 个主动自由度就是灵巧手的最优答案。事实上，临界点自己的 Ultra 系列同样把自由度推到了 20 个以上。
它至少说明了一件事：自由度与真实任务能力之间，并不是简单的线性关系。
机器人灵巧手过去十余年的研究，也没有沿着 " 自由度越高越先进 " 单向演进。2014 年的 Pisa/IIT SoftHand 有 19 个关节，却只用一个执行器，通过欠驱动和柔顺结构，让机械本身承担一部分对物体的适应；2020 年 OpenAI 使用 Shadow Hand，则保留复杂的高自由度拟人结构，用强化学习处理高维控制；2025 年的 RUKA 采用 15 个欠驱动自由度和腱绳驱动，再用数据学习关节、指尖与执行器之间的控制映射，补上传统解析建模难以处理的部分。
灵巧手过去十余年的技术演进，也在不断重新划分机械结构与算法的分工。在产业化阶段，这种取舍还要再加上成本和可靠性。
" 不同场景对灵巧手自由度的需求肯定不一样。一味追求高自由度，也会带来负面的东西，本质上还是工程的 trade-off。" 乔天杰说。
临界点的产品矩阵也没有押注单一路线。Lite 系列自由度较少，主要覆盖相对简单的 pick and place；OmniHand 处在中间，在灵巧性、可靠性和成本之间取平衡；Ultra 则做到 20 个以上自由度，面向更复杂的手内操作。乔天杰也承认，现阶段更高自由度带来更多运动能力的同时，在价格、寿命、稳定性和一致性上也要付出更高代价。
新增的自由度，只有拥有相应的数据和控制能力，才可能真正转化成任务能力；否则增加的也可能只是成本、发热和可靠性压力。
乔天杰认为，从更长期看，机器人的手仍会越来越接近人手，背后有两个现实原因：一个来自工具。剪刀、锤子、螺丝刀、杯子、门把手，现实世界绝大多数工具本来就是围绕人的五指设计的。机械手在尺寸、构型和运动方式上越接近人手，就越容易直接继承已经存在的工具体系。
另一个来自数据。今天具身智能能够获得的大量操作数据，无论来自互联网视频，还是人佩戴数据手套采集，本质上仍以人的动作作为源头。如果机械手拥有大量超出人手的运动维度，这些新增自由度反而很难直接找到对应的人类数据。
真正需要重新计算的是，每增加一份机械复杂度，究竟能换来多少可以被算法稳定调用、最终进入真实任务的能力。
一只手有了足够的机械能力，下一步是让它知道什么时候、怎样把这些能力用出来。
这次机器人运动会，把这个过程压缩在一个很短的研发周期里。乔天杰回忆，灵巧手专项赛增设较晚，留给临界点团队准备的时间有限，备赛过程中规则还在持续调整。相比遥操作，自主方案受规则变化影响更大，赛题一变，原有的感知、规划和动作流程都可能需要重新适配。
因此，拿到 8 个赛题后，临界点团队先做了一次取舍：哪些任务适合在有限时间里做到自主，哪些现阶段开发成本过高，暂时保留遥操作。
临界点首席科学家小可（化名）告诉「甲子光年」，他们团队在立项时，先定了一条原则，不为比赛做一次性方案，赛事开发不能打乱原有研发里程碑。比赛中完成的全链路适配、遥操作映射和软硬件协同优化，不只服务于赛题。在有限的人力下，他们没有追求 8 个项目全部做自主，而是把资源集中到自主方案相较遥操作优势更明显的项目上，最终夺冠项目的实际开发周期约一个月。
真正到了赛场，变化往往比研发计划来得更快。主办方希望比赛更多考察灵巧操作能力，因此将镊子夹豆项目调整为单次夹取超过 1 颗，整场成绩无效。而在预赛现场，赛场上的黄豆只剩碗底薄薄一层，大约 40 克。豆子越少，视觉定位反而越困难。
临界点团队先后尝试了随机抓取、遍历、视觉定点抓取等方案，最后改成螺旋搜索：从碗中心向外沿螺旋路径寻找豆子，同时通过搅动增加可夹取目标。
预赛首场效果并不理想。两场比赛之间只有半小时，临界点团队现场修改代码，新方案没有经过完整真机测试就直接上场，赛队最终进入决赛。到了决赛，自主方案稳定夹取约 70 颗黄豆，拿下冠军。
变化有时甚至只是几厘米。决赛前练习时，临界点团队发现赛场桌面高度与测试环境并不一致，又在半天内补充了标定方案，让原有算法能够快速适配不同桌面高度。
从规则、物料，到一张桌子的高度，实验室里已经跑通的方案，到了现场都可能重新遇到问题。
武大与智元联合赛队的粉末称量项目，遇到的则是另一类问题。预赛阶段，武大智元联合赛队最初只用单相机识别电子秤。真正到了现场，光照、相机距离以及电子秤数字本身的跳动，都会造成识别不稳定。
决赛前，他们重新做了一遍视觉管线，机器人头部和手部的三个相机同时读取电子秤，通过相互校准和投票排除异常观测。最终 27 秒的成绩，反而比训练时的平均速度更慢。
这是他们团队主动做出的选择。赛场环境和训练环境并不完全相同，他们把决赛参数调得更保守，宁可牺牲一部分速度，也要提高一次成功的概率。机械臂控制算法在备赛过程中，已经把相关环节的耗时优化了近 10 秒；但再继续提速，训练中 " 翻车 " 的概率也会随之上升。
自主操作的工程化，不是追求单次最快，而是让系统能够处理错误观测、环境变化和任务随机性，在不确定条件下仍然把任务完成。
灵巧手本身，也只是自主操作系统的一环。此次比赛中，对于普通借用 OmniHand 的高校赛队，临界点主要提供硬件和基础 SDK；对于武汉大学这样的深度合作伙伴，则进一步开放底层驱控接口，并接入其自主研发的双层具身接触智能架构 DUET。
从一只手能不能动，到机器人能不能把一件事自主做完，中间隔着的并不是某一个算法，而是一整条感知、控制和操作链路。
比赛只需要一套系统在几十秒、几分钟里完成任务。真正进入产业，时间尺度会被拉长到几个月，甚至几年。
对 OmniHand 来说，这个问题正在随着出货规模变得更具体。此前公开数据是，截至今年一季度，OmniHand 单 SKU 交付超过 5500 台。乔天杰此次告诉「甲子光年」，目前累计交付已经接近 1 万台，预计 9 月跨过万台门槛。
从实验室里的几十、几百台走向数千台，更多产品进入不同机器人和任务，此前没有覆盖到的工况开始出现。
一个物流分拣客户就曾反馈，OmniHand 原有的指侧触觉覆盖和触发阈值，对部分轻量包裹不够敏感。临界点随后调整了触觉胶皮和覆盖范围。
更大的变化发生在可靠性测试上。临界点团队有不少成员来自车厂和 Tier 1 体系。乔天杰说，从产品研发的 "Day One" 开始，他们团队就试图按照汽车行业的质量要求做灵巧手。
但真正做下去，他们很快遇到一个差别，汽车零部件已有相对成熟的测试规范，灵巧手却没有现成答案。
最初，临界点对灵巧手寿命的考核也主要集中在空载、带载抓握。但一只手真正装上机器人，会以不同姿态和角度接触不同材质、不同硬度的物体，只靠重复抓握，很难覆盖这些工况。
他们团队后来增加了更多场景化测试，其中一些特殊工况需要连续运行至少一周、没有出现问题，才能进入下一阶段。
有些失效甚至和 " 手在干活 " 无关。临界点团队发现，机器人走路、跑步产生的振动和惯性冲击，会持续传到手腕末端。乔天杰说，实际测下来的冲击 " 远比我们想象的大 "。
如果没有针对性的抗冲击设计，一只手甚至可能什么都没有抓，只跟着双足机器人走了几个星期，就出现故障。后来，临界点团队把双足机器人真实行走、跑步时末端的振动曲线采集下来，再将这些工况加严，反过来用于灵巧手的单体测试。
规模交付之后，产品研发的输入也变了。灵巧手还没有汽车零部件那样成熟的测试体系，很多标准只能从现场长出来。这些问题，一场短时间比赛很难完整验证。
乔天杰认为，这次灵巧手专项赛更多验证的是功能性能——一只手能不能完成称量、插线、钉钉。真正进入工业现场，还要考察长期节拍稳定性、产品一致性、寿命和 ROI。
" 最终还是要算 ROI，本质上就是算一笔账。" 乔天杰说，" 用在这个场景上能给客户带来多少收益，售后又会增加多少成本。"
比赛回答的是 " 能不能做 "；产业要回答的是，能不能每天做，而且这笔账能不能算得过来。
参考文献：
[ 1 ] Feix, T., Romero, J., Schmiedmayer, H.-B., Dollar, A. M., & Kragic, D. ( 2016 ) . The GRASP Taxonomy of Human Grasp Types. IEEE Transactions on Human-Machine Systems, 46 ( 1 ) , 66 – 77. https://doi.org/10.1109/THMS.2015.2470657 [ 2 ] Catalano, M. G., Grioli, G., Farnioli, E., Serio, A., Piazza, C., & Bicchi, A. ( 2014 ) . Adaptive Synergies for the Design and Control of the Pisa/IIT SoftHand. The International Journal of Robotics Research, 33 ( 5 ) , 768 – 782. https://doi.org/10.1177/0278364913518998
[ 3 ] OpenAI et al. ( 2020 ) . Learning Dexterous In-Hand Manipulation. The International Journal of Robotics Research, 39 ( 1 ) , 3 – 20. https://doi.org/10.1177/0278364919887447 [ 4 ] Zorin, A., Guzey, I., Bhattasali, N. X., & Pinto, L. ( 2025 ) . RUKA: Rethinking the Design of Humanoid Hands with Learning. Proceedings of Robotics: Science and Systems XXI. https://doi.org/10.15607/RSS.2025.XXI.131
（封面图：AI 生成）
END.
