靈巧手不是等AGI才用：一份被誤讀的物理AI落地地圖

韓工觀察2026.09.25 21:02 · 來自四川全文6685字00:00 / 17:46宇樹Dex5-S把22個主動自由度壓進3.99萬元，市場歡呼“人形機器人進家倒計時”。但把出貨量當幹活量、把自由度當靈巧、把家庭當最大市場，是三個系統性誤讀。靈巧手的真實邏輯是按“腦子的水位”分層變現——硬件決定能力上限，數據決定當下能做什麼：工業可枚舉場景不需要通用AGI，家庭複雜長尾任務才高度依賴它。文 | 韓工觀察9月21日，宇樹發佈Dex5-S靈巧手：22個主動自由度、1:1真人手掌尺寸、全直驅加雙編碼器，3.99萬元起（據宇樹科技2026年9月21日官方發佈）。

一個多月前，宇樹剛在科創板掛牌，上市首日市值約610億元（據上交所公告及公開報道）。市場的解讀很直接：手出來了，機器人要進家了。這個解讀錯了兩次。第一，Dex5-S的買家不是家庭，是高校、整機廠和工業客戶的實驗室——這不是消費品發佈，是科研採購品和數據採集工具的發佈。第二，就算手出來了，真正稀缺的東西也還沒出來：指揮手的腦子、喂腦子的數據、以及讓手邊幹活邊採數的場景。用一句話概括2026年靈巧手行業的真實座標：硬件已經摸到物理極限，行業卡在“有手無腦、有指標無數據、能演示不能幹活”的階段。這不是爆發前夜，是拐點年——硬件就緒、數據荒顯現、場景篩選剛剛開始。

一、先長身體，後長腦子：一條被反覆驗證的產業規律把鏡頭拉遠，機器人產業的歷史就是一部“執行器先成熟，智能層後補課”的歷史。工業革命先有蒸汽機和電機，幾十年後才長出自動控制理論；自動駕駛先卷完激光雷達、域控制器和算力堆疊，然後集體卡在長尾場景的數據裡；機械臂沒有AGI、甚至沒有深度學習，靠示教、視覺和力控就在汽車焊裝線上活了幾十年。規律很清楚：動作可枚舉、環境結構化、失敗成本低的場景，根本不需要AGI。夾爪只有兩指，一個自由度都算不上，但它省下來的人力成本是真實到賬的。這與AI側的結論是同一枚硬幣的兩面。

我在《要毀滅人類的不是AI，是人——拆開2026年9月這輪“末日敘事”》（已發表）裡拆過：系統從未自己決定過“我要變得更強”，它只是被人設定去優化某個指標。擰螺絲的Agent，目標是工程師定的；把任意朝向的零件分到對應料盒裡，獎勵函數和失敗標籤是標註團隊寫的。靈巧手不會因為長在機器人身上就豁免這條規律。所以“沒AGI靈巧手就不能用”是個偽命題。真正的問題是：哪個場景，配得上現在這顆腦子？二、靈巧≠自由度：22個電機解決不了穿針引線先說理論。市面上的參數表把“靈巧”約等於自由度，但自由度只是“潛在靈巧”。

真正的靈巧是一個乘積：靈巧 = 自由度 × 觸覺分辨率 × 控制精度 × 數據 × 任務分佈。任何一項歸零，乘積歸零。拿“穿針引線”做壓力測試——右手捏一根約0.3毫米的軟線，左手捏一根針眼約0.5毫米的針。這個動作在機器人視角下可以拆出七個失敗點：對位偏差、摩擦失效、柔性變形、視覺遮擋、力飽和、滑移失控、恢復策略缺失。其中三個是純物理工程問題，靠迭代能解決；另外四個是智能理解問題，目前無解。這裡只拆最致命的兩個。第一個是柔性變形。線頭是柔性體，不是剛體。線頭抵住針眼入口，一用力就彎成U形，就是不進去。傳統控制模型基於剛體假設，現有視覺-語言-動作模型對柔性物體的物理理解仍處於初級階段。

這是全行業卡著的硬骨頭，與它用幾顆電機無關。第二個是恢復策略。假設前面幾關都過了，線在往前送的過程中從指尖滑走了——接下來怎麼辦？人類會退回來、換個角度、線頭蘸點口水、再試一次。今天所有靈巧手系統裡，Figure的Helix能處理少量預設失敗模式——檢測到滑移就補力——但面對“線彎了”這種預設之外的情況，一樣束手無策；其餘的乾脆報錯停機。這就是硬件與智能的分工現狀，兩句話可以說完：手說：“我能以0.01牛的精度施力。”腦說：“我不知道現在該施0.01牛，還是0.02牛。”順帶補一刀體感問題。

我在《黃仁勳說AGI已來，奧特曼說只是營銷詞：四個人的AGI，四本賬》（已發表）裡寫過：建材城師傅摔一跤會自己改碼放順序，這一跤是生命體感換來的；即便讓大模型在仿真裡摔一萬次，也很難復現這種本能反饋，因為它沒有生物本體的痛覺。靈巧手同理——指尖能測出克力級的力，但“被針扎過一次就記住這個姿勢不對”的下意識迴避，它永遠不會有。好消息是，穿針引線不需要會疼，只需要會推理。順便指出：自由度只是這個乘數里的一項，而數據，是當下最接近零的那一項。

三、You can't scrape a grip：數據荒才是真瓶頸行業裡有句大白話：You can't scrape a grip——抓握的手感，爬不下來（業內比喻：觸覺、力反饋這類物理交互數據，無法像圖文語料那樣靠網絡爬蟲批量獲取）。互聯網上有千億張圖片、萬億條文本，但沒有“溼手捏雞蛋、線頭打滑、紙杯變形”的觸覺-力-關節同步數據。這類數據只能靠遙操作員和採集工人一條條真機採出來，成本遠高於互聯網語料。

據國金證券2026年7月研報估算，2026年初全球高質量真實物理交互數據存量約50萬小時，而通用具身模型的訓練至少需要1000萬小時級，存量不足需求的5%；智元方面更激進的口徑是，高階智能需要億小時級。仿真和合成數據填不了這個坑。視覺仿真已經很逼真，但接觸力、滑移、柔性變形、失敗恢復這類“手感數據”，仿真和真實之間隔著一條至今沒人完全跨越的鴻溝——Sim-to-Real（仿真到真實的遷移鴻溝）。這種落差不是猜測。

斯坦福 2026 年論文《One Demonstration, Many Objects》提出的方法 DemoMimic 裡，作為對照的基線在仿真中開盒/搬箱成功率可達 80%–96%，但遷移到真實五指手後分別跌到 3%–38%；論文提出的接觸中心獎勵方案，才把單策略在 16 個物體、4 類任務、兩種靈巧手上的真機平均成功率拉到 71%。學界管這叫 Sim-to-Real 鴻溝——仿真裡完美的電機響應、剛體假設、無延遲通信，一上真機就被齒隙、電壓波動、物體表面溼滑一一擊穿。你可以在仿真裡讓手穿一萬次針，一進真實世界，線還是軟的，針還是會動。玩家們的應對，也印證了瓶頸所在。

Figure手腦一體最完整——重新設計的手部系統配掌心相機、指尖可感知約3克力級壓力，Helix架構分語義慢腦與約200Hz的高速運動腦（據Figure官方技術發佈），在寶馬工廠裡邊幹活邊採數據，且數據閉源。Figure在2026年9月披露的零樣本家庭評測中，在30戶未訓練過的真實住宅裡做三件事：收拾客廳玩具、摺疊毛巾、整理床鋪。從零訓練策略完整任務成功率約8%（部分媒體記9%），Index預訓練後升至56%——用Figure自己的話說，是“提升超過6倍”。注：該評測對象為三項預先選定的長流程家務任務，並非全部家庭任務。

方向令人鼓舞，反讀也誠實：最前沿的系統，在三項被選定的任務上，仍有近一半概率做不完。智元的路數是自建數據產能：其開源的AgiBot World數據集包含超過100萬條真機操作軌跡、217項任務（據智元機器人官方發佈），並建設了大規模數據採集工廠。宇樹的關鍵恰在這裡：整機出貨量國內領先，但出貨不等於數據資產——科研客戶買走Dex5-S之後，願不願意回傳數據、以什麼格式回傳，都不在宇樹手裡。它賣了無數只“好手”，但這些手在別人實驗室裡產生的數據，多半餵了別人的模型。

靈心巧手（國內高自由度靈巧手廠商）同樣把高自由度手當“科研鏟子”賣給科研和數採客戶；因時科技則針對工業場景選擇了性價比更高的低自由度連桿方案，吃標準化抓取這碗飯——重複、可靠、能算賬。此外，京東等下游玩家也已提出千萬小時級的數據採集規劃（據公開報道），整個行業都在為“燃料”補課。這場博弈的本質：各家嘴上都賣手，手裡搶的卻同一個東西——物理交互數據的入口權。四、工廠練手，家庭畫餅：三層市場的真實地圖市場敘事裡，靈巧手的終局是家庭：疊衣服、做飯、照顧老人，萬億空間。這個終局有個前提沒人願意展開講：家庭場景任務無窮、環境混亂、安全容錯極低，而失敗了用戶直接退貨。

工廠場景恰恰相反——任務固定、環境受控、失敗了有工程師兜底，機器人每幹一天活，產出的價值可以對沖一部分研發成本，還能順手把數據採了。所以頭部玩家的路徑不約而同：先在工廠把通用能力練出來，再把成本降下來，最後才談進家庭。Figure在寶馬工廠，智元在汽車和3C工廠，Tesla的Optimus先在自家工廠做內部物流，宇樹的客戶在實驗室裡替它練手。這不是戰略選擇，是經濟規律和技術瓶頸共同決定的唯一理性路徑。謹慎的從業者也這麼說。

啟元機器人（上緯新材旗下）研究院首席科學家董豪在2026年世界機器人大會期間表示，疊衣、做飯等家庭複雜家務的通用化仍需3—5年，“但如果技術還是以現在這個速度去增長的話，那可能會提前”。優必選周劍的判斷類似：進工廠沒問題，家庭泛化要看具體場景。由此，靈巧手市場應該拆成三層看，而不是一個“家庭萬億”的籠統大餅：第一層，工業/商用層，先放量。這裡的靈巧手不是“擬人”，是“比夾爪多適應更多品類工件”。任務可定義、安全可兜底、省人力能算賬。真實狀態是：大部分客戶還處在概念驗證（POC）階段——買一兩臺在小工位上試效率、試故障率、算回本週期。

傲意科技CEO倪華良在2026世界機器人大會期間接受媒體採訪時稱，業內大部分靈巧手訂單仍處在概念驗證（POC）階段（據《中國經營報》對倪華良的採訪）——這不是否定，是行業真實所處階段的描述。第二層，科研/數採層，眼下最穩的現金流。高校、研究院、AI公司買手回來採數據、做二次開發。宇樹、靈心巧手、Shadow相當大一塊銷量在這。這層客戶不是買“勞動力”，是買“數據入口”和“實驗平臺”。第三層，家庭/消費層，最遠、也最被高估。它目前是資本按終局定價的一張遠期期權——用工業和科研的回款，養著家庭的夢想。五、銷量≠幹活量：2026是拐點年，不是爆發年最後回到數據。

據高工產業研究院（GGII）口徑，2025年中國靈巧手銷量約1.92萬隻，同比增長236.84%；2026年預計約7.02萬隻，同比增長265.63%；2030年有望突破43萬隻，2026至2030年複合增速約57.79%。增速確實兇猛。但這個數字需要拆開讀。出貨量的大頭來自科研教育採購和工業客戶的試用性訂單，真正在產線上7×24小時掙錢幹活的靈巧手，佔比仍然很低；高自由度手在工業連續作業下的長期可靠性——長期壽命和一致性——也還沒有經過產線級驗證。“賣掉了”和“在用”是兩回事，“在演示”和“在幹活”更是兩回事。這不是唱衰，是校準預期。

市場上不缺“靈巧手產業鏈全景”，缺的是一個回答：這筆錢到底在哪個場景、按什麼節奏收回來？本文的全部立場可以濃縮為一次判斷替換：市場把Dex5-S當成“人形機器人進家倒計時”的催化劑；而把它放進宇樹上市、GGII銷量和數據荒的三重座標裡看，它更像物理AI進入數據戰的標誌性硬件——手不缺了，喂腦子的真實交互數據還差著兩個數量級。基於作者的分析框架做粗略主觀打分（非第三方研報結論，綜合技術成熟度與產業落地進度估算）：手硬件約80分，算力與通信約85分，Agent/VLA約40分，真實接觸數據約5分，AGI級自主操作約5到10分。硬件決定上限，數據決定下限，腦子的水位決定這筆錢在哪個場景能收到。

接下來一到兩年，值得盯的不是誰又發佈了多少自由度的手，而是三件小事：哪家工廠的POC轉成了批量訂單，哪個數據集的規模翻過了新的數量級，哪款手的連續作業壽命跑過了產線驗收線。穿針引線那一天終會到來，但它不會先發生在客廳裡，它會先發生在某個工廠的工位上——那裡有一隻不知道疲倦的手，和一個剛剛學會“線滑了要加力、線彎了要換角度”的腦子。手已經準備好做那個不知疲勞的部分了，差的只是一個足夠聰明的智能，來告訴它下一秒到底該怎麼動。家庭，會排在工廠付完學費之後。【信息說明】宇樹Dex5-S參數（22主動自由度、1:1真人手掌尺寸、620g、全直驅+雙編碼器、3.

99萬元起）及發佈時間2026年9月21日——據宇樹官方發佈及證券時報、IT之家等首發報道。宇樹科創板上市時間2026年8月19日、上市首日市值約610億元——據上交所公告及公開報道。中國靈巧手銷量（2025年約1.92萬隻/+236.84%，2026年預計約7.02萬隻/+265.63%，2030年預計突破43萬隻，2026—2030年CAGR約57.79%）——據高工產業研究院（GGII）口徑，限中國市場。全球高質量真實物理交互數據約50萬小時、通用具身模型至少需1000萬小時級——據國金證券2026年7月研報；億小時級口徑據智元方面公開表態。

AgiBot World數據集規模（超100萬條真機軌跡、217項任務）——據智元機器人官方發佈。Figure手部系統（掌心相機、指尖約3克力級壓力感知）、Helix架構（語義慢腦+約200Hz運動腦）、零樣本家庭評測（30戶真實住宅、三項長流程家務，從零訓練約8%、部分媒體記9%，Index預訓練後56%）——據Figure官方news頁及媒體轉述。“家庭複雜家務通用化仍需3到5年”——據啟元機器人（上緯新材旗下）研究院首席科學家董豪在2026世界機器人大會期間採訪口徑；優必選周劍相關判斷據其公開表態。

“業內大部分訂單仍處概念驗證階段”——據傲意科技CEO倪華良2026年世界機器人大會期間接受《中國經營報》採訪。京東千萬小時級數據採集規劃——據公開報道。各環節評分（80/85/40/5/5-10）為作者粗略估算框架，非研報結論。仿真—真機落差：據 Stanford 團隊論文 One Demonstration, Many Objects: Generalizing Manipulation via Local Contact Geometry（arXiv:2609.

01938，2026-09-01 提交，作者含 Fei-Fei Li / Jiajun Wu / Dorsa Sadigh / Jeannette Bohg），方法名 DemoMimic；基線 DexMachina / HERMES 仿真 80%–96%、真機 3%–38%，DemoMimic 真機平均 71%。項目頁 demomimic.github.io。本文僅為產業分析，不構成任何投資建議，所有數據均取自公開披露信息，觀點為作者獨立研判。