伯牙智能劉欣：GPT-6 之後，輪到硬件拖機器人後腿了 | 物理AI 50人

靈巧手去年出貨近 2 萬隻，大部分在「吃灰」 作者丨向 欣 編輯丨高景輝 去年，國內靈巧手公開可查的出貨量是約兩萬只。在伯牙智能創始人劉欣的觀察裡，其中大部分靈巧手的歸宿是跟著人形機器人表演幾場，然後被擱在角落裡，「表演完就吃灰」。便宜的低自由度靈巧手多用於表演；操作能力更強的高自由度產品又容易損壞，有的因為貴，買回來供著不敢用，有的用一星期到兩三個月就壞了——這是劉欣看到的靈巧手市場的現狀。在他看來，靈巧手行業連目標客戶是誰、要解決什麼問題、客戶願意為什麼買單，都還沒有明確答案。行業需要開闢第三個市場：以可接受的成本，將科研級操作能力帶入實際應用。

而這樣的產品至今仍未出現，目前最頂尖的靈巧手，離人手能力都相差甚遠。這就是伯牙的機會。劉欣在阿里工作近十年，曾任阿里巴巴操作系統事業部技術總監、斑馬智行產品負責人，業務涉及手機、汽車、IoT 和機器人。2023 年，他加入蔚來，負責樂道汽車智能化相關產品。2024 年 8 月，他聯合斑馬智行聯合創始人張斯成，以及哈爾濱工業大學（深圳）、中國科學技術大學的兩位教授創辦伯牙智能，希望「為人工智能造一雙真正能幹活的手」。跨行業的經歷，讓他習慣把一件事放進更大的座標系裡思考，做靈巧手也是如此。

他喜歡從不同領域裡尋找靈巧手的產品思路，思考市場的迭代和發展方向，會參照汽車和手機的發展歷程，也會從生物進化和人體結構出發，思考五指設計的必要性；旁徵博引，各種論據信手拈來。由此，他形成了一些與行業主流判斷不同的看法：相比硬件，模型可能更早觸及能力拐點，屆時限制機器人操作的可能是身體，而非大腦；直驅手雖然暫時領先，但繩驅會後來居上；靈巧手的精度標準，應該從「重複定位精度」變成「可控制的最小精度」。伯牙的首款靈巧手高山 S1有 22 個自由度，採用以繩驅為主，齒輪直驅加絲槓連桿為輔的混合驅動。劉欣介紹，他們是全球第一家做繩驅＋絲槓並聯手腕構型的靈巧手公司。

除了硬件，伯牙還在開發一套「小腦」模型，內置 30 多種標準動作，由上層模型調用相應動作，並通過實時反饋調整執行細節，讓靈巧手更穩定地完成操作。在這個行業，賣出去不等於用了起來。一隻靈巧手距離真正可用，還有多遠？伯牙為什麼認為繩驅路線會後來居上，靈巧手的「小腦」要怎麼做？以下是 AI 科技評論與劉欣的對話。012 萬隻靈巧手，大部分都在吃灰▎AI 科技評論：有公開數據顯示，去年靈巧手的出貨量是 2 萬隻，伯牙卻在今年 6 月才推出產品，會覺得自己比市場晚了一步嗎？劉欣：這兩萬只可能大部分都是賣給配合人形機器人做表演，表演完就吃灰。

事實上，現在靈巧手行業在各種意義上都沒收斂，包括技術路線，產品定義和客戶價值。行業仍然處在特斯拉 Roadster、理想 ONE 的早期階段，甚至比理想 ONE 還要更靠前，因為理想 ONE 已經有非常清晰的產品定義邊界，而目前的靈巧手沒有。所以也不能簡單地說誰晚了。▎AI 科技評論：根據你的觀察，現在靈巧手的市場情況是怎麼樣的？劉欣：今天的靈巧手產品兩級分化。一類是低自由度的，簡單、耐用、便宜，幾千塊錢就能買到，但操作能力非常有限，主要用來給人形機器人做表演，揮揮手之類；另一類是高自由度的，操作能力更好，成本也高，主流價格都在 10 萬以上，但也用不起來，主要是科研機構在買。

我們今天是在創造靈巧手的第三個市場，把一部分科研級的操作能力帶到實際應用中，同時讓成本落在客戶能接受的範圍內，解決過去自動化設備處理不了的問題。不過這樣的產品今天依然不存在，今天市面上最先進、最高端的靈巧手的能力，都和人手能力差得非常遠。▎AI 科技評論：為什麼操作能力更好的高端靈巧手用不起來？劉欣：因為大家更多是在秀肌肉。今天證明會擰瓶蓋了，明天證明會擰螺絲，後天會打雞蛋了。但要真實部署的話，客戶首先肯定很難接受 5 萬、10 萬以上的售價。沒有做過機器人落地的人，不會知道落地的代價。一條機械臂買來可能只花 20 萬，但要用起來，可能要額外花 100 萬，靈巧手也是一樣。

其次今天這些主流的高端靈巧手，使用壽命可能就是一兩週，或者最多到一兩個月。今天大家都在挑戰極限，展示自己能跑多快。但你不能把百米衝刺的速度，當成跑馬拉松時也能維持的平均速度。▎AI 科技評論：聽起來現狀似乎是，目前靈巧手產品的能力被高估了，做出好靈巧手的難度被低估了。劉欣：對。關於靈巧手的所有東西都還不成熟，都是瓶頸，從任何單一的角度看都有挑戰，況且靈巧手是一個系統，需要把所有東西整合在一起，是一個更大的挑戰。▎AI 科技評論：拆開來看，最容易出問題的是哪個環節？劉欣：電機和傳動結構是靈巧手最容易出問題的。

這是靈巧手設計中的一個矛盾：它需要在極其有限的空間裡，塞進機械結構、電機、電路和傳感器，同時還要保證足夠的力量和功率密度。手指做得越細，結構強度和承載能力就越容易受到限制，尤其是關節連接處，可能只承受幾百克到一公斤左右的力，持續使用一週就出現斷裂。手要做得小，齒輪就要做得精密，模數就要小，齒輪的齒就越小，對加工精度的要求也越高。比如靈巧手裡直徑只有幾釐米的齒輪，模數可能只有零點幾。在這樣的尺寸下，以今天的材料和工藝水平，齒輪很容易出現磨損、變形甚至斷裂。▎AI 科技評論：在精細結構下，保證力量也是一個問題。劉欣：執行任務一定要考慮力量。人的大拇指有 10 公斤的力。

而今天靈巧手大拇指的力，主流的是標 1 公斤，比較高的是 2 公斤，但標的力和實際上能施加的力都有偏差，標的 1 公斤，可能實際上無法達到 1 公斤。我們做到了 3 公斤。▎AI 科技評論：觸覺呢？現在有真正能用的觸覺傳感器嗎？劉欣：觸覺傳感器現在離真正可用還差得非常多。我們測試了很多不同技術路線的觸覺傳感器，但沒有一個是滿分的，都是帶傷工作。我現在都不先 care 耐用性，就它本身信號的穩定性、一致性都有不少問題需要解決。例如，今天的傳感器還無法很好地消除殘留信號帶來的噪聲。

人拿起一個東西再放開後，力覺、視覺等感知信號還會有殘留，但經過上億年的進化，人的大小腦和神經系統已經學會了如何抵消這些噪聲，今天的傳感器還做不到這一點。靈巧手要具備接近人手的感知能力，還需要解決感知精度與分佈的問題。人手的感知神經是 17000 個，但它不是均勻分佈的，就像地理一樣，有一二三級。手掌、手背是最稀疏的，指腹可能是它們的兩倍左右，指尖是手掌的 4～5 倍左右。越到指尖就越精細。有的電子元器件上面有金屬針腳，工人要用指尖壓一下，靠受力的感覺判斷針腳有沒有銜接牢固。這些人與生俱來的能力，對機器人來說非常難。

客觀來說，雖然現在傳感器有瑕疵，但還是基本可用的，反倒是模型還沒充分發掘觸覺的能力，等這一關過去，也會對傳感器提出更清晰的改進方向▎AI 科技評論：可靠性現在對行業而言也是卡點嗎？劉欣：我覺得，現階段行業最重要的還不是可靠性。就像 iPhone 剛出來的時候，大家會說它每天都要充電，諾基亞半個月都不用充一次，但用戶願意為了智能化帶來的體驗提升，接受這個取捨。靈巧手也是一樣。耐用性肯定不能只有一個星期，但現階段至少要爭取做到三個月到半年。目前行業主流的保修期可能是 6 個月，敢承諾一年以上的很少。但這 6 個月的保修，很多時候是靠提前準備一大筆備用金來支撐的。

比如客戶買一隻靈巧手，廠商可能要準備三隻的成本。特斯拉早期也經歷過類似的階段。當時一些零部件容易損壞，公司的做法就是預留一大筆資金，客戶報修後，直接免費更換。新技術和新產品走向市場，都可能要經歷這樣一個階段。▎AI 科技評論：行業裡有一種說法，七八成的任務夾爪就能完成，高自由度靈巧手的市場會不會比想象中要小？劉欣：大家很容易用當下可見的任務去預判未來需求，但人的想象力總是低估物理世界的可能性。IBM 最早推出大型機的時候，曾經有人認為，全球可能只需要幾臺計算機。Steve Wozniak 拿著最早的蘋果電腦原型去找惠普，惠普也不看好個人電腦，覺得誰會買這個東西？

iPhone 剛推出時，誰能想到後來會出現這麼多應用，甚至發展出上億種應用場景？大家總是按照已有的應用場景去判斷一個新技術，很難想象一個尚不存在的市場。等技術能力提升以後，你才會慢慢發現它的潛力。當然，這需要時間。靈巧手也是一樣。今天大家覺得夾爪已經能完成很多任務，但當靈巧操作的能力進一步提升，新的應用場景才會慢慢出現。舉個例子，深圳周邊有些小工廠生產完零件後需要在高倍數電子顯微鏡下檢查零件，零件每個面都要翻一下，這種任務傳統夾爪肯定做不了。▎AI 科技評論：那為什麼一定要五指？三指、四指不行嗎？劉欣：今天的機器人，無論「大腦」還是「小腦」，對空間和物理的認知都還遠不充分。

因此，我們思考機器人應該如何構建時，很容易把問題想得過於簡單。從生物進化的角度看，人類需要面對大量無法提前確定的情況，所以人體設計不會只滿足最高頻的需求，還要為低頻、突發的情況保留冗餘。人類最後進化成五指手也是類似的思路，很多動作兩三根手指就能完成，但五指能為複雜任務留下更多能力空間。五指中力量最大的是拇指，成年人的拇指大約有十公斤的力，其次是食指，力量大約六七斤，再往後是中指、無名指和小拇指。力量較弱的手指通常承擔支撐、輔助和探索的作用。有統計顯示，與五指相比，四指或三指每少一根手指，能力可能下降約 10%。這種冗餘也存在於人體的大腦和運動系統中。

我們平時很少用盡肌肉力量，或持續發揮最快速度和最大耐力，但這些能力依然被保留下來，以便應對突發情況。機器人也是一樣，需要為複雜、低頻的任務預留足夠的能力空間。▎AI 科技評論：落到具體幹活的場景，到底需要幾根手指？劉欣：至少需要 4 根手指。工廠裡用電動工具擰螺絲，如果只有兩個手指，就沒辦法扣動扳機；如果只有三個手指，只有兩指能握住螺絲槍，剩下一個去扣動扳機，其實也拿不穩這個工具。▎AI 科技評論：小拇指呢？特斯拉的工程團隊也糾結過要不要這根手指。劉欣：小拇指力量較弱，更多承擔輔助作用。

很多時候，人甚至意識不到它的價值，只有失去或受傷後，才會發現它的重要性，就像走路時很少關注具體用了哪些肌肉，扭傷後才會感受到影響。我講一個反常識的例子：OpenAI 在 2018 年前後買了一堆 Shadow 的手去轉魔方。轉魔方時他們注意到，最後訓練出的模型比人類更愛用小拇指。因為 Shadow 的五根手指是一樣強的，模型發現，如果能動用這根手指，整個效率和成功率會更高，所以它就更傾向於用。所以我覺得，類人是第一步，超越人可能是將來。▎AI 科技評論：那以後有可能有六指？劉欣：有可能。國外有大學做過實驗，給人裝一根電動的第六指，非常好用，就是多一個輔助，多一根手指，就多一個抓取或勾掛的通道。

▎AI 科技評論：之前還看到一些模仿章魚觸手的軟體腕足實驗。如果將來材料或者算法跟得上，這類方案會不會比多指靈巧手更好用？劉欣：有可能。人的大腦適應性很強。經過訓練，很快就能把第三工具當成身體的延伸。像用筷子、用遙控器玩賽車、玩無人機，或者開手動擋汽車，熟練之後，動作都不需要刻意思考，就像形成了肌肉記憶，最終達到「人車合一」的狀態。▎AI 科技評論：現在直驅方案在高端靈巧手市場上佔據主流，但你們做的是繩驅。從行業看，直驅的主流地位會一直持續嗎？繩驅的機會在哪裡？劉欣：我可以做一個判斷：現在的頭部直驅靈巧手已經接近物理極限，現有性能還能微調，但未來一兩年到兩三年內，很難實現大幅提升。

而我們這套繩驅為主的技術架構，我認為還有很大的性能提升空間，未來仍然有機會實現大幅進步。直驅暫時領先，因為它更好集成。但繩驅手的產品研發正在加速迭代。後面新的繩驅手產品出來的時候，大家就會看到繩驅手在某些層面會超越今天頂尖直驅手。▎AI 科技評論：有一種說法是，只要電機模組成熟了，直驅手就能做好。你同意嗎？劉欣：模組成熟了，不代表整機就會容易。就好比發動機成熟了，不代表造一輛好車很容易。而且我們和國內頭部電機廠商溝通過，他們目前的研發計劃顯示，電機性能的提升並沒有想象中那麼快。靈巧手的傳感器和機械構型迭代會相對快一些，機械結構比較容易調整。

但減速機和電機涉及更復雜的工藝、製造和量產問題，迭代就慢得多。比如減速機，大家談了很多年的微型擺線方案，可現在還沒真正實現大規模量產和廣泛應用。目前主流仍然是行星和諧波減速機，因為這些方案經過了長期驗證，在工藝、品控和成本上相對成熟。02模型會比硬件更早突破▎AI 科技評論：為什麼你認為繩驅為主的混合驅動會是更好的方案？劉欣：現在靈巧手的性能指標之間存在很多矛盾，比如負載強，精細操作可能受限；做得纖細靈巧，力量和耐用性又可能不足。我們選擇繩驅為主的混合驅動方式，就是希望兼顧手指的纖細、力量和耐用性。我們也是全球第一家做繩驅＋絲槓並聯手腕構型的靈巧手公司。

我們對靈巧手的設計邏輯，和人類經過幾百萬年進化，形成的精妙手部結構是一樣的。人類手指輕輕捏一下，主要靠蚓狀肌、掌內肌這些小肌肉完成精細控制；用力提拉東西，真正發力的則是手臂肌肉。所以，生物要兼顧力量和靈巧，通常需要把兩者分開：越靠近末端，結構越纖細、神經分佈越密集，越有利於精細控制；越靠近根部，肌肉和結構越粗壯，越適合提供力量。人類的手臂和手部，就是經過長期演化形成的分工體系。我們知道，這種設計短期內會增加人形機器人的集成難度，但我們還是沿著這個方向走，因為這是更終極的方案。如果馬斯克堅持這個方向，主流機器人廠商可能也會跟進。▎AI 科技評論：你們的混合驅動具體是怎麼做的？

劉欣：我們的手指是腱繩驅動，側擺關節用的直驅，絕大部分電機放在手掌中，手腕是絲槓+連桿，小臂內裝有電機，提供更大的力量。早期做樣機時，我們也嘗試過用繩驅實現側擺等動作，後來發現，這會顯著增加工程複雜度，降低可靠性，所以把這部分關節改為直驅。▎AI 科技評論：靈巧手有這麼多指標，伯牙首先想解決的是什麼？劉欣：第一是自由度，第二是觸覺，第三是力量，第四是精度。▎AI 科技評論：22 個自由度是怎麼定下來的？劉欣：手掌有 20 個自由度，手腕有 2 個自由度。其實一開始我們設計了 23 個自由度，最後砍掉了手掌內帶動小拇指往回收的自由度。

之前 Shadow 是有這個自由度的，他們和 OpenAI 一樣非常喜歡用這個自由度。我們因為工程複雜度，加上多數客戶用不到這個自由度，就捨去了這個自由度。觸覺傳感器我們目前用的是磁霍爾傳感器，各種維度相對好一些。▎AI 科技評論：之前你曾在報道中提到靈巧手的精度應該要叫「可控制的最小精度」，而不是重複定位精度，為什麼要重新定義精度？劉欣：對精度的理解在發生變化。以前強調重複定位精度，是因為沿用了傳統工業機器人的標準。但現在情況不一樣了。我認為以後更重要的是「可控制的最小精度」，也就是系統能夠把動作控制多精細，並根據實時反饋不斷修正。這套邏輯和人的肌肉、神經和大小腦之間的協同是類似的。

人可以通過肌肉的輕微收縮，把動作控制到很細的程度，再根據反饋不斷修正。未來機器人也會越來越需要這樣的控制能力。這也是繩驅的一個優勢。腱繩有蠕變可以通過我們的「感知-修正」系統解決。如果採用齒輪直接傳動，齒輪的齒形、加工精度等因素會影響傳動精度和背隙。背隙很難完全消除，隨著長期使用，齒輪還可能出現磨損、變形，甚至斷裂，進一步影響傳動精度。▎AI 科技評論：行業會認為繩驅的手很難控制，你們怎麼解決這個問題的？劉欣：我們初步做出了一個用來控制靈巧手「小腦」。這個「小腦」並非嚴格按照人體大小腦的分工來設計，我們的思路是把一部分需要實時反饋的動作控制獨立出來。

「小腦」內置一個動作庫，收錄 33 個日常操作常用的動作。這些動作包含手部姿態、執行時序和力量變化。大腦只需要判斷調用哪個動作，小腦負責具體執行和自適應調整，不需要每次都讓上層模型重新推理。這樣一來，大腦的控制維度可以簡化為「7＋1」：7 軸機械臂加一個手部動作編號，就能完成比較複雜的操作。高層模型只需下達移動手腕、執行抓取等指令，具體的關節控制交給小腦。不少做大腦模型的團隊並不擅長驅動高自由度靈巧手，我們把底層能力封裝好，他們就能比較方便地集成。▎AI 科技評論：這 33 種動作是你們自己總結的嗎？劉欣：行業裡有一套常用的動作分類標準，最早是美國一些頂尖高校總結出來的，大約有 33 種。

張世武教授又在此基礎上增加了 6 種，所以我們目前參考的目標是 39 種。不過，要把這 39 種動作全部做好並不容易。比如使用筷子，對亞洲人來說很常見，但對機器手來說仍然非常難。▎AI 科技評論：目前你們的靈巧手主要面向哪些客戶？劉欣：目前我們的客戶有兩類，一類是科研市場，另一類是做大腦模型的公司。他們開始向更精細的靈巧操作發展，就需要更好的靈巧手。但如果還停留在拿 π0 開源模型做後訓練的階段，基本上還用不到靈巧手。▎AI 科技評論：為什麼用π0 的的開源模型做後訓練，就用不到靈巧手？劉欣：因為 π0 那套純 VLA 架構，對數據和算力的要求極高。

這套架構目前能支撐訓練的極限，是一套包含夾爪在內、擁有 7～8 個自由度、配備 2～3 個攝像頭、動作塊約 50 幀，以 10 幀左右的頻率刷新的機械臂系統。如果換成 20 多個自由度的靈巧手，再接入這套架構，首先數據採集和訓練就很難收斂，因為數據量太大；其次推理效率也支撐不了。▎AI 科技評論：大小腦分層會是終極架構嗎？劉欣：按照今天的發展態勢，一定會。一個是因為大腦側是低頻推理，小腦側是高頻閉環，要持續根據受力、位置等反饋做實時調整；另一個是大腦這一層的能力，頭部大模型公司和科技公司再投入一些資源，就有可能做得很好。最近行業裡比較受關注的一件事，就是 GPT-6 已經可以操作靈巧手了。

這說明大模型在預訓練階段積累的常識和認知能力，正在向物理世界延伸。人學運動靠三部分：先天運動控制、後天認知和練習。練多了就會形成肌肉記憶。一個人練成高手後，大腦主要負責判斷策略，比如網球過來了要打什麼球、落點放在哪裡，具體的身體配合和動作調整，很多時候已經不需要有意識地逐步思考。如果能把大量常用、覆蓋絕大多數場景的小腦技能訓練好，再內置到機器人系統裡，就有點像《黑客帝國》裡直接往腦子裡灌輸程序，醒來以後就會說：I know Kung Fu。▎AI 科技評論：硬件、數據、小腦，還有大腦，這四個部分你們覺得哪個是目前要著重去攻克的？劉欣：我覺得第一個階段還是要把硬件做好。

以 AI 和模型現在的迭代速度，它可能會更早迎來一個 tipping point，也就是大家說的「GPT 時刻」，模型會先於硬件突破。到那時候，大家會發現模型已經很厲害了，但找不到一個足夠可靠的硬件來承接它的能力。▎AI 科技評論：為什麼認為模型會先於硬件突破？行業更普遍的看法是硬件不夠好，限制了模型的發展，應該是硬件先突破。劉欣：模型的發展比大家想象得更快。比如之前提到的GPT-6可以操作靈巧手。從大模型到多模態，再到機器人控制，相關能力可能很快就會取得突破。到最後，你會發現拖後腿的可能是身體，而不是思想。這就跟人一樣。

我也希望自己能像專業運動員一樣，百米衝刺很快，打五個小時網球都不累，但最後限制你的還是身體。硬件也一樣，材料、結構、機電和傳感器的進步都需要時間。今天落地有兩大門檻：一個是模型，一個是硬件。模型可能很快會達標，它依然不完美，但在特定場景、特定任務下，很快可以勝任。模型勝任之後，卡點就會變成硬件本身。03真正的壁壘，是把整套系統做通▎AI 科技評論：伯牙是把自己定位成一家靈巧手供應商嗎？劉欣：我們並不把自己定位成一家純粹的靈巧手供應商，