参数卷到头之后，灵巧手开始卷「真功夫」

如果现在给所有灵巧手来一场能力水平测试，考什么？

或许你会首先想到让它们比参数。对于灵巧手来说，参数越接近人手、甚至超越人手，理论上能够完成的动作就越多。

但是参数好看不等于实际表现好。

灵巧手能不能根据实际需求，随时调整动作幅度、完成指令？这种随机应变的实操能力，是无法被参数量化的，恰恰能体现一双灵巧手的功底。

有趣的是，灵巧手行业正在流行一些「不务正业」的操作炫技：穿针引线、淘米、折纸、制作冰淇淋、削苹果、拧气球小狗。

表面看起来像是噱头，实则是在换一种更直观的方式展现实力，因为这些日常场景里藏着「真功夫」。

这其实反映了一种信号：灵巧手正在更换考试题型，考应用题。

具体来说，灵巧手面对的是两张考卷。

第一张是正在完成的技能应用考卷，考的是灵巧手能不能在实际场景里，完成复杂、精细、变化中的操作。

第二张是面向未来的商业交付考卷，考的是灵巧手能不能每天稳定运行、工作能力能不能稳定复制。

谁能把两张考卷都答好，谁才能更接近一双真正的人手，并且创造价值。

给灵巧手排名，为什么难有定论？

为什么行业至今没有一个公认权威的灵巧手排行榜？

因为灵巧手不像芯片，没办法依靠跑分说明全部实力。目前业内评测灵巧手，大致有三种思路：看参数、跑仿真、做真实任务。

参数评测，是行业最熟悉的老办法。 它能给出可量化的能力数值。自由度多高、握重比多大、力控精度多细，横向对比一目了然。

自由度能在一定程度上说明灵巧手的灵活程度，但不代表灵巧手一定能稳定地把动作做好，高自由度带来的损耗可能会让动作变形。

握重比代表力量，但力量只是基础题。灵巧手能提起越来越重的物品，但是放到真实环境里，难的是拿起鸡蛋、纸张、玻璃之类的需要用巧劲的东西。

力控精度确实能拉开差距，但参数表上的数字测不出容错率。机器人在现实场景里出错后，调试成本极高，失败甚至会有安全风险，很多时候只有一次机会。

参数依然重要，代表的是灵巧手的可能性和底气。但它只能回答灵巧手理论上有多强，回答不了这些参数组合起来，灵巧手能干哪些活。

既然单看参数不够，那在仿真环境里测试行不行？

仿真平台能让灵巧手低成本、可复现地尝试大量任务，提前为真实部署筛选策略。但是仿真的世界相对比较「干净」，生成的摩擦系数、材质形变、光线反射，和真实世界总有偏差。

一个在仿真里百试百灵的策略，放到真实场景里，成功率可能骤降。

随着灵巧手实操需求的增加，业内也开始尝试建立新的考试标准——直接比任务的完成情况。

比如，由 RLWRLD 提出的 DexBench 给出了五个评估维度和 18 个相关任务，直接考灵巧手做任务能不能过关。

但是这种实操测试既没办法和现实环境划等号，光照角度、物体规格、摆放方式、桌面材质等变量也很难稳定复现，暂时无法成为业内公认的尺子。

业内评不出灵巧手排行榜，是因为评价对象变了。

今天的灵巧手不再是一件单纯的硬件，而是硬件本体、感知系统、控制模型与任务环境共同组成的系统，任何单一维度的尺子都量不全它。

但是业内对灵巧手性能的判断，开始向一个问题倾斜：在实际情景里，灵巧手到底能完成哪些任务？

为了测量灵巧手逐渐具备的落地能力，人类开始让灵巧手考「应用题」。

四道技能应用题，对应四类实操门槛

灵巧手开始考应用题，但不是所有的应用题都能分出高低。真正能拉开差距的题目，是来自真实世界的、带着烟火气的任务——例如让灵巧手穿针引线、淘米、做冰淇淋、捏气球小狗。

这四个任务看着不如搬箱子、包裹分拣、拧螺丝来得实在，却是在以更加生动直观的方式，考验灵巧手具备什么样的操作潜力。

第一题：穿针引线，考的是灵巧手的微操功底。

穿针引线可以说是很多人类都觉得难的操作。针眼的直径差不多只有 1 毫米，线头软塌塌的，稍微抖一下就对不准。

灵心巧手的 L20 灵巧手，在这道题上给出了具有代表性的解法。它的解题关键是把视觉引导、关节精密控制与实时力反馈集成在同一条控制链路上。

先是把手感数字化，定位针线的姿态和运动趋势。更关键的是视触融合的力控策略，让灵巧手能够区分捏住线和穿过针眼的手感。

这道题考的是一次性达成目标的精度。

工业流水线上的精密装配都对精度有较高的要求，对操作的容错率低。未来产线上这些人手做得来、传统机械臂做不了的细活，考的全是这道题的升级版。

第二题：淘米，考的是灵巧手的环境适应。

在灵巧手的参数竞赛越来越白热化的当下，灵巧手对复杂环境的适应能力，反而可能被忽略。

一边是灵巧手怕水、怕灰、怕异物。另一边是人类担心机器人干活不洗手，不放心灵巧手在医疗和食品加工场景里进行操作。

防水性和安全性缺一不可，对灵巧手的材质和结构提出了更高的要求。因时机器人选择用最生活化的方式直面这道题。

今年端午节，因时机器人 RH56F02 灵巧手，配合人类包粽子，洗完了一盆糯米。

淘米这一个生活化的场景恰好可以同时考验灵巧手的这两种性能——手掌要在通电状态下全部浸入水中，反复搅动，还需要承受米粒的摩擦冲击。因为接触的是食材，材质上也得足够放心。

答好这道题的核心是一套全面的防水方案。F02 对起到关键驱动作用的微型伺服电缸进行模块化防水处理，对电气系统稳定性与水下连续作业能力也提出了更高的要求。

同时，在手表面覆盖一层食品级安全材料，防水、防油和便于清洁的材质也能保证食品安全。

当然，这道题的意义远不止厨房。食品加工车间需要冲洗消毒，水产处理线需要接触生鲜，医疗手术室要应对更高级别的防菌要求。

谁能把这道题答好，谁就更有可能率先切入农业、食品甚至医疗等对环境耐受要求更高的场景。

第三题是制作冰淇淋，考的是长程泛化。

长程的难点是误差累积，一步错、步步错，整条流程得重来。

泛化的本质是举一反三，面对没见过的工具、没碰过的质地、没经历过的场景里的连续操作流程，灵巧手能把同一套底层能力体系迁移过去。

折风车、发牌、削苹果这些早期 Demo，已经初步展示了 Sharpa 的 Wave 灵巧手对不同任务的驾驭能力。

但真正拉开距离的，是它能将这些能力迁移到更复杂的长程任务和真实场景中。

进入 DQ 门店制作暴风雪冰淇淋，恰好是道生动的检验题。

搭载着 Wave 灵巧手的 Sharpa North 机器人，需要在不改造任何门店设备的前提下，完成开柜门、取出金属环、固定金属环、打冰淇淋、连续加奥利奥碎、倒置出杯的长程任务，每一步都涉及灵巧手与不同工具、不同质地物品的交替接触。

具体来看，面对把手等硬质物品时，Wave 需要施加足够的力来完成操作，但又不能过度施力导致损坏或脱手。

在分离纸杯时，力度大了纸杯会变形，小了可能拔不出来，必须依靠指尖的感知找到平衡点。

而在装软质冰淇淋的过程中，需要双手调整抓力和搅拌转速，确保每一杯的稠度和形态一致。

这些连续操作没有办法针对单一任务预设参数，而是需要同一双灵巧手搭载同一套能力，自然迁移、灵活适配。

这种用同一双手举一反三的泛化能力，是消费级商业化场景的入场券。

毕竟在未来，消费者不会为只会干一件事的机器人买单，但会为「什么都能搭把手」的那一双掏钱。

第四题：捏气球小狗，考的是动态力控

当下，灵巧手的动态力控可以做到什么程度？

临界点用搭载 OmniHand 3 给出了有趣又有挑战性的答案：捏住、旋转、换手、收尾，重复几次，一只气球小狗成形了。

气球是很难处理的一种材质：质量轻、会回弹、容易爆炸，而且在整个折叠过程中形状和受力结构都在持续变化。

对机器人来说，这道题的核心难点在于，它是一道长序列的柔性动态力控题。

为了防止捏爆气球， OmniHand 遍布指尖的触觉阵列可以在毫秒间回传接触点的位置、局部张力和滑动趋势。

捏出小狗形状的动作由双手协同完成。一只手固定已成型的部分，另一只手寻找「不爆不滑」的施力窗口，完成换手与塑形。

正是这种动态柔性响应能力，让 OmniHand 得以复现折气球狗的全流程，也验证了灵巧手在柔性物体操作这道难题上，已经展现出了一定的完成度。

捏气球狗是一道关于「灵巧手能否像人手一样温柔又灵活」的应用题。

未来，果蔬分拣要求手指在接触瞬间完成力度自适应。

更进一步，在康养场景中，为老人翻身和更换床品，也都需要这种动态柔性操作能力。

上述四道应用题，乍一看是华而不实的炫技，实际上每一个都对应灵巧手精细操作落地过程中，必须跨过的门槛。

能够回答这四道应用题的灵巧手玩家，在对应的能力维度上已经展现了技术积累，但这四道题只是阶段性考试。

等到不久之后，随着融资节奏和市场预期回归理性，交付能力会成为更关键的筛选标准。

灵巧手下一场考试，考什么？

行业从「炫技」迈向「交付」，真正决定未来市场份额的，不是 Demo 有多惊艳，而是能不能通过下面三道交付题。

灵巧手的连续运行与维护是第一道难题。

灵巧手连续干 8 小时细活，至少面临机械耐久性、材料寿命和热管理三重挑战。

一根手指一天可能完成数万个动作，任何一个零件罢工都可能让整只手提前退休。

反复摩擦、挤压和化学侵蚀会让表层材料快速老化。

散热不及时可能导致线圈失灵，频繁弯折的线束也会在振动中松动，成为隐蔽故障点。

这些问题共同决定了灵巧手能不能从「展品」变成「生产力」。

第二道大题，是灵巧手面对变化时的适应与恢复能力。

走出实验室，灵巧手没办法靠一套预设参数吃遍天下，得具备持续感知变化并实时调整的学习能力，出了问题能自己纠错。

这需要三层能力协同。

首先是模型架构分层。灵巧手需要搭载一个会分工的大脑。

比如，Sharpa 的 CraftNet 把模型拆成了三层：

System 2 当「推理脑」想任务，System 1 当「运动脑」规划轨迹，System 0 当「交互脑」靠触觉做最后一毫米的微操，三层异步协同，各管各的节奏。

其次是触觉升级，意味着灵巧手的触觉硬件和软件要相互配合，接管视觉管不了的任务。

例如，Sharpa 的 Wave 灵巧手在指尖集成了高分辨率的触觉传感器，配合 System 0 实时调整抓力，才能给顾客表演「倒杯不撒」。

没有触觉，冰淇淋可能会直接摔在柜台上。

更重要的是基础设施协同。

灵巧手能不能稳定复现精细操作，不单取决于模型多聪明，而取决于硬件架构是否为软件的持续进化留出空间，软件能否在硬件的配合下不断迭代。

数据采集流水线、硬件在环测试、OTA （远程升级）升级等一整套基础设施之间的配合，才是决定灵巧手的精细操作能否被稳定复现、能否从实验室走向产线的关键。

第三道题，也是最难的一道题：灵巧手能完成一整套精细操作之后，应该怎么让客户买账？

灵巧手能持续干活，还不够。客户买单的逻辑是算账，要看投资回报率和售后能力。

当前灵巧手价格仍然高昂，只有让灵巧手的部署方案标准化，让客户「开箱即用」，才能摊薄成本、缩短回本周期。

售后能力同样关键。通过远程故障诊断和模块化零部件快速更换等方式，确保灵巧手附带的一整套商业方案能够长线运转。

总体来看，考验灵巧手的实力，行业开始设计实验室之外的实操考卷。

第一张考卷借助穿针、淘米、做冰淇淋、捏气球小狗这些应用题，点亮当下灵巧手的精细操作技能树。每一道都是真实世界抛来的难题。

这些看似和落地产线不太有关系的炫技，其实是灵巧手在探索中走进真实场景的信号，在「不务正业」中长出精细操作的真本事。

而第二张交付考卷，划定的是下一阶段的行业晋级线，决出在真实场景中卷出成熟方案的玩家。

两张考卷指向同一个目标：

灵巧手要想从「参数像人手」变成「操作像熟练工」，就必须先学会在真实场景里玩出花样。

因为真正能落地的灵巧，不是在实验室里测出来的，而是在真实的烟火气里一点点磨出来的。