NE时代

◎ NEO’s Hands：人形机器人开始把“手”当成数据入口。

△ 撰文：DONG.ZY

1X 给 NEO 配了一双更复杂的手。

7 月 9 日，1X 发布 NEO’s Hands，这套腱驱灵巧手面向 NEO 人形机器人，共有 25 个自由度，其中手指与手掌包含 22 个全驱动自由度，腕部另有 3 个自由度。

拇指 CMC 峰值扭矩为 3.5Nm，手指 MCP 峰值扭矩为 2.6Nm，末端屈曲力最高 45N，腕部扭矩为 17.75Nm，定位精度为 ±0.2mm。

1X 把手称为人形机器人的“物理 API”。

这算是一种产品叙事，不过它对应一个很实际的问题：机器人最终如何接触物体，如何判断抓取是否稳定，又如何把接触中的结果反馈给模型。

过去，机械臂末端常用两指夹爪完成抓取、放置和推动，当目标变成酒杯、纸巾、小螺丝、USB-C 接头，或者物体被遮挡、容易变形时，位置控制和视觉识别并不足以让机器人判断自己是否抓稳。

NEO’s Hands 对准的正是这段空白，它不只负责伸手抓取，还要在接触中感知受力、滑移与自身姿态，并把这些信号放回控制和学习链路。

01.

一只手要先“感觉到”，才能真正处理物体

NEO’s Hands 使用约 5:1 至 15:1 的低传动比腱驱方案，电机主要布置在前臂，通过腱穿过腕部驱动手指。

这套结构带来的关键能力是反向可驱。

NEO’s Hands 的全部 25 个自由度支持力控和反向可驱，外部力量作用到手指时，传动链可以把受力信息回传到系统中。

高减速比结构通常更容易锁住关节，却会削弱对外部接触力的感知。

低传动比并不天然代表更好的手部设计，但它更适合做柔顺控制：手指碰到物体、发生位置偏差或受到冲击时，可以让步，再根据反馈调整动作。

触觉传感补上了另一层信息。

1X 称，NEO’s Hands 的触觉传感覆盖指尖与手指表面，可测量法向力、接触位置和剪切力。法向力反映握持力度，剪切力则有助于识别物体是否开始滑动。

手部还通过闭环控制持续获取关节姿态和受力状态，这使机器人能同时判断“手摆在什么位置”与“手正在接触什么”。

前面提到的自由度在这里仍然重要，1X 将 25 个自由度重点分配给手指、手掌与腕部，并强调拇指的对掌能力。

但自由度只提供动作空间，真正决定操作质量的，是机器人能否在摩擦、重量、形变和位置持续变化时，稳定地调节这些关节。

因此，NEO’s Hands 的产品逻辑不是把更多电机塞进手指，而是形成一套接触闭环：关节输出动作，触觉和力觉反馈结果，控制系统据此修正下一步。

02.

真正的难题，在演示动作之外

1X 展示了安装灯泡、使用螺丝刀、插拔 USB-C 接头、抓取酒杯、用纸巾擦拭表面、拉拉链和分拣葡萄等任务，这些任务覆盖了精细捏取、工具使用、易碎物操作和手内操作。

演示能够说明手部具备相应动作能力，却不能直接等同于开放环境中的稳定成功率。

比如插 USB-C 接头，需要小范围定位和姿态调整；抓酒杯要求控制握持力；纸巾和包装袋则会带来形变、遮挡和滑移问题。

1X 公布的 ±0.2mm 定位精度，服务于前一类小尺寸操作；触觉和剪切力感知，则服务于后两类接触不确定性。

柔顺性，同样影响人形机器人能否在真实环境中运行。

1X 将前臂电机、低传动比和腱驱设计，与较低的远端惯量和碰撞让步能力联系起来。官方展示中，手指在拍击、抽屉夹压和外部撞击下能够形变后恢复。

这些画面能够呈现手部的柔顺设计方向，但不能替代人与机器近距离协作所需的完整安全测试。

人形机器人在家庭、商业服务或工业现场运行，还要面对持续接触、不同材质、意外干扰与长期维护。

耐久性因此与灵巧性同样重要，1X 称，NEO’s Hands 达到 IP68 防护等级，使用食品级材料；组件和整指组件经过数百万次循环测试，高负载腕关节测试超过 200 万次。

这些指标对应的是腱、线缆、轴承、触觉皮肤、密封和装配一致性等长期工程问题。

高自由度手部若无法承受持续运行，灵巧操作就很难走出实验室和演示环境。

现有材料没有披露实际部署后的故障率、维护周期、任务成功率和成本。但是，这些数据将决定这双手能否真正承担高频任务。

03.

1X 想做的，

是手部、模型和制造的闭环

NEO’s Hands 的发布，与 1X 近期的世界模型布局存在直接关联。

今年 6 月，1X 成立 World Model Lab，提出用互联网视频、第一视角人类视频、仿真、遥操作机器人数据与 NEO 在线数据训练具身模型。

早在今年 1 月，1X 就公开了 1XWM 路线：世界模型根据文本指令和初始画面生成未来状态，再由逆动力学模型把画面中的运动转化为机器人动作。

这类方法要解决的难题，是把视频中学到的人类操作先验转化为机器人动作。

如果机器人的末端执行器只能完成简单夹取，模型即使理解了人类如何翻转、捏取、拉拽和调整物体，也难以把这些动作完整映射到机器人身上。

NEO’s Hands 试图缩小这一差距。

更丰富的自由度、力控、反向可驱与触觉反馈，让 NEO 能以更多方式作用于物体，并记录动作之后发生的接触结果。

这种反馈对具身学习很重要，一次抓取是否发生滑移、物体在哪个位置被接触、施加多大力量能够稳定握持、失败发生在接近阶段还是接触阶段，都可能成为后续策略训练的数据。

1X 还把制造放进了同一条链路，该公司称，已有数百只 NEO’s Hands 从专用产线下线，计划在 2026 年生产 1 万只手。

1X 表示，其内部整合了电机、腱、电子系统、传感、传动、固件、软聚合物皮肤和终检流程。

对灵巧手而言，规模制造的意义不止是增加供货数量。

当不同机器人拥有更一致的末端结构、传感和控制特性，采集到的操作数据才更容易被统一使用；否则，模型还要先应对不同个体之间的硬件差异。

这也是 1X 试图建立的闭环：机器人进入现场，手部在交互中采集数据，模型根据数据更新，更新后的模型再扩展机器人可以完成的任务。

这条路能否跑通，取决于部署规模、数据质量、训练效率和长期维护成本，而非单只手的峰值参数。

04.

灵巧手的竞争，

开始转向可学习的物理交互

NEO’s Hands 不能证明人形机器人已经解决了通用操作问题，发布材料中的参数和任务演示，能说明产品的结构选择与局部能力，无法替代开放环境下的长期验证。

但这次发布给出了一个更清楚的行业信号：灵巧手正从抓取工具变成具身系统的一部分。

它需要足够灵活，能处理精细操作；需要足够柔顺，能处理接触中的偏差；也需要足够耐用和一致，才能持续部署并形成数据积累。

未来的手部竞争不会只看自由度、峰值力或视频中完成了多少动作，更值得关注的是：机器人能否在真实任务中稳定获得接触信息，能否将这些信息用于下一次动作，又能否以可承受的成本把这种能力扩展到更多机器人。

1X 把手部、世界模型和制造能力放入同一条工程链路，提供了一个具体样本。

这条链路的商业价值仍待验证，但人形机器人若要真正进入物理世界，双手必须先学会从接触中获得信息。

-END-