灵巧手真进厂干活了！

在卧龙希尔工厂，机械臂带着临界点的灵巧手，从传送带上拿起待测产品，扫码、装夹，再拿起螺丝枪固定产品，操作设备完成性能测试，最后卸下螺丝，将产品放回传送带。

这套测试流程共有72步，一期验证中，机器人完成一轮约需8分30秒，人工约需8分钟，任务成功率达到98%以上。

10月29日的2026智元创新日灵巧操作分论坛上，临界点现场连线工厂，展示了这项工业POC，实现了“灵巧手造灵巧手”。

临界点CEO乔天杰谈到自己在车间看到的画面：“一双手在产线上装配着下一双手，这就是临界点的未来。”

论坛上，临界点还发布了遥操作与数据采集一体手套OmniGlove，讨论机器人如何获得人手的操作经验，以及这些数据如何用于训练灵巧操作。

灵巧手开始走进工位，数据手套则试图记录人手的动作和触觉。临界点想解决的问题，已经从手能做出多少动作，延伸到怎样教机器人完成工作，以及如何让一套能力进入更多场景。

“灵巧手造灵巧手”

卧龙希尔生产临界点的灵巧手，每只OmniHand出厂前都要经过整手性能测试，包括手指屈伸、重复定位精度、指尖力和握力等项目。

测试设备可以完成检测，但上料、装夹、拧螺丝和操作面板等步骤仍需要处理。临界点模型算法总监吴铭东介绍，工厂此前依靠人工完成这些操作，每天要测试100多只手。

此次展示的方案用一台机械臂搭配一只灵巧手，将上料、扫码、装夹、测试设备操作和下料串成完整流程。机械臂末端不需要为了拿螺丝枪、按按钮或抓取待测产品反复更换工具。

吴铭东介绍，团队选择“机械臂＋灵巧手”，是希望先用较小的作业单元把一个工位做透，再计算设备投入和任务回报。

手负责抓取和操作工具，机械臂带着它到达各个作业位置，两者共同完成整套测试流程。

团队尝试过用夹爪抓螺丝枪，但螺丝拧紧时的反作用力容易让枪脱手；把螺丝枪固定在机械臂末端，又难以兼顾抓产品和操作面板。换用灵巧手后，同一只手可以在这些动作之间切换。

在吴铭东看来，部署态有两步：先让机器人完成一个工位的工作，再考虑如何更快、更便宜地推广到下一个工位。

72步测试工位正处在第一步的验证过程中，临界点计划年内推动方案并线。

现场连线还展示了对干扰的应对：工作人员推动机械臂后，机器人重新调整螺丝枪的位置；人为改变孔位、导致拧紧失败后，系统能够识别异常并重新对孔。

对孔的难度来自多处：可重复使用的防脱螺丝会在孔内晃动，螺丝枪有重量、线缆牵拉和拧紧反作用力。吴铭东介绍，枪在手中偏移1mm，枪头可能偏移3-4mm，足以影响亚毫米级的对孔操作。

在珠海长隆，临界点面对的则是商业服务中的灵巧操作。灵巧手参与猜拳、搭积木、折气球等互动，每天要面对游客和不断变化的现场环境。

乔天杰在会后群访中表示，工业场景相对规则，对节拍和可靠性要求更高；商业服务的任务可能更加多样，对部分指标的容忍度也不同。临界点希望两条路线并行，从当前能力能够覆盖的任务开始，逐步进入更复杂的场景。

这也是临界点将产品分成不同档位的原因：OmniHand 3 Lite手长140mm、重量轻至350g；OmniHand 3拥有10个主动自由度，指尖、手掌和手背配置触觉；OmniHand 3 Ultra拥有21个主动自由度，并配备全域触觉，另有触觉夹爪OmniPicker 3。

乔天杰认为，不同任务需要不同末端，夹爪和灵巧手并非「非此即彼」。他希望先用中低自由度产品进入适合的工位，同时继续提升高自由度手的可靠性；截至10月，临界点灵巧手累计下线超过1.5万台。

在产品设计上，OmniHand 3 Ultra采用仿生软体包覆，在指尖、指腹和手掌等区域覆盖柔性电子皮肤，希望让手与物体接触时有更好的包络性。OmniPicker 3则在夹指上配置触觉，面向不同重量和材质的物体调节夹持。

乔天杰介绍，临界点希望通过平台化方式复用底层能力，再围绕具体场景调整产品：打螺丝、端杯子和工业产线作业，对手的性能与成本要求并不相同。

另外，在三指和五指的选择上，乔天杰更看好五指的长期应用。他给出的理由包括人类工具通常适配五指，以及互联网视频、第一视角和手套采集到的人手数据与五指形态更接近；他也认为三指产品会在发展过程中存在。

不过，灵巧手从实验室进入工厂，首先要经受长时间使用。

临界点CTO熊坤在圆桌上说，客户对能够长期部署的手有明确需求，可靠性需要放在优先位置；灵初智能联合创始人、首席科学家杨耀东也提到，科研人员需要考虑高自由度手损坏后能否快速维修。

乔天杰在群访中谈到，真实场景会暴露实验室阶段不容易发现的问题。随着部署增加，产品需要不断迭代，同时要考虑故障带来的售后压力；临界点也将汽车Tier 1的研发经验用于产品可靠性和量产管理。

圆桌上，非夕科技副总裁陈仙勇从工业现场提出了另一项要求：多品种、小批量的生产任务经常涉及产品和流程切换，客户要一起考虑设备节拍、部署成本、学习成本和稳定性。

陈仙勇还追问：“什么操作才是有价值的？”在他看来，工业现场除了搬运等辅助工作，还有需要技术水平的作业技能；企业需要从完整系统出发，考虑怎样让这些技能既能完成任务，又具备客户可以接受的性价比。

工厂需要的是能完成工作的一套系统，手进入工位后，机器人如何获得操作经验、遇到偏差又如何调整，直接关系到这套系统能否继续工作。

为什么还要做一双手套？

论坛上，临界点发布了OmniGlove遥操作与数据采集一体手套。其中，OmniGlove Pro数采版本能够记录人的手部位置、姿态及触觉信息，再将数据用于机器人操作。

做灵巧手的企业，为什么进入数据采集环节？

熊坤在圆桌上谈到，高质量灵巧操作数据仍有需求，手套和灵巧手之间的动作映射、触觉信息关联，是团队在设计时考虑的问题。

会后群访中，乔天杰进一步解释，临界点灵巧手外部带有手套，数据手套与机器人手外层的外观、触觉分布会尽量保持一致，让采集到的人手数据更容易用于训练自家的灵巧手。

人戴手套拿杯子、使用工具时，采集的不只是手指移动的轨迹，还包括手与物体发生接触的位置和受力信息。与常见的视频采集相比，触觉能补充画面中难以直接呈现的接触状态。

选择什么样的采集设备，也会影响数据怎么获得。

临界点首席具身科学家黄碧丹在群访中比较了外骨骼和柔性手套：外骨骼依靠刚性连接与关节编码器，可以较精确地估计手部和指尖位置，部分遥操作设备还能提供触觉反馈。

但外骨骼的重量和结构会影响佩戴感受，也可能遮挡第一视角画面。临界点选择柔性手套，希望采集者能够更自然地使用双手，并将设备带进更丰富的实际操作场景。

柔性材料同样给工程设计带来了难题。手指弯曲时，织物会跟着拉伸、移动；触觉传感器需要区分来自物体的接触和手套自身的形变，定位系统也要尽可能保持稳定。

OmniGlove将EMF与IMU结合，用于追踪手部位置和动作。单只手套配置6个EMF和7个IMU，估计手部关键点、关节角度及指尖位姿；遇到磁干扰时，系统会调整不同传感信号的权重。

手套的平均定位误差为0.66mm，相比对照的行业平均水平低78%。触觉版本单手配置746个触觉点，覆盖17个区域，手指和手掌与物体接触时，可以记录对应区域的信号。

手套的触觉感知范围为0-20N，力分辨率为0.1N，空间分辨率小于3mm，单手定位与触觉数据以125赫兹输出。为了减少手指弯曲对触觉信号的影响，团队在传感区域使用半硬基底，并对关节附近的结构进行切分。

此外，手套还需要经受反复使用。乔天杰表示，触觉外层使用一段时间后可能需要更换，定位模块和触觉外层因此采用可拆分设计，外层磨损后可以单独替换。

黄碧丹认为，指尖触觉信息能够帮助处理接触操作中的末端误差。灵巧手接触物体时，手指是否碰到了目标、接触发生在哪里，都会影响下一步动作。

在群访中，她也谈到了机器人手的触觉配置：视触觉传感器能够感知较精细的接触和物体表面信息，适合用于指尖；手掌等其他接触区域则可以配置其他形式的触觉传感器，让不同部位获得接触信息。

杨耀东在圆桌上也将手、数据和模型放在一起讨论：手的形态影响数据如何采集，模型要学习的任务又会反过来影响手和采集设备的设计。

人手数据，怎么教会机器人的手？

手套采到数据之后，临界点展示了一项“真机Ready”流程：人戴手套完成操作，经过数据处理和跨本体动作重定向，机器人在相同场景条件下回放，完成对应任务。

另外，黄碧丹在群访中举了一个例子：人把桌上的杯子从A点拿起、放到B点，机器人replay时，也从同样的位置拿起杯子并放到B点。通过这样的replay，可以检查人手采集的数据经过处理后，是否能够用于机器人执行。

把人手动作转换给机器人，并不是简单复制关节角度。两只手的尺寸、关节位置和运动范围存在差别，同一个抓取目标，机器人可能需要采用与人不同的手指姿态。

会后群访中，NE时代向黄碧丹追问：动作重定向时，关节角度、指尖位置和物体最终操作效果，应该优先保留哪一个？

黄碧丹回答，这些因素都进入了优化过程，需要调整权重；对于操作任务，团队更看重物体的状态是否发生了预期变化，因此采用以物体为中心的重定向方式。

例如，将杯子从桌面拿起并放到指定位置，重点在于机器人能否完成取放。为此，机器手需要找到能够抓稳杯子、移动并放下的姿态；人手关节角度可以作为映射的参考，机器人最终还要结合自身结构，找到适合的抓取动作。

数据手套并不是行业里唯一的数据采集方式。杨耀东在圆桌中谈到，人类第一视角数据、UMI数据和机器人遥操作数据有不同的采集方式和信息内容，数据组合也需要随着模型能力与任务变化而调整。

北京智源人工智能研究院具身模型研究中心负责人王鹏伟则认为，不可能把所有物体和背景都用机器人逐一采集；互联网视频和高质量后训练数据，需要结合起来考虑。杨耀东也强调，高质量中训练、后训练数据以及更长时间的任务数据，值得行业关注。

对数据手套未来的用途，熊坤认为，更高质量的人类操作数据也有望用于预训练。杨耀东则在圆桌上强调面向具体操作任务的高质量中训练、后训练数据，并认为单次采集任务的时长还需要增加。

黄碧丹在群访中认为，提高数据质量有机会减少训练需要的数据量，但目前还无法给出准确的成本评估。对于企业而言，采集是否方便、数据能否转到目标机器人上，以及实际训练需要多少数据，都要共同考虑。

不同观点的共同问题是：模型究竟需要从人的操作中学到什么。除了看到物体和手的运动，还需要进一步理解手在哪里接触、用什么力度，以及动作对物体产生了什么影响。

灵巧操作，算法如何应对接触？

黄碧丹在演讲中展示过一组实验，团队将GPT-6接入机器人，提供机器人配置、标定信息和多次提示后，机器人完成了盒子操作；当任务换成用镊子夹豆，机器人在拿起镊子时遇到了困难。

使用镊子需要手指先抓住工具，再调整姿态和开合，镊尖接触豆子后也要控制动作。物体很小，手与工具的接触稍有变化，就可能影响后续操作。

黄碧丹认为，“AI大模型还不能把握物理世界”，要让机器人完成实际操作，还需要解决动作执行和物理接触中的问题。

另一项考验则发生在机器人运动会现场。黄碧丹介绍，赛场灯光杂乱、人员走动，部署时间有限，为了兼顾速度和成功率，团队采用小模型反复迭代和现场工程调优，完成了比赛任务。

她认为，这种做法可以针对特定场景解决问题，但现场调试经验如何更快地复用到其他环境，仍是部署中需要面对的难题。比赛能完成的动作，换到客户现场后，还需要满足不同的节拍和稳定性要求。

临界点的DUET 2.0将灵巧操作分为宏观操作层和微观接触层：操作层负责动作顺序和运动生成，接触层结合触觉信息处理接触和施力，两层可以根据任务配合使用。

两层耦合时，上层给出操作意图和目标，下层将接触信息反馈回来，帮助系统调整。黄碧丹还是用抓取杯子举例：当目标姿态或路径存在偏差时，接触层可以根据触觉信息修正动作，帮助机器人拿稳杯子。

两层也可以分别使用。面对接触较少的任务，上层侧重运动生成；需要细致控制接触时，下层则利用触觉调整施力，承担更直接的操作控制。

黄碧丹用一句话概括这套架构的特点：“合，则全局协同；分，则各显神通。”

折气球需要机器人连续调整气球的位置和形状，既要按照顺序完成一系列动作，也要在接触柔软物体时控制手指。临界点将这项能力带到了珠海长隆的商业服务场景，也在论坛现场展示。

会后群访中，有媒体问乔天杰：临界点既做灵巧手，又做数据和模型，未来是否要向灵巧操作解决方案延伸？

乔天杰的回答是，灵巧手需要软硬件一体设计。通过研发操作算法，团队可以发现硬件在具体任务中的需求，再反过来调整手的设计；临界点也希望把与手相关的算法能力提供给整机企业。

在他的设想中，临界点聚焦灵巧操作所需的手部软硬件，机器人运动、交互等整机能力由相应团队处理。手和算法一起迭代，也有助于客户把灵巧手接入自己的系统。

除算法之外，黄碧丹还介绍了Omni-Symphony部署框架。针对现场光线和地面等条件，系统需要调整运行参数；针对不同的手和臂，则通过统一接口、通信协议及工具链减少接入工作。

部署过程中出现失败或人工干预，系统还会记录相关情况，再用于后续模型改进。黄碧丹希望把现场处理过的问题积累为工程经验，让下一次部署能够复用。

王鹏伟在圆桌上提出，高层规划之外，底层操作模型适应不同物体和场景的能力仍是难点。如果每换一个任务都要重新投入大量时间，部署到更多现场的成本就难以降低；他也希望开发者能够通过接口使用模型，更方便地把能力带入新场景。

吴铭东在群访中也谈到，大模型的视觉理解和高层规划能力可以提供帮助，而机器人底层操作还需要满足较高频率的控制要求。他希望未来面向操作的模型能在保持实时性的同时，提高对光照、背景等变化的适应能力。

实际任务中，决定动作能否完成的变化可能很小：一颗螺丝在孔里晃动，或者工作人员移动了工装，机器人都要重新调整，而卧龙工位把这些问题放到了螺丝枪对孔上。

从一个工位走向更多工位

在卧龙工位，人工遥操作螺丝枪对孔时，操作员主要依靠画面寻找孔位，枪头可能反复试探、退回，再重新靠近。

吴铭东在演讲中说：“模仿学习学的是动作，强化学习优化的是结果。”针对这个工位，临界点采用真机强化学习，让机器人在实际操作中优化对孔动作；演示中，优化后的对孔节拍比遥操作快4倍以上。

吴铭东解释，遥操作采集的数据会记录寻找孔位和反复修正的过程。真机强化学习围绕对孔结果继续优化，让机器人在该任务中学会更直接的动作。

动作完成得快，还要能发现什么时候没有做好。临界点开发的工业智能体Omni-Maestro结合视觉、力矩、测距和设备反馈判断工序状态，再由系统决定继续、重试或回到之前的步骤。

吴铭东将现场演示分成两类能力：螺丝枪受到外力后重新对准，依靠动作策略在执行过程中纠偏；螺丝没有拧到位后发现并补救，则需要系统判断失败、安排后续步骤。

吴铭东展示过一次较长的回溯：系统误判螺丝已经卸下，机器人取手时发现受阻，于是返回卸螺丝步骤。对于一套72步的工作流程，系统需要知道每一步是否完成，才能安排后续动作。

灵巧操作的算法选择也会随任务改变。NE时代在群访中询问，工业任务中如何决定哪些环节使用学习策略、哪些环节继续采用确定性规划。

黄碧丹以此前的积木任务为例：团队分别测试后，在物体感知环节选择数据驱动模型，以获得更好的光照适应性和识别准确度；路径规划则选择较稳定的离线方案，并接受在线环境适应性方面的取舍。

她强调，具体方案要结合现场测试和任务要求决定，视觉、规划、动作执行和工位设备如何配合，都要放进实际任务中检验。

从一个工位推广到更多场景，还需要与机械臂企业、集成商合作。乔天杰在群访中表示，临界点会把与手相关的能力做成便于调用的模块，合作伙伴再结合机械臂和具体需求，完成不同工位的集成。

吴铭东还提出，客户需要完成的是一整个班次的工作。灵巧手如果能在不同项目中承担相近的操作，企业也有机会把此前积累的数据用于后续任务，而不是每到一个工位都从头准备。

乔天杰在演讲中提出，灵巧操作进入部署态后，要看“节拍、成功率、稳定性和ROI”。一项技术能否成为客户愿意购买的生产力工具，还要看它在规定时间内能完成多少工作、出现故障后如何恢复，以及投入能否收回。

这也呼应了王鹏伟的判断：机器人学会一个任务固然重要，换到下一个工位，需要多少数据、多长训练时间和多少部署投入，同样值得衡量。

乔天杰介绍，部分工业客户希望提高自动化水平，也有客户面临高温、超净或其他不适合人员长时间工作的环境。面对不同需求，临界点会优先选择能力能够覆盖、并有机会在后续场景复用的任务，例如打螺丝等，再与合作伙伴推广。

杨耀东提出，灵巧手还需要更清楚的评测方式，比较模型学习新任务的成本和速度。他认为，新任务的学习成本能否随着能力积累而下降，是衡量灵巧操作发展的一项重要指标。

对于灵巧手的价格，乔天杰预计未来一至两年可能下降一个数量级。他认为，产品设计和制造工艺的改进需要一定规模作为基础，灵巧手进入更多工业和商业场景后，订单规模才能带动供应链进一步降本。

乔天杰将灵巧操作的发展分为“开发态”和“部署态”：前者回答产品和能力能否做出来，后者则要让产品在真实场景运行，从第一个客户工位走向更多工位。他判断，2026-2027年将是行业进入部署态的重要阶段。

在乔天杰看来，除了针对不同工位提供产品，万台级生产也有助于稳定供应链、改善良率并降低成本。

长隆和卧龙分别提供了商业服务与工业场景的实践，乔天杰希望将现场作业中产生的数据回流训练，改进模型后再进入更多场景，让部署经验能够持续积累。

灵巧手能在卧龙工厂参与测试，也能在长隆与游客互动，下一步要面对的，是如何把已经积累的能力带到新的工位。

正如王鹏伟关注的那样，学习新任务需要多长时间、花多少成本，将直接影响这些手走向更多场景的速度。