靈巧手不只是機器人末端硬件，而是一套能在真實世界中感知、修正并持續進化的靈巧操作系統。

作者｜寇雨然

編輯｜王博

「甲子光年」獨家獲悉，機器人靈巧手初創企業伯牙智能已完成數千萬元天使輪融資。本輪融資由乾融控股領投，蘇創投、熙誠致遠跟投。融資資金將主要用于高自由度靈巧手產品迭代、軟硬件團隊擴張，以及面向真實場景的數據和解決方案建設。

伯牙智能成立于2024年8月，創始人兼CEO劉欣曾長期在阿里巴巴操作系統事業部和智能汽車相關業務中工作，曾任阿里巴巴技術總監、阿里斑馬智行產品負責人，后任蔚來汽車樂道智能化產品負責人，長期負責軟硬結合的復雜產品定義、研發管理和智能化產品落地。

在劉欣看來，智能汽車和機器人在底層技術棧上存在高度相似性：都需要感知、計算、控制，以及對物理空間的理解。不同的是，汽車理解空間是為了避免碰撞，而機器人理解空間，是為了和真實世界發生互動。

伯牙智能創始人兼CEO劉欣，圖片來源：甲子引力

這也決定了伯牙智能的團隊底色：既要懂復雜軟硬件產品，也要懂機器人本體、控制和科研前沿。

CSO張斯成曾任阿里斑馬智行聯合創始人、阿里釘釘副總裁、明略集團首席戰略官，具備智能硬件生態和商業化經驗；CTO陳浩耀是哈爾濱工業大學（深圳）教授、自動化系主任、博士生導師，長期研究機器人控制；首席科學家張世武是中國科大工程科學學院副院長、中國科大人形機器人研究院副院長，長期從事機器人和精密機電系統研究。

而這個團隊的核心目標是，把高自由度靈巧手從一個機械末端，做成融合硬件結構、觸覺感知、力控算法和真實數據反饋的靈巧操作系統。

1.技術取舍：基于人手生理結構的混合驅動路線

過去一年，靈巧手賽道變得熱鬧，也變得越來越像。

20個以上自由度、五指仿生、觸覺感知、混合驅動、力位混合控制、仿真生態、大小腦架構，正在成為高端靈巧手公司的共同語言。

但是，什么才是靈巧手的最優解？

「甲子光年」認為，力量和重量，速度和穩定性，觸覺和成本，精密控制和柔順性，硬件壽命和可維護性，模型泛化和真實任務成功率。這些問題都是靈巧手從實驗室樣機走向真實場景時繞不開的部分。

“技術路線本身不是最重要的。”劉欣告訴「甲子光年」，“真正重要的是，你想解決什么問題，然后為了這個目標做什么取舍。”

伯牙智能沒有把靈巧手定義為一個孤立的機械末端。

在很多機器人系統里，機械臂負責把手送到物體附近，靈巧手負責抓取和操作。按照這種理解，靈巧手公司最容易講的是硬件參數：自由度、重量、負載、指尖力、觸覺分辨率。

但在伯牙智能看來，這種定義還不夠。

伯牙靈巧手夾取螺絲，圖片來源：伯牙智能

機器人真正進入真實場景之后，問題不是把手伸過去就結束了，而是碰到物體之后發生了什么。杯子有沒有滑，布料是不是被拉緊，瓶身會不會被捏變形，螺絲有沒有擰到位，這些都發生在接觸之后。它們不是單純的視覺問題，也不是單純的機械結構問題，而是結構、驅動、觸覺、力控、算法和數據共同作用的結果。

因此，伯牙更愿意把靈巧手看成一套“靈巧操作系統”。

在這套系統里，硬件只是第一層。自由度、力量、重量和速度，決定了一只手能不能完成基本動作；觸覺和力反饋，決定了它能不能知道自己碰到了什么；控制系統決定了它能不能在接觸瞬間做出調整；數據和模型，則決定了它能不能從一次次成功和失敗中繼續變好。

伯牙智能的首發產品高山S1靈巧手，正是在這個邏輯下被定義出來的。

高山S1靈巧手，圖片來源：伯牙智能

這款產品的手部不到500克，接近人手的重量，擁有22個自由度和30N指尖力。單看參數，它當然是一只高端靈巧手。但伯牙真正想強調的，是這些指標背后的系統取舍：末端不能太重，否則會影響整機負載和動作效率；力量不能太小，否則無法完成真實抓握；自由度不能太低，否則很難覆蓋復雜操作；結構又不能過度復雜，否則維護和量產都會成為問題。

這種取舍直接體現在驅動結構上。

在靈巧手行業，繩驅、直驅、連桿，常常被拿來作為不同技術路線的標簽。但伯牙沒有把問題簡化成“選擇哪一種驅動方式”。它更接近于把靈巧手重新拆開：把手掌、小臂和手腕三個看似“孤立”的部件組成一套協同系統。

劉欣告訴「甲子光年」，人的手之所以能同時做到輕末端和大力量，并不是因為所有肌肉都長在手掌里。主要力量來自小臂肌肉，再通過肌腱傳遞到手指；手掌內部的小肌肉，則更多負責精細調整。

伯牙智能的混合驅動路線，也是沿著這個思路展開的。

在高山S1靈巧手中，抓握力量主要由小臂端驅動提供，再通過腱繩傳遞到手指；手部保留用于外展、內收等精細動作的驅動單元；手腕則通過獨立自由度擴大操作空間。

換句話說，伯牙不是簡單選擇了繩驅、直驅或連桿中的一種，而是在不同動作需求下，把小臂驅動、手部精細驅動和手腕自由度組合起來。

這套設計在高自由度、輕量化和大力量之間找到一個可以交付的平衡點。也因此，伯牙智能的高山S1靈巧手能夠在不到500克的重量下，有高達22的自由度和30N的指尖力。

這里劉欣用了一個很生動的比喻：“如果有重工業的客戶需要單根手指承重5kg，我們可以在不大改設計的情況下把電機加大，就像一個人去健身房擼了半年鐵，手變粗了，自然力量就變大了。”

2.評價標準：從“精準重復”轉向“實時修正”

在機器人行業，很多評價標準來自傳統工業機器人體系。比如，重復定位精度，因為傳統工業機器人面對的是高度結構化的產線任務。只要環境足夠穩定，目標足夠明確，機器人最重要的能力就是把同一個動作精準重復下去。

但靈巧手面對的是另一種世界。

真實物體并不總是標準件。在這種場景里，“回到同一個位置”只是問題的一部分。更重要的是碰到物體之后，系統能不能根據反饋把動作修正回來。

因此，劉欣認為，在智能機器人時代，強調重復定位精度沒有意義。

“你閉著眼睛，讓自己的手指重復一百次同樣的角度，其實做不到。”劉欣說，“人完成精細操作，不是靠絕對重復定位，而是靠多模態反饋。”

因此，要從“精準重復”轉向“實時感知與修正”，伯牙在硬件、控制和數據三個維度上，展開了系統性的工程布局。

首先在硬件底座上，降低物理延遲，為感知修正留出空間。

輕量的手部本體降低了運動慣性，確保了操作調整的‘剎車時間’；高達1000Hz的控制頻率與3Hz的開合速度，讓硬件能夠快速響應指令；配合0.01N的指尖觸覺分辨率，讓靈巧手在接觸的毫秒級時間窗口內，擁有了高精度的反饋與調整能力。

這一思路也讓腱繩的蠕變、磨損等問題不再成為一個必須被隱藏的脆弱點。劉欣提到，他們已經通過材料、結構和保護設計將腱繩提高到了數十萬次的使用壽命，在此基礎上，即便有蠕變也可以通過他們的“感知-修正”系統保持控制精度。

而對于腱繩的磨損、壽命邊界問題，劉欣認為，在盡可能提高其壽命的同時，讓腱繩變得更易維護、更換才是關鍵。

他用了一個很生活化的類比：“吉他弦也會斷，但沒有人會因為吉他弦會斷，就不買吉他。關鍵是弦能不能方便更換。”

其次在控制架構上，解耦復雜決策與高頻執行，確保自適應調整。

真實接觸發生在很短的時間窗口里。手指碰到瓶身的一瞬間，力是不是過大、物體有沒有滑移、指尖姿態要不要調整，都需要系統快速響應。如果每一次接觸、每一次力控修正都交給端到端大模型重新推理，延遲和算力都會成為瓶頸。

劉欣提到，近一年備受關注的VLA模型π0系列，依然沒有完全解決大模型在機器人控制中的推理延時問題。其衍生版π0-FAST，本質上也是為了降低延遲、提升推理速度而做出的壓縮取舍。

這正是業內轉向“大小腦分層架構”的原因。大腦負責低頻的復雜任務理解和規劃，比如判斷要拿起哪個物體、選擇怎樣的操作順序、規劃大致路徑；小腦則負責高頻的底層動作執行，比如手指以多大力閉合、什么時候減速、檢測到滑移后如何調整姿態。

大小腦分層模型，圖片來源：伯牙智能

這種分層方案的好處在于，大腦不需要占用小腦的高頻控制資源，小腦也不需要每一步都等待大模型重新推理，前者解決“做什么”和“大致怎么做”，后者解決“接觸之后如何穩定做成”。并且，當硬件性能出現下滑時，這種解耦的系統仍然有機會維持任務完成能力。

在真實使用中，靈巧手不可能永遠處在理想狀態。腱繩可能逐漸磨損，傳動間隙可能發生變化，傳感器信號也可能出現噪聲。

劉欣認為，在大小腦分層架構下，即便小腦執行的動作變慢、抖動或出現偏差，只要上層大腦仍然能夠給出任務目標和策略約束，底層控制就可以圍繞反饋繼續修正；而完全端到端的方案，在硬件狀態變化后往往更容易出現泛化問題。

換句話說，伯牙并不是試圖把所有不確定性都從硬件里消滅掉，而是希望通過感知、控制和學習，把不確定性納入系統閉環。

最后在數據上，用“不完美的數據”讓系統在真實環境中學會實時修正。

劉欣并不認為只有“成功動作”才有價值。在真實操作中，一次抓取失敗、一次打滑、一次差一點成功的動作，都可能幫助模型理解任務邊界。

“特別糟糕的數據當然要剔除，但次優數據有價值。”劉欣說，“它能告訴你，失敗是怎么發生的。”

如果說成功數據告訴系統“應該怎么做”，那么失敗數據和次優數據則告訴系統“邊界在哪里”。對于靈巧操作來說，這類數據尤其重要。因為真實世界里的很多失敗并不是災難性的，而是發生在接觸瞬間：力用大了、角度偏了、摩擦不夠、物體開始滑移。只有記錄這些過程，系統才有可能在下一次操作中提前修正。

從這個角度看，伯牙的硬件、控制和數據思路其實指向同一個目標：不是造一只在實驗室里重復定位最精準的手，而是造一套能在真實世界中感知變化、處理誤差、持續修正的靈巧操作系統。

3.落地路徑：不急著進入家庭

在人形機器人敘事里，家庭一直是最有想象力的終局市場。一臺機器人走進家庭，整理房間、端茶倒水、洗衣做飯、照顧老人和孩子，這是大眾對具身智能最容易理解的圖景。靈巧手作為機器人和物理世界發生交互的末端，也天然會被放進這個想象里。

但伯牙智能沒有把家庭作為第一個主戰場。

家庭并不是一個適合早期產品快速驗證的場景，家庭里的物品種類太多，任務邊界太模糊，安全要求高，用戶對價格和穩定性的容忍度也低。

相比之下，科研機構和部分行業客戶，更像是高自由度靈巧手的早期入口。

其中，科研客戶就是伯牙智能最早面對的一批“開發者用戶”。

過去，很多機器人研究集中在移動、導航、機械臂控制等方向；但當機器人開始進入真實操作任務時，末端執行器的重要性被重新放大。

對于科研機構來說，一只足夠開放、可控、具備觸覺和力控能力的高自由度靈巧手，本身就是開展操作學習、模仿學習、多模態感知和機器人控制研究的重要平臺。

這類客戶的特點是，未必馬上要求完整行業解決方案，但對自由度、接口、傳感器、控制能力和開發環境有較高要求。因此，科研市場不僅能帶來早期收入，也能幫助伯牙智能建立開發者生態。

高山S1靈巧手執行抓取任務，圖片來源：伯牙智能

除了科研市場，伯牙智能更看重的另一類早期場景，是已經具備明確人力成本、危險性或柔性操作需求的行業客戶。

劉欣判斷，危險環境中的遠程作業，海外高人工成本地區的服務和操作任務，需要處理多品類、小批量的柔性裝配，以及部分服務業場景可能會更早落地。

這些場景不一定要求機器人一開始就做到完全自主，很多時候，只要先實現遠程化，就已經能夠創造價值。

例如，在高危環境中，讓人離開現場本身就是價值；在人工成本高的地區，一個操作員遠程管理或接管多臺設備，也可能產生經濟性；在柔性作業中，如果機器人可以完成部分重復操作，人類只在復雜環節介入，也能提高效率。

換句話說，商業化并不只有“全自動替代人”這一條路，遠程操作、半自主操作和人機協同，都可能成為靈巧手的早期落地形態。

這也解釋了為什么伯牙智能不愿意只做一個零部件供應商。

對于靈巧操作來說，數據不只是訓練材料，也會反過來定義產品迭代方向。哪些動作最常發生，哪些物體最難抓，哪些任務最容易失敗，哪些傳感器信號真正有用，哪些結構設計在真實使用中最容易磨損——這些問題很難只靠實驗室假設回答，必須進入真實場景才能被發現。

如果只賣一只機械手，伯牙智能能獲得的是硬件收入；但如果進入科研平臺、行業客戶和真實場景試點，它獲得的將不只是訂單，還有真實操作數據、任務反饋和工程迭代線索。硬件、控制、模型和數據之間，必須形成閉環。

劉欣認為，在高精度靈巧操作中，真機數據目前仍然非常關鍵。仿真當然有價值，尤其適合做算法預訓練、任務驗證和大規模實驗，但靈巧手的接觸、摩擦、形變、滑動和微小力反饋很復雜，sim2real的gap仍然存在。很多看似細微的接觸差異，都會影響真實抓握和操作的穩定性。

因此，伯牙智能希望通過科研客戶、行業客戶和真實場景試點，逐步積累高質量操作數據。這些數據不會簡單開源，但公司會提供開發環境和生態支持，包括兼容ROS、Gazebo、MuJoCo、Isaac等機器人開發生態，讓更多開發者和客戶能夠基于伯牙的硬件和控制系統開展二次開發。

從這個角度看，伯牙智能的商業化路徑與技術路線是一體的：先進入科研和行業場景，一方面可以更快形成收入，另一方面也是為了讓產品在真實任務中被使用、被反饋、被修正。每一次真實抓取、每一次失敗恢復、每一次遠程接管，都會成為下一輪硬件設計、控制策略和模型訓練的輸入。

這才是伯牙智能想要滾動起來的數據飛輪：不是先閉門造出一只完美的手，再等待通用機器人時代到來；而是在真實場景中邊賣、邊用、邊采集、邊迭代，讓靈巧手從一個硬件部件，逐漸變成機器人操作能力的底層入口。

（封面圖來源：伯牙智能）