隨著具身智能升溫，高質量操作數據正成為機器人領域最稀缺的資源之一。

過去幾年，行業已經嘗試了各種辦法獲取它：有人通過遙操作控制機械臂完成任務；有人利用穿戴式設備記錄人類動作；還有企業組織大規模數據采集項目，在真實環境中采集人與物體交互的過程。

但這些方法往往成本高昂、覆蓋場景有限，也很難長期持續地產生數據。對于穿戴式采集而言，設備舒適性和用戶配合度同樣是一大挑戰，許多參與者表示，戴上設備后，很難長時間保持自然狀態完成日常活動。

最近，一家美國仿生手公司 PSYONIC 則把目光投向了一個幾乎沒人想過的數據源：那些失去“手”的截肢患者。

目前，已有約 300 名截肢者在日常生活中使用其產品“Ability Hand”。這只仿生手內置壓力傳感器和振動反饋系統，佩戴者在觸碰物體時能夠通過振動感知接觸情況，并實時調整握力。當他們洗碗、疊衣服、開門，甚至運動擲球時，手上的傳感器都在持續記錄接觸點位置、握力大小、手指運動速度以及力矩分布等信息。

（來源：PSYONIC）

相比專門的數據采集項目，截肢用戶每天都在進行真實生活的操作：完成吃飯、穿衣、做家務等各類長尾任務；相比遙操作系統，他們產生的數據包含感知、接觸、反饋與動作調整的完整閉環。

PSYONIC 的設想是，讓同一只 Ability Hand 既作為假肢供人使用，也安裝在工業機器人手臂上，兩端共享硬件架構和數據格式，從而將人類在真實環境中積累的操控經驗直接遷移給機器人。

“真實到真實”：跳過仿真中間層

PSYONIC 把這套方法叫做“真實到真實遷移”（real-to-real transfer），區別于機器人領域更常見的“仿真到真實遷移”（sim-to-real transfer）。后者在虛擬環境里訓練策略再遷移到物理世界，中間往往伴隨不小的性能折損；前者則直接從一個真實物理場景（人的日常生活）遷移到另一個真實物理場景（工廠產線），跳過了仿真中間層。

PSYONIC 創始人兼 CEO Aadeel Akhtar 博士解釋了為什么假肢數據比現有訓練方式更有價值。Akhtar 畢業于美國伊利諾伊大學厄巴納-香檳分校（UIUC），擁有神經科學與電氣工程背景，長期從事低成本仿生假肢研究。

（來源：A3 Association）

他說，遙操作和視頻分析獲取的大多只是位置信息。“你抓一個咖啡杯的時候，手指放在哪里其實不是最重要的。我們的人類用戶清楚知道該對物體施加多大壓力，因為他們能通過手感受到觸覺傳感器的反饋。”把觸覺數據與多模態視覺信息（比如 Meta Ray-Ban 智能眼鏡拍攝的畫面）同步后，就能獲得物體操控的完整要素：包括壓力、手指速度和維持穩定抓握所需的力矩。“如果你拿著一顆樹莓，這些信息能夠幫助你不把它捏碎。”

不過仿真也沒有被拋棄。就在 2026 年 3 月 NVIDIA GTC 大會上，PSYONIC 宣布 Ability Hand 已作為原生資產集成進 NVIDIA Isaac Lab：一個用于機器人學習的開源框架，成為首款被直接集成進該平臺的商用靈巧手。公司同時宣布與 NVIDIA 合作，利用 Isaac Lab 和 GR00T 平臺訓練 VLA 模型和世界模型。

Akhtar 提到，他們發現如果擁有高質量的多模態數據，模型所需的數據總量會顯著下降，遠少于純粹依賴遙操作或視頻分析的情況。真實到真實遷移與仿真訓練形成閉環：Isaac Lab 里做策略仿真開發，物理硬件上部署驗證，真實世界中通過人類用戶采集數據，再反饋回系統改進訓練。

市場上速度最快的靈巧手？

Ability Hand 本身的技術架構也值得一提。它采用肌電控制，通過檢測殘肢肌肉的電信號驅動手指運動；手指采用柔順機構設計（compliant mechanics），能自然貼合不規則和可變形物體表面；內置壓力傳感器提供觸覺感知，振動反饋系統將觸覺信息實時傳遞給用戶。

（來源：PSYONICS）

PSYONIC 稱其為市場上速度最快的靈巧手，也是第一款能向用戶提供觸覺反饋的假肢手，他們的產品也已獲 FDA 批準并納入美國醫保覆蓋。據相關媒體報道，約 90 家機構在使用 PSYONIC 技術，包括 NASA 和 Google。Akhtar 透露，Meta 也是他們產品的早期購買者。盡管這家公司一開始是從假肢產品開始，但物理 AI 的爆發讓公司重心在過去一年內從假肢側翻轉到了機器人側。

在機器人形態適配上，PSYONIC 稱沒有把自己限定在單一平臺。Akhtar 表示 Ability Hand 的設計意圖是跨平臺兼容：從協作機器人、工業自動化設備到輪式足式機器人和人形機器人。GTC 展示的演示視頻中，同一只 Ability Hand 先由人類用戶佩戴完成精密移液管操作，再分別裝到工業機械臂、四足機器狗和人形機器人上執行相同任務。

公司規模也正在快速膨脹。相關報道表明，三年前 PSYONIC 只有 7 人，目前已擴展到 50 人，計劃在未來一年半內將團隊規模擴大近三倍。

同一只手，裝在人類身上，也裝在機器人身上

就在 6 月，PSYONIC 還迎來了一次重量級的工業落地。它宣布與 ABB Robotics 達成合作，將 Ability Hand 裝配到 ABB 的協作機器人 GoFa 上，探索如何將假肢用戶產生的觸覺和運動數據轉化為機器人執行精細任務的能力。ABB Robotics 總裁 Marc Segura 在官方聲明中表示，人類對如何操控不同物體的本能理解，是工業機器人最難復制的能力之一，也是實現真正自主通用機器人的關鍵。

ABB Robotics 目前擁有約 7,000 名員工，2025 年被 ABB 集團出售給軟銀集團后，仍在持續推進其“自主通用機器人”（Autonomous Versatile Robotics，AVR）戰略，即讓機器人具備感知、推理、運動和自主操控物體的能力。

在這套體系中，GoFa 更像一個精密的驗證平臺。這款協作機器人具備較高的定位精度和重復精度，能夠對握力、手指位置和運動軌跡進行量化測量和反復執行。當人類用戶產生的操控數據被轉化為機器人動作策略后，GoFa 可以在工業環境中持續驗證這些策略是否足夠穩定和可靠。PSYONIC 創始人兼 CEO Aadeel Akhtar 表示，他們希望把 GoFa 當作一個試驗場，展示如何將人類用戶的數據轉化為機器人完成真實任務的能力。

圖｜GOFA 協作機器人配合 PSYONICS 的靈巧手（來源：ABB）

具體場景方面，Akhtar 透露初期重點在汽車制造和倉儲物流中的揀選放置任務，另一個重要方向是生命科學領域的實驗室自動化，例如操作燒杯和試管。航空航天、包裝等行業也在考慮范圍內。他表示，公司正在評估如何在 6 到 12 個月內達到 99% 以上的操作可靠性。

與此同時，PSYONIC 還在推進另一條技術線：與加利福尼亞大學圣迭戈分校和圣迭戈海軍醫學中心合作，依托美國軍方撥款，開發可直接與用戶肌肉、骨骼和神經連接的新一代設備，實現單根手指獨立控制和更接近真實觸感的感覺反饋。假肢線讓仿生手更像真手，機器人線讓機械臂更像人手，兩條線產生的數據和技術相互促進。

300 人的數據夠不夠用？

需要承認的是，PSYONIC 的這套方案也存在幾個現實層面的局限性。

首先是數據規模。300 名用戶，放在假肢行業是一個不錯的裝機量，但放在 AI 訓練的語境下就是另一回事了。主流的機器人操控模型動輒需要數十萬乃至數百萬條軌跡數據，300 人的日常生活能覆蓋多少種物體、多少種抓取姿態、多少種力度組合？PSYONIC 強調其數據質量優于遙操作數據，但"質量換數量"的邊界到底在哪里，公司尚未公布任何系統性的對比實驗結果。既沒有與純仿真訓練的消融實驗，也沒有與大規模遙操作數據集的性能基準對比。

其次是場景遷移的鴻溝。截肢患者在家洗碗、疊衣服產生的操控數據，和工廠里在汽車引擎上使用扭矩扳手、在實驗室里移液，是完全不同的力學分布和操作精度要求。數據域之間的分布偏移（distribution shift）是遷移學習中最經典的難題之一，PSYONIC 的"真實到真實"路線能在多大程度上回避這個問題，目前沒有公開數據可以判斷。

最后是可靠性門檻。Akhtar 提出 6 到 12 個月內達到 99% 以上的操作可靠性。這個數字在實驗室演示中或許夠用，但在工業部署中，尤其是汽車裝配線或生命科學實驗室，行業通常要求的是 99.9% 甚至更高的一致性。1% 的失敗率意味著每 100 次抓取就有一次掉落、誤操作或損壞工件，對于高價值零部件或生物樣本來說，這個代價不低。Akhtar 自己也承認這一指標仍處于評估階段。

1.https://polsky.uchicago.edu/2021/08/20/psyonic-racks-of-accolades-as-its-bionic-hand-prepares-for-a-nationwide-launch/

2.https://www.therobotreport.com/psyonic-abb-robotics-partner-apply-human-touch-data-robot-dexterity/

3.https://www.psyonic.io/news/press-release-psyonic-amp-nvidia-officially-announce-collaboration-at-nvidia-gtc/

4.https://www.nbcsandiego.com/news/local/san-diego-startup-brings-bionic-hands-to-factory-robots/

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成