人形機器人：為何靈巧手是邁不過去的門檻？

人形機器人：為何靈巧手是邁不過去的門檻？

上篇海豚君對人形機器人產業鏈各環節做了詳細梳理之後，本篇重點研究一下靈巧手，海豚君關注幾個關鍵問題：

1）探討靈巧手為何重要？

2）靈巧手的產業瓶頸到底在哪裏？

3）這些瓶頸的解決意味着怎樣的風險與機會？

4）靈巧手未來的方向是什麼，可能的商業化路徑？

廢話不多，直接上正題：

一、為什麼要關注靈巧手？

對於人形機器人，馬斯克及$特斯拉(TSLA.US) 曾反覆強調靈巧手的難度及價值。在此前多個 Optimus 人形機器人的演示視頻中，我們也可以看到，市場期待也是手部動作的進展。

同時，人形機器人整機廠，尤其是中國大陸整機廠商，一年多以來運動控制上炫技頻頻，從只會轉手絹，迅速進化為跳舞打拳樣樣精通，動作流暢度已經讓大部分人類自嘆不如了。但我們是否有注意到，這些炫酷動作主要集中在身體關節，基本上沒有用到手。

這當然不是手不重要，反而説明手部動作的實現難度遠大於身體關節。

手有多重要呢？我們可以想象一下，一台只裝了假手的人形機器人，不管身體關節如何靈活，如果它沒有靈巧的雙手，那麼相較於輪、足機器人，甚至最普通的工業/協作機器人，也強不到哪裏去。

所以手，其實是人形機器人上最關鍵的部位。但從產業化的角度，手的實現難度的確很大。

舉個簡單的例子：當人類決定用手抓取東西時，依據是什麼信息呢？

首先是視覺信息，我們用眼睛看到一個物品，然後，我們可以利用獲取到的視覺信息，疊加我們的思考，來判斷這個東西的位置、距離、種類以及性質等。

然後我們開始實施抓取動作，在這個過程中，觸覺開始發揮作用。首先，我們的手指開始接觸這個物品，然後，我們通過手指的觸覺神經，來獲取這個物品的重量、軟硬、温度以及摩擦力等信息，最後我們開始實施抓取，可以想象，對於光滑的或者粗糙的物品，我們抓取它們的方式顯然是不同的。

另外，這裏觸覺所獲取信息的精細度也與視覺不同，比如對於一根纖細的動物毛髮，我們通過視覺可能很難捕捉到它，但如果用手指觸摸，卻能很容易感受到它的存在。

圖：Optimus 抓取雞蛋及應用觸覺傳感器

來源：特斯拉，海豚研究

通過以上表述，我們能夠簡單理解靈巧手的難度了，那麼要想使得靈巧手實現這樣的能力，瓶頸又在哪裏？

二、靈巧手的瓶頸在哪裏？

這裏我們分為硬件和軟件兩部分。簡單來説，硬件難點在硬件集成和多模態感知融合，軟件在大模型算法架構和數據量積累。

1、硬件角度，難點主要體現在高空間集成和多模態感知

（1）空間集成難度大

例如在特斯拉 Optimus 2.5 方案中，需要在極小空間內塞下 20 多個自由度所需要的零部件，包括電機、齒輪箱、微型滾珠絲槓以及腱繩等，且這些零部件需要滿足高功率密度、高精度、高可靠性、高壽命以及低成本等要求。

（2）對感知要求高，需大量且多模態的傳感器，其中難點最大的還是觸覺

這裏涉及到傳感器，尤其是觸覺傳感器。關於傳感器，我們在此前的人形機器人報告中談到過，一方面需要滿足高精度要求（要求數據一致性，且不能有性能漂移），一方面需要將不同知覺信息融合，那麼就對多模態感知融合能力要求極高，這需要克服不同模態的固有差異。

以上是硬件障礙，但這只是一方面，軟件同樣存在障礙，且這個障礙可能需要更長的時間來解決。

2、軟件角度，主要在大模型算法架構和數據量的積累

這裏我們可能會產生疑問：靈巧手只是一個執行器總成，是硬件，與軟件有什麼關係呢？其實不完全是這樣的：

（1）算法：瓶頸之一

人形機器人的算法仍然處在動態演進階段，技術路線尚未收斂。但整體而言，在大腦部分，採用端到端大模型是普遍認知，儘管採用何種類型、何種架構的大模型還未有共識。

與大腦相對應的是小腦，大腦負責感知 - 推理 - 決策，小腦負責接收命令並執行，這是通常我們從概念上所理解的，人形機器人的算法架構。

那麼問題是，既然大腦需要大模型，小腦需大模型嗎，或只使用傳統算法就足夠滿足需求？以及，這裏的大腦和小腦要被放置在哪裏，是在雲端還是人形機器人頭部或身體中央，還是可以將一部分配置在手部之類的邊緣端？就以上問題，目前並沒有形成標準解法。

那麼對應靈巧手而言，它就不再是一個純硬件，而是需要有軟件植入其中，且這裏的軟件大概率不只是一個傳統的、小型的運動控制算法。也就是説，人形機器人所面臨的算法挑戰也正是靈巧手所面臨的算法挑戰，這是其一。

其二，在人形機器人的整套算法體系當中，對於靈巧手的控制是核心難點之一。如果想讓靈巧手模仿人類手實施抓取動作，正如上文談到，需要以多模態的感知輸入為基礎，那麼這對算法的多模態信息的融合能力要求極高。

總之，靈巧手的研發必須與算法深度融合，絕不僅僅是一個孤立的模塊。

（2）數據量：幾乎是目前面臨的最大瓶頸

人類動作的數據採集與標註極其複雜且成本高昂，對數據準確性的要求極高，而目前人形機器人所積累的數據量遠遠不足。

這裏做個對比，我們可以想象在智能駕駛領域，行業能夠收集到的數據量等級，然後再與人形機器人相比較，目前新能源汽車全球年銷量即將突破 2000 萬輛，顯然相較於機器人，智能駕駛能夠積累的數據量要多得多。

但即便如此，智能駕駛卻還沒有完全走向成熟。與此同時，人形機器人的感知更復雜、執行更復雜，所需要的數據體量預計也會遠大於智能駕駛。那麼可以想象，數據量對行業構成了多大的限制。

而數據量瓶頸，主要制約的是靈巧手的能力。我們在上文已經談到，身體關節的複雜動作，人形機器人已經能夠在一定條件下實現，但手還差得很遠。

當然，除使用真實世界數據以外，仿真等方式也可被用來做訓練，但這卻更能體現靈巧手的瓶頸，因為仿真數據有明顯邊界。目前隨着英偉達 Isaac Sim 等平台的物理引擎越來越逼真，人形機器人絕大部分的基礎步態訓練的確可以在虛擬世界進行，且成本已有所降低，但是諸如材質摩擦性質等差異微妙的長尾場景，以及涉及複雜交互的場景，仿真仍然很難完美模擬，而這些場景主要涉及靈巧手的操作。

表：幾種訓練方式的優劣勢對比

以上是我們對靈巧手行業的簡要分析，接下來讓我們把視角轉向硬件環節的投資機會。

三、哪些硬件比較重要，它們涉及哪些上市公司？

靈巧手在硬件上的技術路線並未收斂，各家整機廠商仍在探索。而領頭羊，或者説起燈塔作用的，仍然是特斯拉的 Optimus。此前特斯拉展示的 Optimus 最新版本，在執行器上大體採用電機 + 行星齒輪箱 + 微型絲槓 + 腱繩的結構，那麼我們以此為基礎對硬件進行一番梳理。

表：執行器技術路線比較

（一）首先，我們先來拆解一下這個結構：在這個靈巧手結構當中，每隻手的手部有 22 個自由度，自由度可以理解為關節，在這其中有 17 個是主動自由度，就是説這些自由度由執行器去主動控制，也就是上文所説的電機 + 行星齒輪箱 + 微型絲槓 + 腱繩的結構。

圖：靈巧手以及手腕的自由度

來源：特斯拉，海豚研究

其中：

1、電機：動力單元，提供原始動力，它們被佈置在手臂位置，早期版本是採用 6 個空心杯電機，但考慮到 2.5 版本已經增加到 17 個主動自由度，所以使用的電機大概率遠超 6 個，根據產業鏈信息，既可能採用空心杯電機，也可能採用無刷齒槽電機。

2、行星齒輪箱：也在手臂位置，與電機連接，也可以叫做行星減速器，用來減速並增加扭矩，與身體旋轉關節的作用類似。

3、微型絲槓：連接行星齒輪箱，將旋轉運動轉化為直線運動，同樣在手臂位置。為什麼有行星齒輪箱了還要配置絲槓？主要是基於體積、精度、壽命等因素考慮。

4、腱繩模塊：連接絲槓螺母和手指，穿過手掌，將絲槓產生的直線拉力傳導到手指，這當中，主動關節和被動關節都需要通過腱繩來連接。

那麼靈巧手關節的驅動過程顯而易見：接收到小腦發出的指令後，電機開始轉動，動力傳導到行星齒輪箱，再傳導到微型絲槓，再傳導到腱繩，最後傳導到手指，在這裏，腱繩類似於人類手部分佈在手掌和手指位置的肌腱。

圖：Optimus 的手臂

來源：特斯拉，海豚研究

另外還有各類傳感器，其中觸覺傳感器在較早版本中主要分佈在五指指尖，每隻手有 5 個，最新版本預計已經把覆蓋範圍擴展到整個手掌，數量上看預計遠大於 5 個。

（二）產業鏈環節和硬件，以及相關公司

1、觸覺傳感器

關於觸覺傳感器，我們在此前的人形機器人報告中已經做過分析，此處不再贅述，僅談談未來的變化。一方面，觸覺傳感器的面積和數量預計將繼續增加，由指尖擴展到整個手掌；同時，技術路線也在變化，可能由壓阻式進化為壓阻式和電容式相結合的混合方案。

不過有一點值得提示，目前即便是精度較高的電容式方案，想要還原紋理等極精細的接觸力學數據，還是存在困難，所以技術路線還有可能進一步演進。

2、執行器硬件：電機、行星齒輪箱和微型絲槓

上篇文章也已經談過，這裏也僅談談可能的變化：未來電機可能由空心杯電機過渡到無刷有齒槽電機即微型無框電機，主要基於降本目的，但再往後電機方案仍可能發生變化；絲槓可能由微型滾珠絲槓進化為行星滾柱絲槓，主要基於精度、負載以及壽命要求。

3、腱繩

腱繩是特斯拉最新方案的重要組件，腱繩的主要難點在材料：從腱繩所發揮的功能我們可以看到，其與其他零件的最大差異在於，它不是剛性的，而是可以發生形變的，這會導致以下問題：（1）可能發生蠕變，即會隨時間發生變形且不可恢復；（2）在驅動過程中會產生彈性形變，導致遲滯效應；（3）會磨損甚至斷裂，影響負載能力，影響壽命。

目前，主要採用金屬或高分子纖維材料（典型如 UHMVPE），其中 UHMWPE 被產業認為是更適合於量產的方向。目前 UHMWPE 產品最領先的是荷蘭皇家帝斯曼集團，其他生產商主要是美國霍尼韋爾國際公司、日本東洋紡織株式會社、三井化學株式會社等，中國大陸有部分企業也取得一些進展，處於驗證階段，包括南山智尚、同益中、恆輝安防等。

表：不同方案腱繩材料對比

圖：某種腱繩混合方案的工作機制示意

來源：《Finger Unit Design for Hybrid-Driven Dexterous Hands》, Chong Deng, et al., Dolphin Research

4、總成環節

此前我們在三花智控的報告中談過，特斯拉傾向於將執行器總成環節交給供應商來生產，而不是採購零部件自己組裝，靈巧手同樣也是總成思路。

目前已經有多家中國大陸企業在推進與特斯拉在靈巧手上的合作。根據產業鏈反饋的信息，目前進展較快的包括新劍傳動（手部絲槓及手部總成）、浙江榮泰（手部絲槓及手部總成）等，其他有潛力的還包括特斯拉的總成供應商如拓普集團、$三花智控(02050.HK) 等。

5、獨立開發靈巧手的公司

人形機器人產業的確加速了靈巧手低成本方案的成熟落地。但靈巧手作為一個完整模塊，並不完全依附於人形機器人本體而存在，試想靈巧手安裝在輪足機器人上、機器狗背上、甚至工業機械臂上，也能實現一定功能。

全球有多家公司選擇專注於靈巧手的研發和生產，我們簡單梳理這些公司，儘管它們基本都未上市，但以之為參考，可以觀察靈巧手技術的演化和收斂方向。

表：靈巧手公司梳理

（三）風險在哪裏？

1、技術路線未收斂

靈巧手的技術路線並未收斂，換句話説，目前靈巧手的技術方案仍滿足不了需求。對於硬件相關公司來説，如果技術路線最終確定，那的確會帶來投資機會，但如果技術路線被拋棄，那自然會面臨預期落空的風險。

那麼當前時點，我們為什麼還要做上述硬件環節的分析呢？因為只有知道了是什麼和為什麼，才能前瞻地判斷未來可能的變化。

舉例來説，對於特斯拉最新的靈巧手方案，大量的執行器都集中在手臂，這可有效減小手部體積，從而大幅增加自由度。但與此同時，這又會增加結構複雜度，造成控制延遲，以及帶來熱積聚等一系列問題。

那麼往後看，為了解決這些問題，靈巧手和整機公司也許會做出這樣的選擇：暫時犧牲靈巧手的部分手指自由度，那麼這將不利於某些執行器零件；增加熱管理的硬件配置，那麼這將有利於供應熱管理模塊的公司，等等。

這裏結合上文分析，對於硬件的迭代方向，我們認為可以重點總結為以下幾點：

（1）成本要繼續降低，對於目前的靈巧手方案，成本仍是制約因素；

（2）要有足夠靈敏和足夠精確的感知能力，這是大模型算法能夠有效應用的前提；

（3）集成度和性能都要滿足，所以執行器技術方案還需要權衡，不只是硬件迭代，整個動力傳導結構也存在不確定性；

（4）材料還需要進一步開發，需要同時滿足柔性、準確性以及壽命要求；

（5）熱管理可能是一個增量環節；

（6）需要關注不同環節的相互影響，例如腱繩的問題是否可通過其他環節來補足，比如通過算法糾錯，或者通過增加位置傳感器的反饋來提高準確度等。

2、供應鏈還未收斂

目前投資市場和資本市場對人形機器人產業的預期顯而易見，但考慮到眾多主機廠商並未上市，於是部分硬件公司就成為了市場流動性的蓄水池。

這裏問題在於，按照特斯拉給予的預期，如果進展符合規劃，那麼 2026 年產業將進入量產階段，這將導致供應鏈收斂風險：

我們可以看到，對於人形機器人每個硬件環節，前期參與研發和驗證的硬件公司均有多家，但如果進入量產階段，整機廠商在每個環節的實際供應商可能並沒有這麼多，經驗上一般在 2-3 家，那麼在進入量產階段後，最終未進入供應鏈的硬件企業將面臨預期落空風險。

四、最後，不談具體環節和公司，我們想結合產業鏈的最新進展，對行業做一些展望

1、首先，未來靈巧手真的是人形機器人身上必不可少的的模塊嗎？

從任務泛化和環境適配的角度講，人形機器人的末端硬件，做成五指手的形狀也就是靈巧手，幾乎是必然選擇。

我們可以想象，人形機器人的遠期空間在於，它們將能夠替代人類任何形式的勞動，而這些勞動所依附的工具，本身都是基於人類的生理特性來適配的。可能有人説，給機器人裝上一個鍋鏟，它就可以直接炒菜，為什麼還要費勁給它裝一隻手，再讓這隻手拿着鍋鏟炒菜呢，這豈不是多此一舉？

完全不是，因為手是一個媒介，它的作用是連接萬千工具，它就像底層代碼，或者説像人類的語言，沒有手的存在，機器人的通用性自然無從談起。

另一方面，從數據獲取和模型訓練的效率來看，靈巧手也具備必然性。

通過上文的分析我們可以瞭解，靈巧手乃至人形機器人的最大瓶頸之一在於數據量，而怎麼獲取這個數據呢？最可靠的仍然是來自現實世界的數據。而獲取這些數據的最可靠方式，就是直接觀察和模仿人類的行為。

如果人形機器人的末端不是靈巧手，那麼這個模仿就無從談起。通過靈巧手，人形機器人的動作可以與人類動作達成最直接的映射關係，這樣的數據利用和學習的效率最高，最終動作的遷移也會更自然和準確。

2、但反過來説，從商業化的角度講，靈巧手是一個馬上可以商業化的產品嗎？

我們認為初期階段，靈巧手的應用仍將首先集中在限定性場景，如特斯拉 Optimus 可能將靈巧手首先應用在特斯拉內部工廠以進行數據收集和訓練；以及某些非成本敏感領域，如科研教育等。而要想真正實現通用性場景的應用，還需要一定的時間。

因為上文談過，靈巧手的最大瓶頸來自於數據量，而數據的最可靠準確的來源是現實世界，那麼這個數據積累過程是無法被繞過的，至少從現階段看，一定需要足夠的場景和足夠的時間。

然而，儘管在此過程中，完整的靈巧手方案仍然需要持續打磨，但某些中間形態，卻可能首先達到商業化應用的條件，或許是兩指，或許是三指，或者較少的自由度，或者某些欠驅動方案，或者相對簡化的感知硬件，以滿足某些半通用性半專用性的場景。

圖：Robotiq 的三指夾爪

來源：Robotiq，海豚研究

圖：Barrett Technology 的 BarrettHand 三指手

來源：Barrett Technology，海豚研究

關於這種“場景降維”，我們可以類比汽車自動駕駛的演進路徑——在自動駕駛的萌芽階段，部分公司選擇直接將 L4/L5 級別的自動駕駛作為實現目標，而有的公司則選擇了一條漸進式路徑，先佈局 L2/L3 級別的輔助駕駛，作為行業的入場券，以現金流反哺產品研發迭代。

另外，最近兩年，在自動駕駛還未成熟的前夜，無論是特斯拉，還是中國大陸新能源汽車企業，選擇首先推出某些場景化的輔助駕駛服務，例如高速 NOA、城市通勤 NOA、全場景 NOA 等。

在有限的場景裏，通過技術簡化和功能限制，來實現一些可商用的、有一定商業價值的產品；同步地，利用這些產品的商業化，積累數據來進一步迭代算法，以逐步逼近終極產品。那麼這也是一條可以兼顧現金流可持續性和產品迭代的可行路徑。

<全文完>

海豚研究相關內容：

《人形機器人：才是 AI 全村的希望？》

《三花：AI 機器人時代，笑到最後還是跨界 “老臘肉”？》

本文的風險披露與聲明：海豚研究免責聲明及一般披露