6小时前 WAIC 2026：机器人今年不只卷模型了

今年在 WAIC 的机器人展区走一圈，我最明显的感受是，大家谈论的问题终于从模型回到了机器人本身。

去年聊具身智能，绕不开 VLA、世界模型、端到端和各种新架构。展台上的机器人哪怕只是拿起一个杯子，介绍也常常要从大模型驱动讲起。今年模型当然还在，只是没那么抢戏了。大家开始追问一些更具体、也更难绕开的问题：训练数据从哪来，机器人究竟该装什么样的手，演示做完以后，能不能真的进工厂、药房和商店。

如果要给今年的展区画三条主线，我会选数据、灵巧手和应用。

真机数据不够，人类第一视角来补

语言模型能快速发展，一个重要原因是互联网上本来就有海量文本。机器人没有这样的现成家底。

网上当然有无数做饭、装配和整理房间的视频，但机器人要学会干活，光有画面不够。它还需要知道手怎么动、关节转了多少、什么时候碰到物体、用了多大的力，动作失败后又是怎么调整的。

过去几年，行业主要靠遥操作采集这类数据。人控制机器人做一遍任务，系统同步记录相机画面、机器人状态和动作指令。它和真实机器人最贴近，质量通常也更高，问题是慢。

采一小时数据，操作员和机器人基本就得结结实实地忙上一小时。设备故障、操作失误、场景重置和无效片段还会继续吃掉时间，最后真正能拿来训练的部分，往往比录下来的少。

行业里已经有人把预训练数据的目标喊到千万小时级。这个数量靠一台台机器人遥操作，很难堆出来。于是，Egocentric（第一视角）数据成了今年很受关注的一条路线。

思路很简单：先不急着让机器人干，可以让人先干。

人在头部、胸前或手腕上佩戴相机，照常完成装配、整理和抓取。系统记录第一视角画面与手部动作，再借助姿态估计和动作重定向，把人类动作转换成机器人可以学习的信息。人每天都在做大量操作任务。相比专门搭建一条机器人采集产线，让人戴着设备工作，成本可能更低，能覆盖的场景也更多。

目标一明确，硬件很快就跟了上来。头戴相机、腕部相机、数据手套、便携式深度相机和轻量动作捕捉设备，都在争着进入数据采集流程。以前去机器人展会，大家盯着的是机器人本体；现在有些展台卖的，其实是怎么让人替机器人生产数据。

第一视角视频也没有把问题一笔勾销。视频能看见手拿起杯子，却未必知道手指用了多大力。人手和机械手的结构不同，人类动作也不能原封不动地塞给机器人。

更现实的做法大概是混合使用：人类视频负责预训练扩规模，真机遥操作数据负责后训练和机器人对齐。

模型怎么训仍然重要，但现在大家已经开始认真琢磨，生产训练数据的那座工厂该怎么建。

灵巧手的竞争，正从自由度转向可用性

今年另一个很明显的热点是灵巧手。

过去机器人最常见的末端执行器是二指夹爪。它便宜、可靠、好控制，抓盒子、瓶子和规则零件很合适。在传统工业自动化里，夹爪能力不够，还可以改环境：零件不好抓就用吸盘，姿态不统一就加定位机构，需要翻面就专门做一个翻转工位。只要产品和流程长期不变，这套办法一直很实用。

工业现场也不会因为五指灵巧手看起来更新，就把已经稳定运行的夹爪拆掉。

变化来自任务。机器人想进入药房、商超和更柔性的产线，就会遇到尺寸不同、形状不同、摆放姿态也不统一的物体。夹爪可以把东西夹起来，却不擅长在手里继续调整方向。拧瓶盖、拔插头、使用工具、抽取薄片、整理柔性包装，这些动作都需要更细的手指配合。

于是，灵巧手成了机器人泛化操作必须补齐的能力。

今年看灵巧手，一个很明显的变化是：它还没有大规模普及，厂商已经开始卷性能和成本了。

过去展台只要能把五根手指分别动起来，就足以吸引不少人围观。现在这已经不太够了。大家开始比较重量、耐用性和控制频率，以及触觉传感器到底能做到什么程度。自由度依然重要，但是很难单独成为卖点。

价格也被摆到了台面上。灵巧手原本更多用于科研和演示，采购方可以接受较高价格，也愿意投入时间调试。可一旦要进入工厂、药房或商超，账就得重新算。一台机器人通常需要两只手，手的价格、维修频率和更换成本都会直接影响整机能不能部署。性能再强，如果一碰就坏、维修周期太长，或者价格接近机械臂本体，应用方很难大批量采购。

这让灵巧手行业出现了一种有意思的状态：市场还没真正铺开，竞争已经提前进入工程化阶段。厂商既要增加自由度、抓握力和触觉，又要控制重量、寿命和价格。这些指标彼此牵制，手指越复杂，零件越多，成本和故障点通常也会跟着增加。

所以今年灵巧手真正卷的，已经不是能不能做出来，而是能不能用更低的价格，提供足够的性能和寿命。

机器人落地，不再等“通用能力”成熟

第三个变化，是应用开始变得具体。工厂、药房、仓库和商超，都在尝试让机器人接手一部分任务。注意，是一部分。

这些地方比传统自动化复杂，但又没有家庭环境那么开放。药房的货架结构相对固定，药盒种类和摆放位置却会变化；商超有明确的货架和通道，商品会被顾客拿走，也可能被随手放错；工厂里的工位比较规整，产品型号和来料姿态却越来越难完全固定。

这类场景需要一些泛化能力，又不要求机器人一上来解决所有问题。以现在的技术水平看，它们反而更像合适的起点。

现场方案也不都在用 VLA。有些系统继续采用传统视觉、运动规划、轨迹控制和状态机。流程确定后，动作一步步执行，异常情况交给提前写好的处理逻辑。另一些方案会让 VLA 负责识别物体、理解任务或选择下一步动作。

有的厂商会将两套方法合并在一起。模型判断接下来拿哪个药盒，运动规划找一条不碰货架的路径，控制器再把动作稳定地执行出来。它听上去没有纯端到端那么利落，却更符合现在的工程条件。

机器人进入现场，先要证明自己能连续工作。发布会上用的是不是最新架构，反而没那么要紧。

传统运动控制也没有因为 VLA 出现就过时。模型越靠近真实设备，越需要底层控制保证动作稳定、响应及时，并在模型输出不靠谱时把设备兜住。

触觉，正在成为灵巧手的下一道门槛

灵巧手能动起来，很快就会碰到下一个问题：机器人怎么知道自己摸到了什么？

现在大多数机器人仍然严重依赖视觉。摄像头可以看见物体的位置和形状，却很难判断手指是否已经接触、物体有没有开始滑动、抓握力是不是太大。拿一个硬纸盒，视觉也许够用；抓塑料杯、柔性包装或插拔连接器时，接触状态会直接决定任务能不能完成。

触觉的重要性已经比较清楚，麻烦在于数据怎么用。

把触觉传感器装进手指只是开始。接下来还要处理触觉与视觉的时间同步、压力分布的表示、训练数据的采集，以及模型如何根据接触变化调整动作。过去触觉更多是控制器里的反馈信号，以后它可能像图像一样，直接进入机器人模型的训练过程。

模型不只要看见自己抓住了杯子，还要察觉杯子正在滑，并及时调整某根手指的力量。这会催生新的采集设备，也会让灵巧手的竞争慢慢从自由度转向感知和控制。

缺少触觉时，灵巧手多出来的手指并不一定能换来同等程度的操作能力，控制难度倒是会先上去。

端侧算力，正在成为模型落地的主要屏障

另一个绕不开的问题是端侧计算。

现在的机器人要同时处理多路相机、语音、状态估计、运动规划和控制。换上灵巧手以后，动作维度和传感器数量还会增加。与此同时，VLA 和视觉模型本身也不小。

实验室里可以靠服务器和高端显卡跑模型，真正装进机器人，就要重新面对功耗、散热、重量和电池续航。把计算全部放到云端也不现实。机器人执行抓取时，网络稍微抖一下，动作就可能停住；工厂和药房的数据，也未必适合持续上传。

对复杂 VLA 来说，现在的端侧算力仍然紧张。

未来的机器人未必会让一个大模型从头管到尾。更可能的做法是把任务拆开：大模型低频理解任务，小模型快速生成动作，传统控制器负责更高频的执行。哪些计算留在端侧，哪些可以交给服务器，会直接影响机器人的成本和可靠性。

这个问题没有灵巧手那么显眼，却很可能是产品走向量产时最难的一步。

行业开始注重系统能力

回头看这两年的变化，具身智能正在从模型演示走向一套更完整的机器人系统。

去年大家的注意力主要在模型上。谁的架构更新、数据量更大、任务做得更长，谁就更容易被看到。今年问题一层层摊开了：模型需要数据，动作需要合适的手，机器人还得找到愿意付钱的场景。继续往下追，又会碰到触觉、算力、控制和可靠性。

算法依然重要，只是机器人显然没法靠装进一个大模型就自动补齐所有短板。