4小时前 机器人为什么要拟人？人形不只是外形，更是机器人的数据接口

   作者：毛不毛     出品：具身智能前沿

   人形机器人，不只是为了适应人的世界

前几天读到 Human-as-Humanoid 这篇论文，我思考了很久。倒不是机器人倒水、叠杯子有多稀奇。真正让我停下来的，是它重新回答了那个被说烂的问题：人形机器人为什么非得做人形？

行业里更常见、也更站得住脚的答案是：人类的楼梯、门把手、工具和工位，本来就是按人的身体设计的。机器人长得像人，进入这些环境更方便。

这套解释没问题。只是它回答了机器人部署后如何工作，没有回答机器人在部署前如何学习。

论文补上的答案更硬：人形还可以是一种数据接口。

6 月 30 日发布的 Human-as-Humanoid，尝试把同步拍摄的人类第一视角、第三视角视频，转换成 PrimeU机器人可以执行的 60 自由度动作标签。所谓自由度（Degrees of Freedom，DoF），就是机器人能够独立控制的关节运动维度。说白了，人抬手、转腰、屈指这些动作，得被翻译成 60 路关节命令。

Human-as-Humanoid 方法与任务总览

这件事的难点从来不是“看懂视频”。让模型知道人在倒水，和让机器人真的把杯子倾斜到合适角度，中间隔着一条挺阴险的沟：人的骨架不是机器人的骨架，人的手指也没有电机、限位和控制频率。

视觉理解不等于可执行动作。

英伟达在 2026 年 5 月 31 日发布 Isaac GR00T 人形机器人参考设计时，也在解决类似的系统问题：Unitree H2 Plus 本体、Sharpa 五指手、Jetson Thor 计算平台，再加上数据采集、训练、评估和部署软件。它不只是在拼一套人形硬件，而是在搭一条尽量连贯的研发链路。

所以问题变了。

“机器人怎样适应人的世界”仍然要问。Human-as-Humanoid 又补了一问：“人的经验怎样少损耗地进入机器人的身体？”

真正要对齐的，是三层接口

Human-as-Humanoid 没有靠一个神奇模型把问题糊过去。它做了三层对齐：本体、感知、动作标签。

先看本体。

PrimeU 是一台 60 自由度上半身机器人：两条 7 自由度机械臂、两只各 20 自由度的五指手，再加颈部和腰部各 3 个自由度。团队参考 ANSUR II 人体测量数据，让肩宽、臂展和手掌长度接近人的操作尺度。

PrimeU 的拟人尺度与结构

这里的拟人不是笼统追求外观相似，而是对齐与操作有关的身体尺度。人的手在视频里能碰到桌角，机器人的手最好也能在相近位置碰到；否则动作重定向就得频繁外推、裁剪，甚至硬掰。身体差得越远，数据转换要交的“形态税”越高。

不过这里也有个小刺。ANSUR II 覆盖 6000 多名美国军人，并不代表普通人群，更不代表全世界。它适合作为工程尺度基准，却不是“标准人类”的答案。把一个统计中位数做成机器人，只说明转换更顺，不说明包容性更好。

感知层更有意思。操作者戴第一视角相机，外部再放第三视角 RGB 相机。第一视角尽量匹配机器人部署时看到的画面；第三视角负责在遮挡较少的位置恢复上肢和手部关键点。

有点像医生看病：正面问诊知道你看见了什么，影像检查负责确认身体里面到底怎么动。只留一个视角，信息就会瘦得可怜。

动作层才是压轴。系统用分阶段逆运动学（Staged Inverse Kinematics，Staged IK）把人体骨架映射到机器人关节空间。逆运动学，就是已知手要到哪里，反推各个关节该转多少。管线约以 20 FPS 处理，输出可直接用于训练的动作块，而不是停留在人体姿态标注上。

PhysDex 的动作转换与学习管线

论文报告，这套采集方式的原始演示吞吐量是动作捕捉遥操作的 4.8 到 7.2 倍。注意，是原始演示吞吐量，不是总成本降低 7.2 倍。视频清洗、动作恢复、训练和真机验证仍要花钱。把前者偷换成后者，宣传稿味儿就上来了。

我对这种偷换挺反感。机器人数据贵，团队本来就焦虑，再拿一个局部指标包装成全链路降本，只会把工程判断搅得更糟。

但它仍然有价值。以前必须让一台昂贵机器人陪着人采数据，现在人类可以先演示，机器人晚点“补课”。设备不再被采集过程死死占住，数据生产才可能从手工作坊往流水线挪。

论文证明了什么，又没证明什么

我最关心的不是演示视频，而是动作接口有没有真的咬合。

研究团队做了一个挺关键的交叉测试：只用人类转换数据训练动作分词器，再让它重建从未见过的真实机器人轨迹。动作分词器可以理解成动作压缩器，它把连续关节序列编码、再还原，用来检查两类动作是否处在接近的分布里。

在 100 个真机动作窗口上，归一化平均误差为 0.0080；经过正向运动学换算，双手末端平均误差为 5.34 毫米。只用机器人数据训练的对照是 4.09 毫米。

差距没有消失，但已经不是两个世界。

PhysDex 还加入了 双空间分层运动学约束（DS-HKC）。模型仍输出能直接执行的关节动作，同时通过可微正向运动学约束手腕姿态和十个指尖的位置。通俗点说，不能只检查 60 个关节各自答没答对，还要检查它们合起来之后，手到底伸到了哪里。

这个设计很工程。也很朴素。

真机部分用了 1500 小时自采人类演示，并在七项双手任务上与 GR00T N1.7 比较。PhysDex 的“阶段—最终”复合分在七项任务中都更高，其中倒水、叠杯、套圈和魔方包装等任务，不使用目标任务的机器人示范。

看到这里很容易兴奋：人类视频终于能把真机数据干掉了？

别急。

每项任务只有 10 次试验。论文作者写得很克制：这是受控的初步比较，不是最终统计结论。体温枪测量、拧灯泡和松瓶盖这些精细接触任务，仍加入了少量真实机器人数据做硬件锚定。

这点不能轻轻带过。摄像头能恢复手的位置，却看不见拧瓶盖时指尖究竟用了多大力；形态相似能缩短运动学距离，不能凭空补出触觉、摩擦和电机回差。拟人化降低了转换损耗，没有取消物理世界。

说得再直白一点：这篇论文证明了一条管线“能跑”，而且跑得有希望；它还没证明这条路线已经通吃所有机器人、所有任务。拿七项初步实验宣布路线终局，太扯了。

人形的价值，是让数据飞轮少打滑

这里说的“数据飞轮”，就是一个持续加速的训练循环：数据训练模型，模型驱动机器人，机器人在真实任务中又产生新数据。新数据再回到训练环节，机器人便有机会越用越好。

这里还有一个容易被忽略的对照。GR00T N1.7 自己也使用了 2 万小时 EgoScale人类视频做预训练，并通过相对末端执行器动作空间连接人类与机器人数据。

所以，“使用人类视频”已经不是独门秘籍。真正的分歧是：人类经验只停在视觉表征里，还是继续被转换成某一台机器人可直接执行的高自由度关节监督？

前者更通用，跨本体迁移方便；后者更贴身，部署到目标硬件时少绕弯。像成衣与定制西装，不是谁淘汰谁，而是交付目标不同。

我的判断是，Robot for AI 的重点不是把机器人做得越像人越好，而是围绕数据闭环反推身体设计。如果轮式底盘更适合工厂，就没必要硬装两条腿；如果任务依赖人类双手演示，那么肩宽、臂展、灵巧手和相机位置就不再只是硬件参数，而是训练系统的一部分。

这也解释了为什么我不太喜欢“人形是终极形态”这种说法。太满，太像发布会。工程里没有终极形态，只有特定数据、任务和成本约束下更省损耗的接口。

说实话，我甚至有点担心“终极形态”会变成新的懒惰：身体先照着人做，数据和任务以后再说。顺序倒回来，Robot for AI 又会退化成 Robot for PPT。挺让人失望的。

Human-as-Humanoid 真正值得记住的，也许不是 60 个自由度，不是 7.2 倍，更不是七项任务赢了某个基线。

是它把身体放回了 AI 系统内部。

模型、数据、本体，不再是三支临时拼起来的队伍。谁能让这三者之间少一点翻译、少一点校准、少一点真机试错，谁的训练循环就转得更顺。

只是下一步还有个麻烦的问题：当大家都开始为数据设计身体，我们得到的会是更通用的机器人，还是一批被各自数据集塑形的“专用人类”？