人形机器人会跳舞了，后空翻也不在话下。可一到真干活的场合，它就露馅。
走到地方，先站定。身体锁死，再小心伸手。那双腿只干了一件事，把身体送过去。
对一双腿来说，这买卖太亏。
成本极高，还特别脆。
这是过去几年最尴尬的一幕。
长得像人，却只会表演。
很多人想不通，能后空翻，顺手倒个垃圾不是更简单。
还真不是。
这两年，AI工具 一个接一个冒出来。
AI对话 能写会算。
AI编程 也能自己接活。
可它们大多只活在屏幕里。
一离开键盘，就使不上劲。
机器人正相反。
它长着身体，却用不明白。
问题出在哪。
现实世界本来就是围着人的身体设计的。
楼梯、橱柜这些尺寸早就是现成的。
按理说，机器人该用腿越过障碍，用手拿起工具干活。
逻辑没毛病。
可演进几年，画面总是不对。
视频里的人形机器人，跑跑跳跳、翻跟头。
真做演示，也大多挑平地。
走到某处，定住，再伸手。
要撑起人形的优势，腿就得参与操作。
能弯腰，能够低处，能登高。
身体动了，够得着的范围才大。
会跳会跑，偏偏不会干活
死结在控制系统。
双足机器人一直有两难。
要稳，手就跟着晃。
要准，整个人容易摔。
过去一年，主流做法都站在一套开源基准上。
这套基准管的是全身控制。
它叫 SONIC，出自英伟达。
能跟踪全身动作，还能遥操作。
再接上视觉语言模型，它就能自己做决定。
这算是此前学术和工业界的天花板。
可真要拿来干活，还差几样。
精度、稳定性，还有能稳定够到的范围，得同时兼顾。
最要命的是精度。
在源策未来的对比测试里，机器人要俯身。
它前伸去够低处，或者够远处。
开源基线的手部末端误差在 10 厘米量级。
这个精度，做不了精细操作。
精度不够，还会往前传导。
想训一个会操作的全身模型，得先有数据。
数采员做动作，靠小脑实时转成机器人的动作。
小脑跟得上多少，决定了示范能变成多少真机数据。
障碍出在大幅度动作的映射上。
捡地上的水瓶，得屈膝，得俯身。
身体要稳，手还要够到。
姿态跟上了，手却差一截。
人的身体和机器人并不同构。
人已经弯到底，机器人还悬在半空。
它弯了腰，却没摸到地。
别小看这半截距离。
这一下，东西捡不起来，有效示范也采不到。
第二道障碍，是地形。
这类开源方案，控制逻辑几乎绑死在平地上。
算法假设脚底踩的是连续、光滑的平面。
地形一变，动作就采不到。
所以才有那些尴尬演示。
跑跳时身手矫健。
干活时先找块平地，站稳，再伸手。
也有人试过拼接。
上楼跑一套通行功能。
到了平地，切换成手臂操作。
听着还行。
可手里抱着箱子走到台阶前，它得先把箱子扔下。
人形的通行优势，一下就没了。
小脑不准，复杂姿态稳不住，队伍就采不到真机示范。
模型缺数据，又更难学会在身体和地形变化时继续操作。
于是舞越跳越好，活依然磕磕绊绊。
动作能大致跟上。
手上的任务，容不得这点偏差。
先让小脑跟上
解法的关键在底层。
源策未来拿出的方案叫 WBI，中文是全身智能。
整套系统分两层。
一层管高频动态平衡和动作执行，叫 S0，相当于小脑。
一层管长程任务理解和拆解，叫 S1，相当于大脑。
突破先发生在小脑这层。
第一件事，是精度。
在测试中，小脑把末端误差压进了 2 厘米。
听着不算精密。
可 2 厘米，是物理接触操作的及格线。
到了这条线，机器人的手才敢真去碰东西。
第二件事，是平地这个老毛病。
小脑把控制维度扩到了有高差的非平地。
上台阶时，落脚轨迹、躯干姿态，还有重心的转移，一起协调。
弯腰这种大幅度动作的意图，也跟得更准。
小脑变好，大脑才有粮。
S1 的预训练，靠一套数据平台自采全身人类数据。
记录人怎么移动，怎么调整姿态，怎么接触环境，怎么操作物体。
先让模型建立身体、动作和环境的先验。
再结合真机上沉淀的高精度示范和纠偏经验，大脑才有了长程任务理解。
做饭是个好例子。
机器人跨过地面高差进厨房。
在不同高度取米，加水，再放回内胆。
再合盖，按键启动。
地形、搬运，再到家电操作，串成一件事。
还有几段演示。
倒在地上的自行车，它俯身弓腰，全身发力扶起。
电饭煲的启动键，它也能精细按压。
最提气的是搬踏台登高。
够不着高处的东西，它自己搬来踏台放下。
踩上去，抓目标。
搬运、支撑转换，再到高位操作，连成一串。
这套路线已经在两种构型上跑通。
一种是宇树 G1，一种是加速进化 T2。
两者的身体比例不同。
关节配置不同，运动约束也不同。
在茶水间任务里，两台还分工配合。
一台管冰箱取放，一台拿篮子接应。
同一套路线，开始适配不同本体。
全身智能，成了共同方向
放到更大的盘子里看，这波不是孤例。
国内外机器人公司都在密集晒新能力。
从打球，到做简单任务，再到能碰家务。
这种密集冒头，背后是软硬件集体成熟。
强化学习加仿真的全身控制器，能用起来了。
第一视角头显和动捕设备，把全身数据的门槛压低了。
宇树 G1 和加速进化 T2 这类本体能摔、耐造。
它们是现成的验证底座。
源策未来跑得快，是因为押得早。
创始团队带着学术原创加大规模工程的底子。
有人从端到端自驾模型，一路做到百万级真机数据集。
他早就在学术界推全身智能。
在他看来，模块化的机械拼接会带来信息损耗和能力割裂。
做腿的不懂手，做机械臂的不懂下半身。
手脚互不感知，机器人就只能待在平地工位前站着。
所以源策没走先做平地机械臂、再给底下装条腿的折中路。
图省事的拼接，最后还是得推倒重来。
第一天起，就把整具身体当成最小作战单元。
人体数据负责预训练的规模和常识。
真机数据负责最后一公里的本体对齐。
小脑和大脑，被打通成一个正向运转的闭环。
回到开头那个问题。
人形机器人在操作上，到底有没有优势。
过去不少演示给的答案很妥协。
走到平地，停下，站好，再伸手。
现在有了更具体的依据。
腿能参与低位拾取，能搬运，也能登高取物。
身体的调整，能把操作范围撑大。
那些原本只用来秀灵活性的动作，开始有了干活的意义。
一旦这件事被验证，变化不止在模型里。
整个行业可能都要围着干活，重新定义这副身体。
腰部肩部的电机，要扛得住反复搬运和持续发热。
灵巧手除了动作多，还得经得起高频使用。
续航、自主充电这些，也成了能不能留在现场的关键。
适合跑跳的身体，和适合长时劳动的身体，优先级未必一样。
软件和交付方式也得跟着改。
模型要覆盖更丰富的接触、地形和失败恢复。
本体和算法团队，得围着具体任务一起调。
对客户来说，买到手的该是一套能在现场持续干活的系统。
任务成功率、运行时长，还有维护成本，都要经得起反复检验。
这大概是人形机器人更深的一层意义。
操作能力开始牵引硬件设计、数据积累和系统交付。
整条产业链，围着真实劳动重新组织。
腿负责移动，手负责操作，躯干负责配合。
身体优势，才真正兑现。
而要让它变成客户愿意掏钱的生产力，是接下来全行业要一起完成的活。
