机器人，为什么开始集体练习“抓东西”

Jack2026-07-242531机器人技术及应用

过去两年，如果要在机器人展会上选出一个最拥挤的赛道，大概是“运动能力”。跑步、跳舞、后空翻，从双足行走到全身控制，机器人公司不断用更复杂的动作证明，一台机器已经越来越像一个能够自由活动的人。

但到了今年的 WAIC，一种不那么具有视觉冲击力的动作，正在变得越来越重要：

抓东西。

我们以三家非常典型的企业DEMO为例，试图揭开这一奇特转向背后的技术趋势。

今年，苏度科技的机器人站在工作台前，连续抓取陌生物体、操作柔性材料，围观人群不少，视频看了至今依然觉得非常惊艳：

零次方更是干脆把展台变成一场公开挑战，邀请现场观众拿出各种东西让机器人直接抓，从常规商品，到巧克力豆，再到细软透明的系带，机器人都能顺利抓起来：

原力灵机则用6台不同构型的机器人，抓取积木连续15小时拼装一座由81920块微型积木组成的长城：

它们看起来都在做 Picking这件事，但机器人大讲堂观察到，这三家企业本质上却在回答三个不同的问题，也走出了三条不同的路径。

先说结论，我们认为，苏度科技试图回答的是，机器人的能力能否像大模型一样，通过仿真数据和 Scaling 不断增长；零次方把问题放到了真实物理世界，试图探寻能否依靠海量真实交互数据，找到属于 Action 的 Scaling Law并实现万物皆可抓，推动具身智能物理抓取API化；原力灵机则试图回答，一套模型能否在一个足够长、足够复杂的真实任务里一直工作下去。

这三个问题背后，都指向了具身智能正在发生的一次重心迁移。今年WAIC一个共识在于，过去，行业首先要证明机器人“能动”；现在，越来越多公司开始证明机器人“能干活”。而从“能动”到“能干活”，最先需要跨过去的一道落地技术门槛，很可能就是最简单、也最基础的 Pick & Place。

01.

Pick & Place，为什么突然成了一场硬仗？

抓取当然不是机器人行业的新问题。汽车工厂里的机械臂抓车门，3C工厂里的机器人抓零件，物流仓库里的机器人抓包裹。过去几十年的工业自动化，本质上已经解决了大量抓取问题。但传统机器人解决的是确定世界里的确定任务。机器人提前知道要抓什么、东西在哪里、应该从哪里下手。为了保证成功率，工程师可以重新设计工位、夹具和物料摆放方式，甚至直接改造整个生产环境。

真正困难的是反过来——不再让世界适应机器人，而是让机器人适应变化的世界。例如一个杯子可能正着放，也可能倒着放；一件衣服每次出现都有不同形态；透明玻璃、反光金属、柔性线缆可能直接让传统视觉方案失效；同一个物体被旁边的人碰了一下，原本规划好的轨迹就可能全部作废。

因此，今天具身智能公司重新讨论 Pick & Place，讨论的其实已经不是“机械臂能不能夹住一个东西”，而是机器人能不能面对一个不断变化的开放世界，自己完成感知、判断和执行。

这也是为什么，这项看起来已经存在几十年的机器人能力，正在重新成为具身智能落地的一块试金石。因为它足够简单，观众一眼就能看懂成功还是失败；又足够复杂，一个看似简单的“拿起、放下”，背后同时考验视觉感知、空间理解、抓取点预测、运动规划、实时控制以及失败后的重新决策。

更重要的是，它离商业价值足够近。物流需要抓包裹，制造需要抓零件，零售需要拿商品，家庭服务更绕不开杯子、衣服、餐具和各种杂物。

如果说行走解决的是机器人如何抵达工作现场，那么 Picking 解决的，就是机器人到了之后究竟能做什么。于是，今年 WAIC 上值得观察的，不只是机器人开始集体“练习抓东西”。更重要的变化是，大家开始用完全不同的方法，试图把抓取从一个 Demo 变成一种落地能力。

02.

三种企业，三类能力

（1）苏度科技：仿真能让机器人 Scaling起来

今年4月，苏度首次公开全栈自研具身智能平台sudo R1，在一段60分钟视频演示中实现了不同类型物品抓取演示；到了 WAIC，其展示能力已经进一步扩展到精准放置、柔性物体操作、双手协同、移动抓取和自主导航等十余项技能。

苏度把机器人在物理世界中的基础能力拆解为“原子能力”。抓取是一种，放置是一种，移动是一种，双手协同也是一种。复杂任务不是一个个孤立训练出来的技能包，而应该是这些基础能力不断积累、组合之后形成的结果。

这背后是一种典型的 Scaling 思维。其认为当数据、模型和算力持续扩张时，模型可能出现超出单一训练任务的能力增长。因此，苏度选择的办法，是大规模仿真。它试图通过更高效率的数据生产，让机器人在虚拟世界中经历更多物体、更多材质和更多任务，再将这些经验迁移到真实世界。因此，在抓取背后，苏度试图解决的，不是某一次抓取，而是机器人能力增长的速度问题。

（2）零次方：在真实世界里寻找 Action 的 Scaling Law

与苏度不同，零次方选择的方向几乎位于另一端——让机器人直接在真实世界中，以多样化的物理交互寻找属于Action 的 Scaling Law。其围绕 Action构建一个更加贴近物理操作本身的“具身原生动作模型ZERITH V2”。

Picking 尤其如此。抓取不是靠“看懂”就能解决的问题，物体被接触后发生滑动、旋转、形变，机器人需面对的是一连串密集物理接触中的连续动作。这也是零次方把重点放在真实交互数据上的原因，但真实数据的问题是贵且慢。零次方的解法，是从真实商业场景里寻找另一种数据生产方式。

WAIC现场的“真实世界泛化抓取挑战赛”，就是零次方这一技术路线的公开压力测试。连续4天，现场观众可以直接参与，拿出机器人未见过的物品，让机器人完成抓取。挑战累计稳定运行24小时，完成超过8600次真实抓取，吸引超过2800名观众参与，多次抓取综合成功率达到99%。

机器人大讲堂在现场还注意到两个颇具代表性的物品：一颗巧克力豆和一根透明系带。巧克力豆足够小，对视觉定位、抓取点判断和末端控制提出更高要求；透明系带则同时具备细、软、透明、容易形变等特征。它们代表的，正是现实世界里永远无法被穷举的长尾。

换句话说，“万物皆可抓”真正需要证明的只是当一个没有被提前定义的东西出现时，模型还能找到行动的方法。从这个意义上看，零次方进一步提出的“物理抓取 API”，更像是这套能力未来可能的交付方式。它想标准化的不是某一款机器人的某一动作，而是将抓取能力沉淀为可调用、可迁移、可复用的抓取 API，让机器人能够快速适配不同本体与应用场景。但 API化并不是这条路线最重要的终点，它的前提仍然是：先在真实世界里找到属于 Action 的 Scaling 路径。

（3）原力灵机：比完成一个任务更难的，是一直完成下去

如果说苏度科技关心的是能力增长的速度，零次方关心的是能力在真实世界中的 Scaling 与泛化，那么原力灵机测试的则是，能力能否在时间里持续成立。

WAIC现场，6台不同类型的机器人连续15小时，协同拼装一座由81920块微型积木组成的长城模型。机器人大讲堂认为，真正困难的不是抓起第一块积木，而是当任务进行到第5个小时、第10个小时甚至第14个小时之后，机器人还能不能继续工作。

因为原力灵机看到，真实商业场景以及工厂不会因为机器人成功了九次，就接受第十次突然停机。因此，原力灵机这次展示真正有意思的地方，不只是把任务做得复杂，而是主动把时间变成了压力测试工具。原力灵机通过 DM0.5 与 DW0.5 的协同，让执行模型 DM0.5负责真实世界操作，世界模型DW0.5 则在虚拟空间中预演不同动作可能产生的结果，为执行模型提供反馈，从而形成了一种技术闭环。

这条路线背后对应的是具身智能另一个正在被重新定义的指标：稳定性不应该只是一次成功率，还应该包含时间。一个机器人连续工作15分钟和15小时，是完全不同的系统。过去大家证明的是“我能做到”。下一阶段，更重要的可能是“我能否一直做到”。

03.

三条路线之后，最终都要回答“泛化”的大问题

当三家公司从仿真数据、真实 Action 和长程稳定性三个方向同时向前推进时，一个更根本的问题也逐渐浮出水面。

苏度科技用大规模仿真解决能力增长速度问题。但仿真与真实之间存在Gap，摩擦力、形变、光照、碰撞很难完全模拟，能力能否无损迁移仍需验证。

零次方则试图在真实世界中，通过海量物理交互数据，解决能力的泛化问题。它的核心假设是：当机器人在足够多样的真实场景中积累足够多的物理交互数据，模型将逐渐获得面对陌生物体时自主寻找解决方案的能力，该路线需要更长期的验证。

原力灵机用长时任务测试解决稳定性问题。但长时稳定的前提是任务已被定义，面对完全未知的物体时，稳定性是否还能保持，是另一回事。

三条路线各有侧重，但最终都会撞上同一道墙：真实世界无法被穷举。

这是具身智能和传统自动化之间最根本的分界线。过去，新的零件进入生产线，工程师可以重新设计夹具；新商品进入仓库，可以重新采集数据、设置新的抓取策略。但具身智能面对的是开放世界，当第101种、第10001种没有被提前定义的物体出现时，它还能不能抓？这也是为什么，“泛化”才是 Picking 能力背后的分水岭。因为技术的里程碑不是穷举世界，而是让机器人跨过“见过”与“没见过”之间的边界。

04.

跨越边界的路径，究竟该如何构建？

苏度的路径苏是“用计算的广度，换取现实的泛化”。当仿真数据量达到某个临界点，模型会发生质变。它不再仅仅记住“杯子是这样抓的”，而是开始理解“圆柱体+光滑表面”这类抽象特征与抓取策略之间的关系。当在真实世界遇到一个从未见过的、类似圆柱体的保温杯时，它就能调用这个抽象知识，自主生成抓取方案。这就是从“做过的事”（训练集里的特定物体）到“没见过的事”（新物体）的跨越。

仿真是完美的，现实是混乱的。苏度必须解决“Sim-to-Real”的迁移问题。他们的方法通常包括：在仿真中故意加入随机噪音（如纹理、摩擦力、重力的小幅波动），让模型学会在各种“不完美”条件下工作，从而对真实世界的偏差更具鲁棒性。当模型部署到真实机器人后，利用真实环境中的少量交互数据进行快速微调，校准仿真带来的误差。总体来说，苏度相信当虚拟世界足够丰富时，真实世界的一切都只是这个巨大集合的一个子集。

零次方的路径是“用商业的密度，换取泛化的宽度”。他们的底层基石ZERITH-V2围绕Action构建了具身原生模型，处理密集物理接触中的连续决策与控制。它学习的不是“这是什么物体”，而是“对这个物体，我的手该怎么动”。这种设计从一开始就放弃了依赖预定义的物体库，转而拥抱物理交互本身的连续性。

往上一层，是海量真实物理交互数据。例如机器人每天处理数百笔订单的零售小店，能让模型在真实运行中持续遇到新的商品和长尾问题。零次方用商业价值对冲了数据成本。

再往外是更多场景，形成“能力提升→进入更多场景→产生更多数据→推动模型进化”的循环。最终要验证的是一种属于Action的Scaling Law：随着真实交互数据持续增加，泛化能力能否持续增长。

WAIC上那8600多次抓取，是对这条路线的一次集中检验。巧克力豆和透明系带之所以值得被反复提起，不是因为它们特殊，恰恰因为它们足够普通。真实世界不会提前告诉机器人，下一个出现的是什么。未来，零次方要做的可能就是快速拓展更多场景（如智慧零售、家庭整理），让数据飞轮的半径不断扩大。

原力灵机的路径构建，是“用时间的厚度，换取系统的韧性”。传统的抓取目标是“成功抓取一次”。原力灵机的目标则是“在15小时内，每一次抓取的成功率都保持在高水平”。这意味着，模型必须学会在动态变化的环境中（如积木堆的高度逐渐降低、自身电量逐渐减少），持续维持一个稳定的操作状态。这种“状态维持”能力，本身就是一种更高阶的泛化。

但对应世界模型的每一次推演都需要消耗算力。如何在毫秒级的决策周期内，完成对未来状态的预测并给出最优指令，是巨大的工程挑战。这需要极其高效的模型设计和强大的边缘计算能力。原力灵机地通过构建能自我模拟、自我校验的DM0.5与DW0.5，让机器人在漫长的任务周期中，拥有应对未知变数的能力。