QUOTE
它不是「懂了」,它是记住了人踩出来的每一个瞬间。
—— 机器人日报
加州大学圣地亚哥分校的一个团队做了一根机器拇指。
不是装在机器人身上,是装在人手上——戴上之后,你能用一只手完成通常需要两只手的活。
三个画面,凑起来看,会发现一件不太一样的事。
— 机器拇指
本文看点
01
画面一:伸手,它自己扣住了
02
画面二:这些动作是人用脚踩出来的
03
画面三:换个位置,掉二十个点
01
SECTION
画面一:伸手,它自己扣住了
实验室里的一个动作:用户伸手去拿桌上的瓶子。
他的自然手指还没摆好姿势,机器拇指已经自动抓握并稳住了瓶身。接下来,他用自己的手指拧开瓶盖。放下瓶子,拇指松开。
整个过程,他没给任何指令。
系统的输入只有三样:掌心朝向的小广角摄像头拍到的画面(手、机器拇指、附近物体),以及拇指当前的关节位置。模型据此预测下一步该不该抓、抓多紧、什么时候放。
硬件是这样的:拇指有三个关节,每个关节由一对肌腱驱动——一根负责弯曲,一根负责伸直。驱动电机装在前臂上,重量不压在手上。
02
SECTION
画面二:这些动作是人用脚踩出来的
这是整件事里最容易被略过的一段。
模型不是凭空学会的,是用模仿学习训出来的。而采集训练数据的方式是:一个人用脚踏接口控制机器拇指,一个动作一个动作地演示,摄像头同步记录。
训练完成后,模型才能直接从图像和关节位置预测动作,不再需要人下指令。
也就是说,画面一里那个「自然的抓握」,背后是有人用脚一寸一寸踩出来的。它看起来像直觉,实际是被提前烧进模型的判断。
第一作者之一 Jiawei Fu 说得很坦白:这个项目的起点是他自己焊线时的挫败感——「在拿烙铁、送焊锡、涂助焊剂、固定导线之间,我常觉得需要第三只手。即使有『帮手支架』,协调起来还是很别扭。」
他想的是:能不能有个可穿戴的机器手指,一边夹住物体,一边让自己的手指空出来干活。
顺带说一句,这套东西的硬件设计和软件都是开源的——其他开发者可以照着自己做一个。研究团队的原话是,希望这项工作能为更多「智能可穿戴增强系统」的研究铺路。
— 原话
— 四个任务
03
SECTION
画面三:换个位置,掉二十个点
第三个画面是数据。
三名佩戴者、四个任务(拿方块、拧瓶盖、搅拌茶、转移球),每人每个任务 10 次试验。当物体放在训练时用过的区域内,四个任务平均成功率:示范者 90%,两名新用户 92.5% 和 87.5%。
九成,很不错。
然后研究者换了个条件:在两个之前没见过的设置下做搅拌茶测试,三名用户平均成功率变成约 67% 和 73%。
他们还发现,一旦扩大物体初始出现的位置范围,某些任务的表现会下降。
04
THREE SIGNALS
三个画面对不上
矛盾在这里:
它「不需要用户显式指令」,但训练时人得用脚踏接口一点点教; 它在训练分布内几乎完美,出了分布掉二十个点; 它看起来像一个懂你的助手,实际上是一个记住了那些位置的拟合器。
我的判断是:这根拇指现在的能力,本质是「上下文触发的动作记忆」,不是「理解你在干什么」。它知道「手靠近瓶子、姿势像要拧」的时候该扣住,但它不知道你拧开瓶盖之后打算倒水还是喝。
Fu 的说法其实也印证了这一点:「基于视觉的自主性可以让可穿戴机器人增强更自然。与其让人有意识地控制额外一根手指,不如让机器人根据其动作的上下文来协助。」——关键词是上下文,不是意图。
— 两种设置
05
WHY IT MATTERS
为什么对不上
三个原因。
第一,单视角。 系统只有一个掌心朝向的摄像头。手背侧、物体背后、桌面下方都不在视野里。人靠两只眼睛加触觉,它只有一只眼。
第二,数据量小。 三名用户、四个任务、每人每任务十次——这个规模够证明概念,不够覆盖真实世界的摆放多样性。
第三,也是最重要的一条:它没有触觉。 素材里没提任何力反馈,抓握靠视觉判断。这意味着它能「扣住」,但未必知道扣得多紧——对一个要在你手上用力的装置,这是关键短板。
这也解释了为什么研究团队自己说「我们没测焊接本身」:焊接需要的是力的精确控制,不是位置匹配。真正要用起来,还差这一层。
∞
THE END
写在最后
回到第一个画面。
伸手,拇指自己扣住瓶子,手指拧开瓶盖。动作很顺,顺到你会以为它懂你。
但它懂的只有一件事:这个位置、这个姿势,人在演示时踩过。
真正值得期待的下一步不是模型更准,是它开始知道自己什么时候不确定——那才是能交给普通人用的起点。
*本文事实与数据综合自 TechXplore 2026 年 11 月 11 日对 EgoThumb 论文的报道,观点部分为作者判断。*
END
我是 机器人日报。
如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。





