要想真正做到通用機(jī)器人，除了做好觸覺AI，別無選擇。

作者｜蘇霍伊

編輯｜王博

今年以前，Sharpa都很神秘。

很多人以為Sharpa是一個(gè)做機(jī)器人靈巧手公司，因?yàn)镾harpa靈巧機(jī)械手Wave在ICRA 2025、CES 2026、GTC 2026連續(xù)亮相，還登上了今年總臺(tái)央視春晚的舞臺(tái)。它能精準(zhǔn)發(fā)牌、打乒乓球、盤核桃，實(shí)現(xiàn)如同人手一般的精細(xì)化操作。

Sharpa靈巧機(jī)械手Wave在GTC上展示，圖片來源：Sharpa

但Sharpa對(duì)自己定位遠(yuǎn)不止于此。

在GTC 2026上，Sharpa通過實(shí)物和視頻展示了其完整技術(shù)棧，包括靈巧機(jī)械手Wave、人形機(jī)器人North以及融合視覺、觸覺與語言的模型系統(tǒng)CraftNet。

Sharpa人形機(jī)器人North，圖片來源：「甲子光年」拍攝

Sharpa成立于2024年，全球總部位于新加坡，制造與研發(fā)中心位于中國(guó)上海，商業(yè)運(yùn)營(yíng)總部位于美國(guó)加州硅谷山景城。雖然Sharpa創(chuàng)始團(tuán)隊(duì)因?yàn)檫^往在自動(dòng)駕駛領(lǐng)域的經(jīng)歷而受到關(guān)注，但是Sharpa一直保持著獨(dú)立運(yùn)營(yíng)的狀態(tài)。

近期，「甲子光年」來到了Sharpa硅谷辦公室，見到了Sharpa GTM副總裁、歐洲區(qū)總裁Alicia Veneziani和Sharpa研究科學(xué)家、學(xué)術(shù)負(fù)責(zé)人張凱峰。

這是Sharpa核心團(tuán)隊(duì)成員首次與媒體進(jìn)行深度對(duì)話，對(duì)于外界好奇的公司定位，Alicia Veneziani告訴「甲子光年」：“我們的秘密武器是觸覺AI，我們的核心定位是一家以觸覺AI為驅(qū)動(dòng)的全棧靈巧機(jī)器人公司?！?/p>

相比主要依賴視覺的機(jī)器人動(dòng)作，Sharpa更專注于觸覺驅(qū)動(dòng)的機(jī)器人靈巧操作。

這一能力被認(rèn)為是機(jī)器人完成復(fù)雜現(xiàn)實(shí)任務(wù)的關(guān)鍵門檻。宇樹科技創(chuàng)始人、CEO王興興近期表示：“我覺得目前對(duì)于具身智能或者機(jī)器人來說，移動(dòng)和動(dòng)作大部分問題已經(jīng)解決掉了，但對(duì)于抓取和操作這部分，尤其觸覺相關(guān)的問題目前沒有解決，這也直接限制了具身智能或者人形機(jī)器人大規(guī)模在工廠和家庭去部署?！?/p>

過去兩年，具身智能行業(yè)的敘事幾乎被視覺與語言主導(dǎo)：VLM、VLA、世界模型……讓機(jī)器人看懂世界成為主線。但Sharpa選擇了一條更難、也更少人走的路徑：從“手”的感知出發(fā)，而不僅僅依賴“眼睛”。

Sharpa的技術(shù)路徑建立在兩個(gè)核心能力之上：一是通過仿真環(huán)境進(jìn)行大規(guī)模技能訓(xùn)練；二是結(jié)合視頻與觸覺數(shù)據(jù)，訓(xùn)練其視覺-觸覺-語言-動(dòng)作模型（VTLA），使機(jī)器人能夠?qū)W習(xí)人類的操作方式，并實(shí)現(xiàn)更高程度的自主化。

為支撐這一訓(xùn)練范式，Sharpa在GTC期間宣布與英偉達(dá)聯(lián)合開發(fā)Tacmap仿真觸覺系統(tǒng)，作為觸覺驅(qū)動(dòng)機(jī)器人學(xué)習(xí)的重要基礎(chǔ)設(shè)施。該框架通過共享的高精度幾何結(jié)構(gòu)表示，實(shí)現(xiàn)了高真實(shí)度與高計(jì)算效率之間的平衡。Sharpa表示，相關(guān)仿真框架及代碼資產(chǎn)未來將開源，以便與更廣泛的機(jī)器人社區(qū)共享研究成果。

Alicia Veneziani和張凱峰，一位站在市場(chǎng)戰(zhàn)略前線，一位深入模型系統(tǒng)底層。這次對(duì)話中，我們探討了五個(gè)方面的話題：

• Sharpa為什么會(huì)引發(fā)關(guān)注？

• 觸覺是不是靈巧操作的關(guān)鍵？

• CraftNet的創(chuàng)新之處？

• 為什么英偉達(dá)會(huì)和Sharpa合作？

• Sharpa的運(yùn)營(yíng)與商業(yè)計(jì)劃是什么？

本文為「甲子光年」對(duì)話Sharpa核心團(tuán)隊(duì)實(shí)錄，經(jīng)「甲子光年」整理編輯，在不改變?cè)獾幕A(chǔ)上有所刪改。

1.要做就做與人類1:1同構(gòu)靈巧手

甲子光年：之前很多人以為你們是一家做靈巧手的公司，所以你們對(duì)自己定位是什么？

Alicia：可能是Sharpa的靈巧手做得太好了（笑），導(dǎo)致很多人以為我們就是個(gè)做靈巧手的公司。

而我們的秘密武器就是觸覺以及觸覺AI，我們的核心定位是一家以觸覺AI為驅(qū)動(dòng)的全棧靈巧機(jī)器人公司。

從去年5月份我們?cè)贗CRA（國(guó)際機(jī)器人與自動(dòng)化會(huì)議）第一次亮相時(shí)，我們帶去的就是一整臺(tái)完整的機(jī)器人。但當(dāng)時(shí)所有人的注意力全被那只手吸引了。

Alicia Veneziani，圖片來源：Sharpa

甲子光年：的確，不論是去年的ICRA，還是今年的CES和GTC，你們展位的人都不少。

Alicia：實(shí)際上，我們從一開始就沒打算只做手，我們一直在做機(jī)器人整機(jī)。

我們內(nèi)部有個(gè)比喻：我們?cè)斓倪@只靈巧手，其實(shí)更像是汽車的發(fā)動(dòng)機(jī)。我們要把各種不同的系統(tǒng)集成到這輛“車”里，所以我們本質(zhì)上是“造車”的（做全棧機(jī)器人系統(tǒng)），只不過我們的手做得特別好，這只手就成了我們這輛車的核心發(fā)動(dòng)機(jī)。

Sharpa GTC展位，圖片來源：Sharpa

甲子光年：這個(gè)比喻很有意思，我也發(fā)現(xiàn)，其實(shí)你們一直在強(qiáng)調(diào)機(jī)器人的“靈巧操作”以及“全身控制”，而不光是“手”。

張凱峰：這其實(shí)是我們的愿景。我們常說“We manufacture time by making robots useful”（我們通過讓機(jī)器人變得有用，來為人類創(chuàng)造時(shí)間）。我們想做真正能干活、有用的機(jī)器人，去承擔(dān)那些人們不愿意干的臟活累活，從而把人類的時(shí)間真正解放出來。

甲子光年：我注意到，Sharpa靈巧機(jī)械手Wave是和人類1:1同構(gòu)的，所以做到1:1同構(gòu)很難嗎？

張凱峰：靈巧手做到1:1同構(gòu)非常難。比如要做到成年男性的手部大小，還要具備人手大部分的自由度。我們的靈巧手有很多特性，比如指尖力矩能達(dá)到兩公斤，運(yùn)動(dòng)頻率是四赫茲，你需要兼具速度和力量。其次，要在這么小的空間里集成強(qiáng)有力的電機(jī)，同時(shí)做好整個(gè)系統(tǒng)的集成，工程難度極大。

Alicia：我認(rèn)為這取決于我們?nèi)绾味x“相似”。如果我們要求外觀和功能都相似，希望機(jī)械手能像人手一樣擁有同等的自由度、完成同等范圍的精細(xì)動(dòng)作，就需要把大量?jī)?nèi)部零件塞進(jìn)一個(gè)極小的表面積里。這意味著必須使用超微型的驅(qū)動(dòng)器，在極其有限的空間內(nèi)實(shí)現(xiàn)同等功能，這就是保持1:1比例的難點(diǎn)所在。

甲子光年：但是業(yè)內(nèi)也有聲音說，靈巧手硬件本身似乎并不那么重要。

Alicia：現(xiàn)在有個(gè)誤區(qū)，有人覺得有了AI算法控制，硬件問題就不存在了。這完全是錯(cuò)的，硬件的痛點(diǎn)依然在那兒。所以我們堅(jiān)持深耕硬件工程，才能自己設(shè)計(jì)組件并快速迭代。大部分公司的手只能往大了做，但做大了就用不了人類的工具，比如普通的剪刀。

甲子光年：之前我們也看過各種靈巧手產(chǎn)品。有的公司會(huì)強(qiáng)調(diào)手的抓握力和負(fù)載能力，你們似乎沒有強(qiáng)調(diào)這方面能力。

Alicia：如果他們的目標(biāo)是工業(yè)里的分揀(pick and place)或搬運(yùn)，那負(fù)載能力當(dāng)然重要。但搬運(yùn)東西真的需要人形機(jī)器人、需要靈巧手嗎？

我們的核心聚焦點(diǎn)是靈巧操作(dexterous tasks)。這其中可能也會(huì)涉及搬運(yùn)，但那絕不是我們最核心的應(yīng)用場(chǎng)景。所以除了負(fù)載能力，我們必須考量更多其他維度的指標(biāo)。

甲子光年：為什么說22個(gè)自由度是一個(gè)非常關(guān)鍵的設(shè)計(jì)？為什么偏偏是22個(gè)？

Alicia：其實(shí)這跟“為什么要做成1:1類人手”邏輯有點(diǎn)類似。人手大概有27個(gè)自由度，但在機(jī)器人上，22個(gè)自由度已經(jīng)完全足夠用了。這是我們?cè)诔杀?、工程?shí)現(xiàn)難度和實(shí)際功能之間找到的一個(gè)最佳平衡點(diǎn)。

Sharpa靈巧機(jī)械手Wave，圖片來源：Sharpa

甲子光年：已經(jīng)有其他頭部機(jī)器人公司使用了Wave，甚至它還上了春晚。你們有什么優(yōu)勢(shì)能讓客戶買單？

張凱峰：我想最主要的原因有兩點(diǎn)。

第一，一致性，這包括我們不同批次的硬件之間高度一致，同時(shí)我們的Sim-to-Real Gap足夠小。我們自己做過很多Sim-to-Real的算法和模型，在這個(gè)過程中不斷迭代并更好地標(biāo)定了我們的硬件，從而把這個(gè)Gap降到了最小。

第二，可靠性。我們的手確實(shí)能經(jīng)受住高強(qiáng)度、長(zhǎng)時(shí)間的使用，并且性能非常穩(wěn)定。

甲子光年：Wave目前的售價(jià)是一只5萬美元，你們是怎么定價(jià)的？

Alicia：其實(shí)這并不是公開標(biāo)價(jià)（list price），我們目前只為客戶提供定制報(bào)價(jià)（custom price）。

甲子光年：你們團(tuán)隊(duì)是如何平衡產(chǎn)品性能和成本的？?jī)r(jià)格可能再降低一些嗎？

Alicia：在設(shè)計(jì)時(shí)，我們第一優(yōu)先級(jí)的考量絕對(duì)是性能（performance）。我們必須確保這只手在各類場(chǎng)景中能真正干活。其次是極高的可靠性（reliability），因?yàn)槲覀冎塾陂L(zhǎng)期的服務(wù)場(chǎng)景，它必須能扛得住長(zhǎng)時(shí)間的持續(xù)使用。第三個(gè)考量才是成本。因?yàn)槿绻_(dá)不到及格的性能，成本再低也沒意義。

我們的核心聚焦點(diǎn)是靈巧操作，而不在搬重物。如果只是搬運(yùn)，用個(gè)便宜的夾爪就夠了，客戶完全沒必要花高價(jià)買一只復(fù)雜的靈巧手。

解決技術(shù)問題后我們肯定會(huì)盯緊價(jià)格。只要我們不是用“黃金”來造手，憑借團(tuán)隊(duì)扎實(shí)的硬件工程能力，我們有信心把價(jià)格降到大規(guī)模量產(chǎn)所需的水平。

大家看BOM（物料清單）就知道硬件底座的成本邏輯，一旦行業(yè)進(jìn)入大規(guī)模量產(chǎn)，比如未來出貨量達(dá)到100萬臺(tái)時(shí)，規(guī)模效應(yīng)自然會(huì)把成本打下來，所以我們對(duì)控制成本非常有信心。

2.沒有觸覺，是一種新形式的失明

甲子光年：今天機(jī)器人已經(jīng)可以跑、跳、走，但在精細(xì)操作上仍然不如人類。從技術(shù)角度看，機(jī)器人靈巧操作的核心瓶頸是什么？

張凱峰：核心瓶頸就是數(shù)據(jù)。

靈巧操作有三類數(shù)據(jù)來源。第一類是遙操作數(shù)據(jù)。它最大的痛點(diǎn)是“操作員感受不到機(jī)器人的感受”，遙操作員操作起來非常不直觀（not intuitive），所以很難用這種方式去采集像手中把玩（in-hand manipulation）這類極度精細(xì)的操作數(shù)據(jù)。

第二類是以人為中心的數(shù)據(jù)采集方式。比如斯坦福大學(xué)團(tuán)隊(duì)（Stanford）隊(duì)做的同構(gòu)外骨骼手套DexUMI，以及麻省理工學(xué)院（MIT）和加州大學(xué)伯克利分校（UC Berkeley）聯(lián)合推出的無源手部外骨骼系統(tǒng)DexOP。DexUMI會(huì)帶來視覺上的Gap，因?yàn)橥蟛肯鄼C(jī)看到的是人戴著數(shù)據(jù)手套，而不是機(jī)械手；而DexOP則相反，它看到的是靈巧手本身，所以視覺Gap小，但是對(duì)于高自由度的靈巧手來說，它的狀態(tài)Gap會(huì)比較大。

第三類就是動(dòng)捕（MOCAP）數(shù)據(jù)。其實(shí)又回到了剛才說的functional retargeting的挑戰(zhàn)。這個(gè)問題真的非常難，尤其是實(shí)時(shí)的重定向。我們不僅希望在空間上把人手關(guān)鍵點(diǎn)1:1映射過去（kinematics-based），更希望“操作語義”是一致的，這是非常困難的。

甲子光年：還有其他難點(diǎn)嗎？比如模型和評(píng)測(cè)維度？

張凱峰：模型維度的話，最大的挑戰(zhàn)在于魯棒性（robustness）和泛化能力（generalization）。你能不能做到物體級(jí)別、環(huán)境級(jí)別甚至任務(wù)級(jí)別的泛化？能不能拿出一個(gè)真正具有99.999%魯棒性的通用策略？目前還做不到。

評(píng)測(cè)方面也是限制我們算法迭代效率的瓶頸。一個(gè)是可靠性問題。今天測(cè)10次，成功率80%和70%其實(shí)說明不了太大問題，可能只是A策略比B策略碰巧多成功了一次。另一個(gè)是人力成本極高。

評(píng)測(cè)則需要大量人力去控制環(huán)境變量、重置場(chǎng)景、統(tǒng)計(jì)數(shù)據(jù)，極其消耗精力。這些都是目前限制靈巧操作發(fā)展的核心瓶頸。

甲子光年：觸覺是不是靈巧操作的關(guān)鍵？

張凱峰：我認(rèn)為極其重要。

因?yàn)樵诓僮鬟^程中，無論是數(shù)據(jù)采集還是模型推理，都會(huì)遇到嚴(yán)重的“自遮擋”或者被物體“遮擋”的問題。此外，觸覺能賦予機(jī)器人“手感”。人類在做微操時(shí)是有精細(xì)手感的，但目前的機(jī)器人還做不到這點(diǎn)。

甲子光年：Alicia，我記得你們?cè)?jīng)提到“Tactileless is the new blindness（沒有觸覺，是一種新形式的失明）”。

Alicia：是的，我們堅(jiān)信，如果沒有觸覺，有些任務(wù)機(jī)器人根本無法完成。特別是那些步驟繁瑣的Long-horizon（長(zhǎng)視距/長(zhǎng)程）任務(wù)，想完全依靠視覺讓機(jī)器人自主完成，如果不是不可能，也是極其困難的。

我們想想人類的操作就明白了：如果你想擦一個(gè)花瓶，你的手會(huì)繞到花瓶背面去擦，這時(shí)你的眼睛是看不到手的對(duì)吧？但你依然能擦干凈，而且不會(huì)把花瓶打碎，因?yàn)槟隳堋懊钡剿Ｔ谶@種情況下，視覺是被遮擋（occluded）的。

再比如把數(shù)據(jù)線插進(jìn)USB接口、或者把零件卡進(jìn)去的時(shí)候，因?yàn)榭臻g太狹小，攝像頭不可能無死角覆蓋，你根本看不到線頭插進(jìn)去的瞬間。這時(shí)候，觸覺就成了唯一的解法。

同時(shí)凱峰和清華大學(xué)合作的《Spatially-anchored Tactile Awareness for Robust Dexterous Manipulation》論文，更是證明了有了觸覺，一些原本機(jī)器人根本不可能自主完成的任務(wù)，比如插USB線、安裝燈泡、發(fā)撲克牌等變得可能了。

《Spatially-anchored Tactile Awareness for Robust Dexterous Manipulation》論文，圖片來源：受訪者

有大量頂級(jí)學(xué)術(shù)研究證實(shí)了觸覺在加速機(jī)器人訓(xùn)練中的作用。這就是我們?nèi)绱丝春糜|覺AI的原因：它不僅是我們的信仰，更得到了科學(xué)界的驗(yàn)證。

甲子光年：我突然覺得這挺像自動(dòng)駕駛領(lǐng)域的情況：行業(yè)里既有特斯拉那種純視覺路線，也有“攝像頭+激光雷達(dá)”的融合方案。你們提到了機(jī)器人觸覺，其實(shí)很像激光雷達(dá)在自動(dòng)駕駛中的角色。一旦機(jī)器人的視覺受阻或存在盲區(qū)，觸覺就能作為全新的數(shù)據(jù)源來補(bǔ)足視覺短板。

Alicia：確實(shí)很像，但我認(rèn)為觸覺在機(jī)器人身上的重要性，超過了激光雷達(dá)在車上的重要性。

車的邏輯是“避障”，它所有的目標(biāo)是“不要碰到任何東西”，碰到就是事故。而機(jī)器人的邏輯相反，它無時(shí)無刻不在跟這個(gè)世界“接觸”，尤其是手部。

對(duì)于那些看不見或處于視覺盲區(qū)的地方，觸覺尤其不可或缺。

甲子光年：做好觸覺，有哪些挑戰(zhàn)？

Alicia：這件事在技術(shù)上極其復(fù)雜，主要有三個(gè)核心維度的挑戰(zhàn)。Sharpa研究副總裁朱雪洲在GTC的演講就詳細(xì)提到了幾個(gè)核心原因：一方面是凱峰說的映射問題，你必須得有這樣一只帶觸覺的靈巧手，才能實(shí)現(xiàn)底層的物理分層；另一方面是模態(tài)競(jìng)爭(zhēng)問題，比如視覺和觸覺之間會(huì)有模態(tài)競(jìng)爭(zhēng)；最后還有一個(gè)關(guān)鍵點(diǎn)，就是計(jì)算成本的開銷問題。

3.從粗略動(dòng)作到精準(zhǔn)動(dòng)作

甲子光年：具身智能的研究大致分為兩個(gè)核心方向：Locomotion（移動(dòng)能力）與Manipulation（操作能力）。Sharpa提出的CraftNet是一種VTLA（Vision Tactile Language Action，視覺-觸覺-語言-動(dòng)作）模型，我的理解是，你們?cè)贚ocomotion與Manipulation之外增加了第三個(gè)維度：Perception（感知），對(duì)嗎？

張凱峰：我常常開玩笑說，Locomotion其實(shí)也是一種特殊的Manipulation——是人用兩只腳在“操控”地球。如果今天我們已經(jīng)徹底解決了操作問題，回過頭看，一定能用同一套框架既解決移動(dòng)、又解決操作。

這兩者最大的不同在于：Locomotion是將“自身狀態(tài)”調(diào)整到目標(biāo)狀態(tài)，而Manipulation是將“被操作的物體”調(diào)整到目標(biāo)狀態(tài)。這就要求你必須實(shí)時(shí)獲取被操作物體的姿態(tài)信息，也就是Perception。

2000年以前做機(jī)器人的人，常常假設(shè)Vision Perception（視覺感知）問題已經(jīng)解決了，所以直接在action（動(dòng)作）層面尋求突破點(diǎn)。但今天我們發(fā)現(xiàn)這遠(yuǎn)遠(yuǎn)不夠，必須把感知和動(dòng)作放到一個(gè)閉環(huán)里去做。

甲子光年：CraftNet的分層設(shè)計(jì)很像人類的神經(jīng)系統(tǒng)。System 2負(fù)責(zé)想，是推理大腦(the Reasoning Brain)；System 1負(fù)責(zé)動(dòng)，是運(yùn)動(dòng)大腦(the Motion Brain) ；System 0負(fù)責(zé)做，是交互大腦 (the Interaction Brain) 。但是這三個(gè)系統(tǒng)頻率不一樣，如何避免系統(tǒng)之間的“打架”？

CraftNet，圖片來源：Sharpa

張凱峰：首先我介紹一下CraftNet里System 0的含義。在Locomotion領(lǐng)域，現(xiàn)在也出現(xiàn)了System 0的概念，比如Figure機(jī)器人模型Helix 02里就有。它的概念是：當(dāng)你推機(jī)器人一下，它能下意識(shí)地保持身體平衡不摔倒，這是一種自適應(yīng)的底層行為。

而在我們的Manipulation里，System 0意味著什么呢？它能把System 1輸出的“粗動(dòng)作”和操作意圖，結(jié)合力覺（Force）和觸覺（Tactile）信息，轉(zhuǎn)化為一個(gè)精準(zhǔn)的動(dòng)作。

剛才我們講到遙操作、動(dòng)捕等數(shù)據(jù)收集上的挑戰(zhàn)，這些挑戰(zhàn)引導(dǎo)我們?cè)O(shè)計(jì)了一個(gè)“coarse-to-fine（由粗到細(xì)）”的架構(gòu)。也就是說，先由上層生成一個(gè)粗動(dòng)作，再通過System 0把它變成精細(xì)化的操作。

關(guān)于“系統(tǒng)打架”的問題。其實(shí)它們并不會(huì)打架，這就像一個(gè)分頻（frequency division）設(shè)計(jì)。System1輸入的是低頻的表征，輸出一個(gè)相對(duì)高頻的動(dòng)作；而到了System 0，它執(zhí)行的是更高頻的底層操作。高低頻之間是解耦的，所以互不影響。

甲子光年：這么看，System 0其實(shí)更加通用。

張凱峰：對(duì)，它是非常通用的，我們把它叫做motion primitives（運(yùn)動(dòng)基元）。

同時(shí)，我們的System 0也非常聚焦，它聚焦在你“快要摸到、以及指尖觸碰到物體的那一瞬間”的下意識(shí)反應(yīng)。

從速度反饋上也能看出來，System 1大概是10Hz的頻率，而到了System 0直接飆到100Hz了，它必須極速輸出一個(gè)下意識(shí)動(dòng)作來完成微操。

甲子光年：就像我的手碰到了這個(gè)水杯，碰到的一瞬間，底層系統(tǒng)要立刻下意識(shí)地決定用多大的力度去抓住它，是這樣嗎？

張凱峰：除了意圖，還涉及你具體怎么去抓。正如我剛才提到的，有些動(dòng)作你是很難采集到數(shù)據(jù)的，比如in-hand manipulation（手內(nèi)操作/掌內(nèi)操作）這種極度精細(xì)的動(dòng)作。

目前業(yè)內(nèi)其他家應(yīng)該還沒有做到System 0這個(gè)階段。

甲子光年：相比于其他沒有System 0的同行，你們的系統(tǒng)反應(yīng)會(huì)更快？

張凱峰：System 0要解決的核心是“操作手感”以及“最后1毫米接觸”的問題。 剛才提到數(shù)據(jù)采集有挑戰(zhàn)，你很難采集到足夠多樣化的運(yùn)動(dòng)基元 (Motion Primitives)，尤其是手內(nèi)操作數(shù)據(jù)。

因此我們認(rèn)為，System 1最終可能只是由數(shù)據(jù)金字塔或相對(duì)低質(zhì)量的數(shù)據(jù)學(xué)出來的一個(gè)Coarse action（粗略動(dòng)作）。把這個(gè)手勢(shì)傳遞給System 0后，System 0會(huì)結(jié)合力覺和觸覺信息，將其“翻譯”成Precise action（精準(zhǔn)動(dòng)作），從而完成微操。

甲子光年：有些醫(yī)療手術(shù)機(jī)器人也強(qiáng)調(diào)精度能達(dá)到毫米級(jí)甚至亞毫米級(jí)，你們有什么不一樣？

張凱峰：本質(zhì)不一樣，它們屬于專機(jī)專用機(jī)器人，和我們要做的General（通用）不一樣。我們希望做的是通用的機(jī)器人，是能幫人去干各種臟活、累活的，這些任務(wù)都不是特定、固定的。

甲子光年：在實(shí)際生活中，有沒有更貼近日常、更直觀的例子來解釋System 0的作用？

張凱峰：比如我要拿起這罐啤酒，我用的力道是恰到好處的。如果你試圖從我手里把啤酒抽走，我會(huì)下意識(shí)地增加握力——這就是System 0在起作用。

第二點(diǎn)，我們把這種抓取叫做Gentle Grasp（柔和抓?。指蟹浅Ｈ岷?。如果今天沒有System 0的操作能力，機(jī)器人可能只會(huì)粗暴地Power Grasp（強(qiáng)力抓?。?。

因?yàn)檫b操作員其實(shí)是感受不到機(jī)器人抓取力度的，為了保證東西不掉，他們只能捏得很緊、用很大的力。但這不對(duì)，System 0要解決的就是這種“恰到好處”的觸覺反饋。

我們的靈巧手，即使是去操作紙牌、操作脆弱的折頁(yè)，從平面上摳起來時(shí)都不會(huì)讓它變形，而是完好無損地拿起來。

甲子光年：我們習(xí)以為常的抓取動(dòng)作，其實(shí)是人類的雙手已經(jīng)在潛意識(shí)里完成了極度精細(xì)的操作，但真正要在機(jī)器人手上復(fù)現(xiàn)時(shí)，技術(shù)難度的差別就顯現(xiàn)出來了。

張凱峰：對(duì)，因?yàn)槿梭w的底層就運(yùn)行著一個(gè)類似System 0的控制器（controller）。

甲子光年：過去兩年行業(yè)里都在卷VLA、VLM，而今年初Sharpa發(fā)布了CraftNet，提出了一層新的架構(gòu)System 0。后來，美國(guó)機(jī)器人公司Figure提出了Helix 02，也包含了一層System 0，所以2026年會(huì)是“System 0元年”嗎？

張凱峰：我們自己并沒有去刻意這么定義。不過我們內(nèi)部之前聊過，大家確實(shí)有一個(gè)共識(shí)：2026年全行業(yè)的關(guān)注點(diǎn)，肯定會(huì)全面聚焦到“靈巧操作”上。大家可能更關(guān)心更細(xì)化的靈巧操作。這個(gè)趨勢(shì)確實(shí)存在，至于是不是“元年”，就看各自的解讀了。

甲子光年：那為什么現(xiàn)在才做出System 0呢？是因?yàn)榫邆淠男l件嗎？

張凱峰：我覺得是整個(gè)AI的基礎(chǔ)設(shè)施以及底層的硬件發(fā)展到了能支撐我們做這件事的階段。

其實(shí)算法和模型非常依賴Infra的設(shè)計(jì)。比如現(xiàn)在有了英偉達(dá)Isaac這樣優(yōu)秀的平臺(tái)，它的渲染效率非常高，特別是觸覺的渲染效率。結(jié)合我們Tacmap這樣的技術(shù)，就能去做很多觸覺的sim-to-real工作，從而解決靈巧操作底層System 0面臨的問題。

所以是整個(gè)Infra和仿真的進(jìn)步，讓我們有機(jī)會(huì)把這件事做好。

4.與英偉達(dá)合力解決Sim-to-Real問題

甲子光年：你們和英偉達(dá)有哪些合作？通過合作你們想傳遞什么信息？

Alicia：主要是Tacmap仿真觸覺傳感系統(tǒng)和EgoScale項(xiàng)目。Sharpa Wave靈巧手已被NVIDIA GEAR實(shí)驗(yàn)室用于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器人學(xué)習(xí)研究。雙方合作驗(yàn)證了一條關(guān)鍵路徑：機(jī)器人可以直接從大規(guī)模人類視頻數(shù)據(jù)中學(xué)習(xí)復(fù)雜操作能力，并在真實(shí)系統(tǒng)中穩(wěn)定執(zhí)行。另外，我們還加入了NVIDIA Inception創(chuàng)業(yè)加速計(jì)劃。

仿真技術(shù)是我們著重投入的方向。它是加速機(jī)器人訓(xùn)練的一個(gè)極具前景的方向。能在仿真領(lǐng)域跟英偉達(dá)這樣的巨頭合作，對(duì)推動(dòng)觸覺和觸覺AI的發(fā)展十分關(guān)鍵，也能讓大家看到其對(duì)于機(jī)器人訓(xùn)練和數(shù)據(jù)瓶頸突破的重要性。

甲子光年：你們宣布這次Tacmap仿真框架及代碼資產(chǎn)未來將開源，開源的時(shí)間節(jié)點(diǎn)和范圍是什么？你們?yōu)槭裁磿?huì)選擇開源？

Alicia：關(guān)于相關(guān)成果的開源發(fā)布時(shí)間，團(tuán)隊(duì)給我的預(yù)期大概在三月底吧。

這次開源的內(nèi)容大概包括URDF（機(jī)器人模型）、仿真資產(chǎn)、Tacmap的代碼，還有強(qiáng)化學(xué)習(xí)（RL）的代碼庫(kù)。打個(gè)比方，你可以把Tacmap看作是英偉達(dá)Isaac Lab平臺(tái)上的一個(gè)插件，大家以后都能用。

如果我們真想把“觸覺AI是機(jī)器人下一個(gè)大風(fēng)口”這個(gè)共識(shí)推出去，光靠嘴說沒用，得給大家提供上手的工具。大家親自跑一跑代碼，自然就懂它的價(jià)值了。

這個(gè)領(lǐng)域要想發(fā)展，單靠一家公司肯定不行。把工具開源，一方面確實(shí)能幫英偉達(dá)的Isaac Lab平臺(tái)吸引更多生態(tài)用戶，但對(duì)Sharpa來說，真正的“私心”是希望吸引更多人來研究觸覺AI。

甲子光年：在Tacmap仿真框架的合作中，Sharpa與英偉達(dá)各自都做了什么工作？

張凱峰：Sharpa和英偉達(dá)共同設(shè)計(jì)了TacMap，解決如何對(duì)視觸覺進(jìn)行仿真的技術(shù)問題。英偉達(dá)主要提供底層技術(shù)支持，比如物理引擎上的Know-how，同時(shí)幫我們解決了IsaacLab底層的一些Bug。

一個(gè)新的平臺(tái)本身會(huì)有不完善的地方，英偉達(dá)協(xié)助排查后，雙方再能進(jìn)行深度的聯(lián)合開發(fā)，最終由Sharpa主導(dǎo)實(shí)現(xiàn)并驗(yàn)證。

Alicia：我們正在合作解決sim-to-real（仿真到現(xiàn)實(shí)）的差距，讓仿真平臺(tái)能更好地生成合成數(shù)據(jù)來訓(xùn)練模型。有時(shí)我們也會(huì)根據(jù)具體任務(wù)，直接在仿真環(huán)境里用強(qiáng)化學(xué)習(xí)來訓(xùn)練。

甲子光年：算力方面會(huì)有合作嗎？

張凱峰：算力方面暫時(shí)沒有，主要聚焦在仿真。

甲子光年：傳統(tǒng)觸覺仿真一直存在一個(gè)問題：真實(shí)性vs計(jì)算效率。這次合作解決了什么關(guān)鍵問題？

張凱峰：傳統(tǒng)觸覺仿真的痛點(diǎn)要么像是：有限元分析那樣保留了物理特性但失去計(jì)算效率，要么像簡(jiǎn)化的投影映射有計(jì)算效率但物理特性很差。我們這次取得了很好的折中。

基于Tacmap，我們?cè)O(shè)計(jì)了一套物體和指尖穿模得到的深度圖像，把這個(gè)圖像作為sim-to-real的介質(zhì)。在仿真里可以快速高效地計(jì)算deformation Map（形變圖）；而在真實(shí)世界中，我們采集大量數(shù)據(jù)，把視觸覺看到的原始圖像通過轉(zhuǎn)換模型翻譯成deformation Map。

在此基礎(chǔ)上我們既保留了很好的物理特性，又有極高的計(jì)算效率，同時(shí)sim-to-real的gap也非常小?；谖覀兊臏y(cè)試分析，Tacmap能夠支持in-hand manipulation的zero-shot deploy。

甲子光年：接下來聊聊EgoScale項(xiàng)目，我注意到NVIDIA GEAR Lab的研究團(tuán)隊(duì)成功把在GR00T模型進(jìn)行了20000小時(shí)以上人類視頻數(shù)據(jù)預(yù)訓(xùn)練獲得的策略，遷移到搭載Sharpa Wave機(jī)械手的機(jī)器人上。實(shí)驗(yàn)結(jié)果顯示，這些機(jī)器人能夠完成包括模型汽車組裝、注射器操作以及卡片分類等任務(wù)，整體任務(wù)成功率提升54%。這個(gè)數(shù)據(jù)提升代表著什么？

張凱峰：過去大家有個(gè)共識(shí)，希望能用好不同質(zhì)量的數(shù)據(jù)。

最高質(zhì)量的是遙操作數(shù)據(jù)，但它很難規(guī)?；?、成本太高；其次是以人為中心的數(shù)據(jù)采集方式；最底層的、最便宜且最能規(guī)?；木褪侨祟愐曨l，或者帶有真實(shí)標(biāo)注的動(dòng)捕數(shù)據(jù)。

這次英偉達(dá)的工作讓我們看到，人類視頻數(shù)據(jù)從某種意義上帶來了scaling Law，同時(shí)也證實(shí)了在硬件側(cè)設(shè)計(jì)與人類1:1同構(gòu)靈巧手的重要性。

《EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data》論文，圖片來源：受訪者

甲子光年：當(dāng)前具身智能行業(yè)獲取數(shù)據(jù)，主要有四種方式。第一種是仿真數(shù)據(jù)，第二類是人類行為數(shù)據(jù)，第三類是人類示教數(shù)據(jù)，第四類是真機(jī)遙操作數(shù)據(jù)。這四種方式各有優(yōu)劣勢(shì)，其中人類行為數(shù)據(jù)來源主要是視頻，通過學(xué)習(xí)人類操作來訓(xùn)練機(jī)器人。這類數(shù)據(jù)規(guī)模巨大，但由于人類身體結(jié)構(gòu)與機(jī)器人機(jī)械結(jié)構(gòu)存在差異，往往難以直接映射到機(jī)器人動(dòng)作，因此存在所謂的“構(gòu)型鴻溝”。你們?nèi)绾伪苊馊祟愋袨閿?shù)據(jù)帶來的“構(gòu)型鴻溝”？

張凱峰：這其實(shí)耦合了兩個(gè)問題，核心是retargeting(重定向)。真正理想的重定向叫functional retargeting（功能性重定向），意思是不僅空間上的關(guān)鍵點(diǎn)能映射到機(jī)械手上，更要求操作語義也能夠重定向。比如我做捏（pinch）或抓握（power grasp）的動(dòng)作，機(jī)器人也能準(zhǔn)確還原這個(gè)操作的語義，也就是“指哪打哪”。

即便解決了重定向，還要保證重定向的結(jié)果是physical plausible（物理可達(dá)的），這就要求硬件設(shè)計(jì)必須和人手1:1同構(gòu)。

我們某種意義上解決了底層硬件的瓶頸，保證了重定向結(jié)果物理可達(dá)。而functional retargeting目前仍是一個(gè)不斷探索的難題。

甲子光年：你是否認(rèn)為“機(jī)器人訓(xùn)練正在從‘機(jī)器人數(shù)據(jù)時(shí)代’，進(jìn)入‘人類視頻數(shù)據(jù)時(shí)代’”？只要機(jī)器人擁有足夠類人的手部結(jié)構(gòu)，人類數(shù)十億小時(shí)的操作視頻，都可能成為機(jī)器人的訓(xùn)練數(shù)據(jù)嗎？

張凱峰：是的，我們正在經(jīng)歷這個(gè)轉(zhuǎn)變。所謂的機(jī)器人數(shù)據(jù)，指的是通過遙操作或機(jī)器人主動(dòng)采集的數(shù)據(jù)；而人類操作數(shù)據(jù)，則是人戴著DexUMI或者DexOP這種數(shù)據(jù)手套，或者通過動(dòng)捕（MoCap）技術(shù)獲取的人類實(shí)操數(shù)據(jù)。當(dāng)然，機(jī)器人數(shù)據(jù)最終也是必不可少的。

要想用好這些人類操作的數(shù)據(jù)，最大的難點(diǎn)還是剛才提到的retargeting重定向。重定向不僅要求結(jié)果在物理上可達(dá)，這就要求有1:1同構(gòu)的優(yōu)質(zhì)硬件，還要求在功能語義上一致（functional），這本身在模型算法上就是一個(gè)巨大的挑戰(zhàn)。

甲子光年：所以未來機(jī)器人訓(xùn)練到底會(huì)更依賴哪類數(shù)據(jù)？

張凱峰：要想打造通用的智能機(jī)器人，整個(gè)數(shù)據(jù)金字塔的每一層都必須被充分利用。整體來看，高質(zhì)量的遙操作數(shù)據(jù)與以人為中心(Human-centric)采集的數(shù)據(jù)，比例大概是1:100，這是一個(gè)比較合理的比例。接著往下推，以人為中心的數(shù)據(jù)與仿真數(shù)據(jù)的比例也是1:100；最后仿真數(shù)據(jù)與海量的人類操作視頻數(shù)據(jù)同樣是1:100的百倍級(jí)增長(zhǎng)。只有這樣層層放大，才能解決數(shù)據(jù)的困境，最終才能訓(xùn)練出好的通用智能。

5.Sharpa的飛輪效應(yīng)

甲子光年：Sharpa把全球總部設(shè)在新加坡，研發(fā)和制造在上海，商業(yè)運(yùn)營(yíng)在硅谷。這種全球化布局背后的策略是什么？

Alicia：我們的策略很簡(jiǎn)單：去最合適的地方拿最好的資源。所以我們從一開始就是一家global by design（生而全球化）的公司。

參考汽車或消費(fèi)電子等成熟產(chǎn)業(yè)，無論是客戶群還是供應(yīng)鏈，本來就是全球化的。新加坡是亞洲的樞紐，方便吸引全球AI人才，設(shè)為總部很合理。中國(guó)有極好的AI和機(jī)器人人才庫(kù)，而且供應(yīng)鏈極其發(fā)達(dá)，硬件組件的組裝和迭代速度極快，這是我們絕對(duì)不能錯(cuò)過的優(yōu)勢(shì)。至于美國(guó)，那里對(duì)新技術(shù)的接受和應(yīng)用速度幾乎比世界上任何地方都快，所以我們?cè)谶@里開展商業(yè)運(yùn)營(yíng)順理成章。

Sharpa硅谷辦公室展示區(qū)，North機(jī)器人在發(fā)牌，動(dòng)圖來源：「甲子光年」拍攝

甲子光年：但現(xiàn)實(shí)中機(jī)器人商業(yè)化仍然很慢。你認(rèn)為機(jī)器人規(guī)?；涞氐钠款i是什么？

Alicia：大規(guī)模部署之所以還沒發(fā)生，是因?yàn)槟壳鞍l(fā)布的絕大多數(shù)機(jī)器人都在死磕移動(dòng)能力，而在操作能力上投入的精力太少。

只有當(dāng)機(jī)器人真正能用手干活時(shí)，它們才會(huì)變得有用，部署速度才會(huì)加快。這也是我們創(chuàng)立這家公司的初衷。

往深了說，這終究是一個(gè)數(shù)據(jù)問題。我們需要更多物理世界的數(shù)據(jù)來訓(xùn)練機(jī)器人。

凱峰團(tuán)隊(duì)正在努力讓更多觸覺數(shù)據(jù)能用于訓(xùn)練機(jī)器人和CraftNet。這其實(shí)是一個(gè)飛輪效應(yīng)（flywheel）：擁有帶有觸覺的優(yōu)質(zhì)靈巧手，我們就能生成更好的數(shù)據(jù)；有了更好的數(shù)據(jù)，就能訓(xùn)練出更好的模型；模型越好，機(jī)器人就越有用，能勝任的場(chǎng)景就越多；場(chǎng)景打開了，客戶買單的意愿就越強(qiáng)，企業(yè)就有更多資金投入研發(fā)，從而造出更好的機(jī)器人。這就是大規(guī)模落地的底層邏輯。

甲子光年：從市場(chǎng)角度看，中美有什么差異？

Alicia：差異主要體現(xiàn)在供給側(cè)。中國(guó)的供應(yīng)鏈速度實(shí)在太快了，只要市場(chǎng)有一點(diǎn)風(fēng)吹草動(dòng)，哪怕離真正爆發(fā)還有段距離，無數(shù)人就會(huì)立刻涌入并快速開發(fā)方案，整個(gè)生態(tài)系統(tǒng)的調(diào)動(dòng)速度極其驚人。

中美兩國(guó)對(duì)新技術(shù)的接受度都很高，但感覺美國(guó)市場(chǎng)在真正大規(guī)模建立供應(yīng)鏈之前，需要更多的“被說服”過程。而在中國(guó)，配合供應(yīng)商、快速修正設(shè)計(jì)都極其高效。凱峰，你同意嗎？

張凱峰：完全同意。

甲子光年：在美國(guó)，市場(chǎng)教育成本高嗎？

Alicia：美國(guó)的科技圈，一切都發(fā)生得極快，科技從業(yè)者對(duì)新技術(shù)的接受度極高，所以你很容易就能積攢起一大批“早期采用者（Early adopters）”。

但在美國(guó)市場(chǎng)，真正的難題在于如何“跨越鴻溝（Cross the chasm）”，即如何從早期采用者打入主流大眾市場(chǎng)。對(duì)于主流客戶，你必須證明非常多的東西，他們才會(huì)買單。

但在中國(guó)，我感覺大家對(duì)待新事物的態(tài)度不太一樣。在中國(guó)，大家普遍認(rèn)為“犯錯(cuò)的成本，遠(yuǎn)低于錯(cuò)失機(jī)會(huì)的成本”。在其他地方（比如歐洲），人們非常害怕犯錯(cuò)；但在中國(guó)，大家極其FOMO（Fear of Missing Out，錯(cuò)失恐懼癥），害怕別人看到了機(jī)會(huì)而自己沒上車。所以在這種情緒下，哪怕技術(shù)還沒那么成熟，大家也會(huì)去試、去摸索。

甲子光年：如果未來機(jī)器人像智能手機(jī)一樣普及，你認(rèn)為最關(guān)鍵的一次技術(shù)突破會(huì)來自哪里？

張凱峰：最關(guān)鍵的突破一定來自于“數(shù)據(jù)側(cè)的閉環(huán)”。如果我們能在某個(gè)真實(shí)的商業(yè)模式下，自動(dòng)地、大規(guī)模地采集場(chǎng)景數(shù)據(jù)，并真正跑通“數(shù)據(jù)→模型→評(píng)測(cè)”的閉環(huán)，機(jī)器人就能像智能手機(jī)一樣普及。數(shù)據(jù)實(shí)在太關(guān)鍵了。

甲子光年：相比于行業(yè)里開源數(shù)據(jù)，你們自己其實(shí)掌握著大量極高質(zhì)量的、適配你們硬件的“真機(jī)觸覺數(shù)據(jù)”。這批數(shù)據(jù)你們未來考慮開源嗎？

張凱峰：開源的事我們正在籌劃中，目前還沒有最終定論。

甲子光年：今年大家對(duì)“具身數(shù)據(jù)”的關(guān)注度空前高漲，你們?nèi)绾谓鉀Q數(shù)據(jù)問題？今年在其他方面有什么規(guī)劃嗎？

張凱峰：我們確實(shí)有一些布局，基本上圍繞“數(shù)據(jù)、模型、評(píng)測(cè)”這三個(gè)環(huán)節(jié)展開。我們主要攻堅(jiān)自研的CraftNet，但我們也會(huì)以高校合作為手段來拓寬認(rèn)知。

在數(shù)據(jù)方面，我們正在嘗試如何改進(jìn)以人為中心（human-centric）的數(shù)據(jù)采集方式，同時(shí)也在攻克functional retargeting的難題，試圖把海量的動(dòng)捕（MoCap）數(shù)據(jù)真正用起來。

在模型方面，針對(duì)System 0，我們希望能跑通一個(gè)更加通用的Sim-to-Real（仿真到現(xiàn)實(shí)）的技能Pipeline。

因?yàn)槟壳安煌牟僮骷寄埽讓拥姆椒ㄕ撌遣灰粯拥?，我們想用一套通用的框架去解決它，目前也在推進(jìn)用無監(jiān)督強(qiáng)化學(xué)習(xí)（RL）來做整個(gè)System 0的方向。針對(duì)System 1，我們主要關(guān)注泛化性和魯棒性。

在評(píng)測(cè)方面，我們也在和學(xué)界合作，希望能解決目前評(píng)測(cè)中可靠性差（reliability）和極度耗費(fèi)人力（labor-intensive）的痛點(diǎn)。

甲子光年：這也很符合你們?nèi)珬２季值牟呗浴?/p>

Alicia：我們是一家全棧的具身智能公司。之所以要做全棧，是因?yàn)橐胝嬲龅酵ㄓ脵C(jī)器人，除了做好觸覺AI，別無選擇。

（封面圖來源：「甲子光年」拍攝）