WRC 2026 | “手”载灵巧，“脑”驭执行！中科硅纪提升机器人“动手能力”

中科硅纪创始人王鹏在接受环球网记者采访时称，专用夹爪仅能适配单一对象，一旦更换作业物体便无法工作，所以硬件通用性成为具身智能行业发展的必然趋势。对于灵巧手而言，三指人手形态便可实现一定程度的抓取泛化；迈向更高能力层级，即实现工具运用、基础设施交互等功能，则需要五指仿人手形态作为支撑。基于此，公司在产品布局上同时覆盖这两种人手形态，来满足不同层级市场需求。

在落地层面，灵巧操作能力等级可划分为：第一级为重复性操作，主要面向工业场景中的固定流程任务；第二级为依托视觉与力觉引导，实现一定程度的适应性操作；第三级聚焦通用抓取、收纳整理与物流分拣，核心在于解决对象多样性与场景非结构化等问题；第四级则是功能性操作，涉及工具使用能力。

结合当前技术成熟度与市场需求匹配度，王鹏认为，第四级功能性操作并非近两年重点，预计需要长时间技术积累。而搬运场景可归入第三级中技术要求相对较低的场景，其核心诉求集中在机械臂的负载能力与移动导航规划能力上，手部灵巧性并非关键。

与此同时，他也提出理性行业判断：硬件的通用化发展，并不意味着所有末端执行器都要做成仿人手的形态。“传统专用末端凭借高效作业、稳定性强、成本可控的核心优势，仍将在细分刚需场景中占据重要地位；通用灵巧手则聚焦填补专用设备的能力空白，持续拓展机器人作业的应用边界。”

以“大小脑”驱动任务执行

当机器人拥有了一双灵巧的“手”，接下来要解决的是如何基于真实任务让其“动起来”？

展会现场，中科硅纪展出CasiaHand Brain-Si 0.5类人灵巧操作具身大小脑模型。该模型采用分层协同架构：“大脑”负责环境理解、任务识别与决策规划，“小脑”负责技能执行、运动控制及关节实时协同，形成从感知、决策到执行的闭环。

具体来看，这一模型为三级递进的技术架构：最上层为VLA与世界模型，该层级为数据驱动的泛化大模型，模型体量最大，核心负责机器人作业的宏观任务规划；中间层为具身灵巧操作基座模型，同样属于数据驱动的泛化模型，承接上层宏观规划结果，解决手部通用抓取与轨迹生成问题；最下层为硬件关联可解释模型，并非数据驱动，深度绑定机器人手部硬件，精准调控手部关节运动、受力状态。

“公司重点深耕中间层及最下层。”王鹏称，其中上层任务规划模型，可以适配不同本体、不同硬件，这一层和硬件本体弱相关；越往下，对本体依赖性越高。

此外，与互联网大模型主要依赖文本不同，具身智能的数据必须包含物理世界的因果逻辑，比如一个抓取动作涉及力度、角度及物体形变等细微变化。数据采集面临的核心问题——如何在实际操作中平衡泛化能力与精细化、量化指标之间的矛盾？

具体来讲，中科硅纪采用双轨并行的策略。其一，使用与现场相同的本体进行采集，优势在于保证数据质量，有效解决操作过程中的量化指标、精度和稳定性问题。其二，采用 EGO 方式，跨本体泛化能力强，能够解决大场景任务规划和数据量问题。

此外，在互联网生态中，“数据越多、质量越好、模型效率越高” 的逻辑已被验证成立。然而，对于物理世界，王鹏认为，这一推论未必完全适用，而应针对不同场景区别对待。例如，家庭等服务场景，因环境、任务、对象等纷繁多样，确实需要较强的跨场景泛化能力。而工业场景，在解决垂直场景的通用性和泛化能力的同时，把稳定性、可靠性，以及精度、效率等量化指标做到能满足客户落地要求的水平。