智元机器人的裂变：把自己拆开，才能往前走
卫辰远 · 2026-07-31
智元机器人拆分核心业务独立融资，聚焦灵巧手与具身数据，破解人形机器人技术瓶颈。
智元机器人拆分核心业务独立融资，聚焦灵巧手与具身数据，破解人形机器人技术瓶颈。人形机器人这个行业，正在花数以亿计的研发经费，试图让机器人学会一件极其基础的事：用手精细操作。
一个草莓捏不烂再放进篮子，这个动作人类婴儿学几个月才学会，工业机械臂永远学不会。背后涉及的自由度、力反馈和精密控制，是横在整条产业链上的技术硬墙。
智元机器人最近的动作看起来有点反常。它没走 "做大做强" 的老路，而是把自己最核心的几块业务切出去，让它们各自独立融资、各自招人、各自发展。灵巧手、数据平台、四足、租赁，一家公司裂变成了一个小生态。
理解这件事，得先理解人形机器人现在卡在哪里。
灵巧手：机器人精细操作的工程硬墙
手，是人形机器人技术链条上最难的那一段。
人的手有 27 个自由度，指尖可以感知 0.1 毫米级的纹理变化，握力可以在极短时间内从轻柔切换到有力。工业夹爪只解决了抓取，放弃了其他一切。要做一只真正能用的机器人手，需要在几十毫米的空间里塞进驱动、传感、控制三套系统，而且这三套系统还要实时通信、实时响应。
关节数量是第一道坎。
工业机器人常见的两指夹爪，提供一两个运动维度，能完成流水线上标准化的搬运和装配。但现实里的任务远比这复杂：拧螺丝需要手指施加精准的扭矩，折叠衣物需要多指协同，给老人递药需要随时感知药片的重量调整握力。想把关节数做上去，每增加一个关节就要多一个驱动器、多一套传感和控制回路，整个手掌的体积、重量和功耗都会随之增长，而灵巧手能用的空间偏偏极其有限。
目前主流有三条技术路线，各有取舍。
第一条是腱绳驱动。原理是用细绳或钢丝拉动手指关节，电机可以放在手臂更靠近躯干的位置，手掌因此得以做轻、做薄。特斯拉的擎天柱机器人早期版本用的就是这条路线。
但腱绳有两个问题难以回避：一是绳子本身会在反复拉伸中疲劳、延伸，导致控制精度漂移；二是多根腱绳穿过同一关节时相互影响，整套控制模型极其复杂。
第二条是直驱。每个关节内置一个小型电机，电机直接驱动关节转动，响应速度快、力矩可控性强、位置精度容易保证。难点在于：手掌空间里塞足够多的电机，体积和重量会显著上升。
第三条是气动或液动方案。用气压或液压驱动人工肌肉或软体结构，抓取自然、接触力柔和。但气泵或液压泵体积大、噪音大，集成到移动机器人平台里本身就是个工程难题。
三条路线没有一条是完美答案。腱绳做轻了但难调，直驱做准了但难瘦，气动做柔了但难集成。
力反馈是另一道坎。
机器人手指要能实时感知自己使了多大劲。人手的触觉反馈回路延迟约 20 毫秒 —— 比眨一次眼的时间短一个数量级。目前大多数机器人灵巧手的这条回路延迟远高于这个数字。
延迟过大，抓取易碎物体时就会失稳。
传感器方案本身也是制约。应变片精度高但采样率有限，压电薄膜响应快但信号噪声大，光纤传感封装难度高。指尖面积有限，想在上面铺出足够密度的感知阵列，目前没有一种方案全面占优。
精密控制是第三道坎。
五根手指同时动，每根手指都会影响其他手指的受力分布。工程上两个方向：一是建精确物理模型做前馈补偿，但摩擦、磨损、温度变化会让模型持续漂移；二是靠学习，但数据量要求极高。
智元把灵巧手业务拆出来成立临界点，2026 年 1 月独立，一个月内完成三轮融资，腾讯领投。灵巧手的客户群不止人形机器人：工业外骨骼、医疗康复、协作机器人都有需求，市场边界比整机大得多。
具身数据：比算法更难解决的瓶颈
训练大语言模型需要互联网上几十年积累的文本数据。训练让机器人学会 "在真实世界里动手做事" 的模型，需要机器人在真实物理世界里的动作数据，而这种数据互联网上几乎没有。
这是整个行业最难绕过去的瓶颈。
一条可用的训练数据，需要机器人完成一个具体任务，同时记录视觉、触觉、关节角度等多模态信息，然后人工标注动作意图。斯坦福大学的研究表明，采集 50 条高质量双臂操作演示数据大约需要一整天的人工操作时间。
采集数据时，如何记录人类操作员的动作意图，是一个没有标准答案的问题。同样是 "把杯子从桌子 A 移到桌子 B"，不同操作员的手部轨迹、抓握方式、施力节奏可能差异极大。有人习惯先滑到桌边再抬起，有人习惯直接垂直抬起再平移。
这些差异对人类来说都是 "正确答案"，但混在一起送进模型，训练出来的策略会产生模式混乱。
标注本身就是另一道难题。文本数据的标注相对客观，物理操作数据的标注则涉及大量隐性判断：这个动作是 "探索阶段" 还是 "执行阶段"？这一帧的力度变化是有意为之还是操作失误？
标注员需要有机器人领域背景，而这类人才本身稀缺。
数据的多样性覆盖是第三道门槛。为了覆盖场景变化，同一个任务要在不同背景、不同光照条件、不同操作员手部特征下重复采集，而且随着部署环境扩大，需要持续补充新场景的数据。
智元把数据业务剥离出来成立觅蜂科技，红杉 2026 年 2 月领投（来源：科创板日报）。觅蜂如果把数据采集、标注、管理的基础设施从智元内部开放给整个行业，就能服务宇树、傅利叶、达闼等竞争对手，商业边界不受制于智元整机的出货量。
仿真平台：留在母公司的那张技术底牌
既然真实数据采集这么贵，用仿真数据代替是自然的想法。
仿真环境的优势很明显。在虚拟世界里，机器人可以在几秒钟内完成现实里需要几分钟的训练任务，可以并行跑几十个虚拟环境，场景随机生成、数量无上限，摔坏硬件的风险是零。
Genie Sim 3.0 是智元的仿真平台，已经开源。值得注意的是，这条线和临界点、觅蜂不一样，它没有拆出去，而是留在智元母公司手里。仿真平台是技术底座，和本体的大模型、数据训练深度绑定，拆出去反而割裂。智元把能独立成生意、能独立融资的业务拆出去，把必须和本体咬合的技术留在自己手里，这个边界画得挺清楚。
但仿真数据有一个老问题，行业里叫做仿真到真实的迁移差距。机器人在虚拟世界里学会了一件事，搬到真实世界里往往不好使。仿真环境里的摩擦系数、物体重量、材质弹性都是近似计算出来的，每一项单独看误差不大，但真实世界里这些因素同时叠加，误差会层层累积。
目前业界减小这种差距主要有三个思路。
第一个思路是参数随机化训练。训练时故意把仿真环境中的各种物理参数随机扰动，让策略不是针对某一套固定参数的最优解，而是对各种变化都有一定适应能力。这个方法在需要粗粒度鲁棒性的任务上效果不错，但扰动范围太小覆盖不到真实变化，扰动范围太大训练信号变得混乱。
第二个思路是混合训练。先用大量仿真数据建立基础能力，再用少量真实数据做精调。这个思路在语言模型领域已经有成功先例。
具身任务上的挑战是，仿真数据的分布偏差可能比文本领域更系统性，精调阶段如果真实数据量不够，仿真引入的偏差不能被完全修正。
第三个思路是让仿真器本身更真实。一是在渲染层面用神经辐射场等技术从真实场景扫描生成高保真虚拟环境；二是在物理引擎层面引入更精确的接触力学模型。
后者难度更高，因为精确物理仿真的计算量和实时训练所需的速度之间存在根本性的矛盾。
Genie Sim 开源是双向动作。对外吸引开发者贡献场景和任务定义，对内积累用户基础。但仿真平台的长期价值，最终要靠策略在真实机器人上的落地效果来兑现。
60 台机器人进展馆，真实场景暴露真实问题
WAIC 期间，智元旗下擎天租在三地四馆部署了 60 台全尺寸人形机器人，执行公区导览、零售、互动、娱乐任务，支持中英双语。据澎湃新闻 7 月 17 日报道，在此之前的行业记录里，还没有人在大型展会上这么干过。
60 台同时在线，是和单台实验室测试完全不同量级的工程问题。
调度是第一道硬门槛。60 台机器人同时在线，需要一套实时任务分配系统。展馆客流动态变化，高峰期要自动提升分配密度，低谷期要把机器人调度去充电待机。
通信是第二道门槛。每台机器人持续上传传感器数据、下载控制指令。展馆里还有大量其他无线设备在抢信道。
一旦网络抖动，机器人的实时避障和任务执行就会受影响。
多机协同避障是第三道门槛。60 台机器人在有限面积里同时移动，每台视野有限，需要共享位置信息才能避免互相堵死。
最难提前预测的是观众的行为。展馆观众会对机器人做各种测不到的事：突然蹲下挡住行进路线，普通话和英文混着提问，把手伸进机器人的操作空间。这些边缘情况在实验室里很难枚举。
擎天租的商业逻辑因此有一层隐性价值：商业部署本身是数据采集渠道。机器人在真实场景里每跑一天，就在产生实验室里无法批量制造的真实交互数据。
写在最后
灵巧手、数据、仿真、场景部署，这四道技术硬墙里，智元把能独立成生意的三块切了出去，仿真留在母公司做技术底座。每一块对应的都是行业里已经确认存在的硬骨头。
据 Omdia 报告，2025 年智元出货预计超 5000 台，同期宇树约 4700 台。出货量是现在的故事，灵巧手精度、数据供给、仿真可迁移性、场景可靠性，才是决定两年后谁还在牌桌上的变量。
裂变之后，每个子公司都要自己找到活法，不能只靠母公司输血。临界点要向外卖灵巧手，觅蜂要向外卖数据服务，擎天租要靠商业部署收回成本，四足线的智元酷拓要在宇树的赛道里抢位置。母体则握着 Genie Sim 和大模型这两张技术底牌。四条线的节奏和压力，和它们还都在一个公司内部时完全不同。
人形机器人量产交付、部署进真实工厂或家庭，技术链条上还有几段没啃完的硬骨头。智元选择把自己拆开分头啃，这是一种路径，不是唯一答案。