灵巧操作的瓶颈，已从运动能力转向接触理解能力
过去几年，机器人灵巧手的竞争焦点长期围绕“多少自由度”“能不能抓住”“能不能完成复杂动作”。进入具身智能时代后，这一瓶颈正在悄然转移：机器人不再只是缺少一只“能动的手”，而是缺少一只能够真正理解接触、感知力反馈、判断材质与状态的“认知之手”。
人类手部操作的强大之处，并不只是二十多个关节带来的运动能力。更关键的是，人在拿起一只鸡蛋、拧开一个瓶盖、整理一件柔软衣物时，手指会持续接收压力、滑移、纹理、形变、温度等多维触觉反馈，并在毫秒级闭环中调整动作。换句话说，人手不是一个末端执行器，而是一个高密度传感、实时决策和柔顺控制系统。
这也是当下具身智能最难跨越的鸿沟。视觉和语言模型可以让机器人“知道那是一个杯子”，但在真实接触的瞬间，它还必须即时判断：杯壁是否打滑？液体是否晃动？抓力是否过大？接触点是否偏移？下一步该收紧还是放松。对于这类contact-rich任务，高维触觉数据、力控透明度和真实交互数据的重要性，已明显超过单纯的视觉识别。
行业对灵巧手的评价标准正在重构。过去关注DOF数量、最大抓力、抓取成功率；未来更关键的指标将是力控响应速度、力控精度、触觉分辨率、传感覆盖密度、仿真兼容性、真实数据采集效率，以及软硬件闭环能力。
曦诺未来（Xynova）最新发布的Prima 1，正是将行业目光拉向这一本质方向的产物。它并非又一款“高自由度灵巧手”，而是将竞争推向力控透明度、触觉密度与接触理解能力的新标杆。
曦诺未来 Prima 1
感知密度定义了机器人能知道多少，力控透明度定义了它能做到多少，而后者的上限，很大程度上由驱动方式决定。
驱动哲学之辩：直驱的“L2时刻”与混合驱动的“L3+终局”
灵巧手的驱动方式，从来不只是工程选择，更是产品哲学的差异。
直驱的优势在于“直接、透明、控制友好”。传动链短，关节运动与力反馈关系清晰，极适合高精度力控、快速响应和算法研究。对科研机构而言，直驱平台能最大程度降低硬件不确定性，让研究者更快进入强化学习、模仿学习、多模态感知和复杂操作策略训练。
Prima 1正是曦诺在直驱路线的代表之作。它采用全关节直驱方案，力控响应小于10ms，力控透明度极高，单关节独立闭环即可实现运动解耦。对科研用户来说，这三个指标比把参数表一次铺开更重要：手够不够快、力够不够真、接触能不能被算法直接用。
直驱也曾长期被体积、重量、发热和抗冲击问题卡住。Prima 1的意义，不是宣布这些问题从未存在，而是用系统级的电机、传动和控制设计，把带载电流和整机发热压得更低，使连续高负载后的手部表面温度仍能维持在人机安全阈值内。直驱因此重新成为一个可长期训练的平台。
曦诺未来 Prima 1
相比之下，混合驱动（绳驱+直驱）更接近生物肌腱系统，在末端惯性、柔顺性、热平衡、抗冲击和长期耐久性上具备显著优势，适合走向真实世界规模化部署。但其控制复杂度极高，对底层算法、传动建模和系统工程能力要求严苛。
曦诺未来的产品布局，可被理解为一条清晰的双螺旋：
Prima 1（直驱）：面向科研与学术机构，强调极致力控透明度、高密度感知、开放接口与开箱即用的AI训练能力，相当于智能驾驶中的L2：技术路径直接、控制友好，是当下高保真数据采集和算法验证的理想平台。
Flex 2（混合驱动）：面向工业与消费场景，强调柔顺、安全、耐久、热平衡与规模化部署能力，相当于L3+：更接近长期商业化落地的技术形态，但要对底层软硬件架构做更彻底的重构。
曦诺未来 Prima 1
二者并非相互替代，而是面向不同阶段、不同场景的技术分工。Prima 1帮助行业更快积累高质量交互数据和算法洞见，Flex 2则承接这些成果，走向真实复杂环境。曦诺未来是目前业内极少数同时掌握高自由度混合驱动与纯直驱两大赛道核心技术的全栈方案商，这种布局的关键，不在于同时做出两只手，而在于看清楚：现在缺的是可训练的接触平台，未来缺的是可部署的接触能力。
曦诺未来 Flex 2
Prima 1的“AI友好”，本质是降低真实机器人学习的系统摩擦
很多硬件厂商都会说自己的产品“AI友好”，但真正对AI研究者友好的硬件，需要满足几个条件：
第一，状态反馈要足够完整。无论强化学习还是模仿学习，策略训练都建立在马尔可夫决策过程（MDP）之上，状态观测的质量直接划定策略学习的天花板——关键状态量一旦延迟过高、噪声过大或维度缺失，算法面对的就不是一个可学习的环境，而是一个观测残缺的黑箱。Prima 1将力控响应压到10ms级、力控精度做到0.5N、关节重复定位精度控制在±0.2°以内、指尖触觉分辨率达到0.1N，这些参数回答的是同一个问题：策略训练时看到的世界，和真机部署时面对的世界，差距能被压到多小。
第二，控制接口要足够开放。支持CAN FD、EtherCAT、ROS1/ROS2、SDK、URDF、Mujoco、Isaac Lab，意味着研究者可以更快接入现有机器人学习生态，而不是为硬件适配消耗大量时间。出厂预标定、上电即用，以及MIT力位混合控制，也是在减同一层摩擦：让人把时间花在策略上，而不是花在把手当成特例来调。
第三，仿真与真实之间要能建立映射。URDF模型、仿真支持和预标定能力，决定了它能不能成为sim-to-real流程中的标准部件。对于强化学习和模仿学习而言，硬件越标准，数据越可复用，算法迁移成本越低。
第四，力控和触觉必须真实可靠。如果触觉数据漂移大、寿命短、噪声高，算法学到的策略很可能无法稳定泛化。Prima 1强调低漂移、宽温域、200万次按压寿命，本质上是在回应科研平台从“演示可用”走向“长期可用”的需求。0.5N的力控精度，以及小于±0.2°的关节重复定位精度，决定了同一套策略在真机上是否可复现——对训练平台来说，这比再演示一个抓取动作更重要。
因此，Prima 1的AI友好不应被写成一句泛泛的口号，而应解释为：它降低了具身智能研究从仿真、数据采集、策略训练到真实验证的系统摩擦。
这也是它可能对曦诺未来形成反哺的地方。Prima 1面向科研机构，适合产生高质量交互数据；这些数据和算法经验，未来有机会反向服务Flex 2这类面向商业部署的产品。由此形成的，不是已经转起来的闭环，而是一条更有想象空间的路径：科研平台、数据积累、算法优化、商业平台。这比单纯卖硬件更有战略价值。
曦诺未来的全栈图谱与双产品矩阵
Prima 1的发布，背后是曦诺未来对灵巧操作赛道的完整理解。
灵巧手是高度耦合的系统工程，涉及微型电机、精密传动、传感器、嵌入式控制、实时通信、力控算法、仿真模型等多环节。任何一个单点短板，都可能导致整体闭环失效。同时驾驭直驱和混合驱动两条路线，对这种全栈能力的要求更高，两套驱动架构在传动设计、控制策略和系统集成上差异显著，很大程度上需要独立完成从设计到验证的全流程。曦诺的做法是全栈自研自产，从微型电机、精密传动到控制算法和仿真生态，核心环节不依赖外部供应链。
支撑全栈能力的，是团队在精密驱动与机器人工程上的长期积累——核心成员来自大疆、KUKA、宁德时代等企业；创始人夏宇轩的物理与计算机双学科背景，又为底层物理建模和算法理解补上了一层技术纵深。
正因掌握全栈能力，曦诺才能同时推出定位清晰的双产品矩阵：
- Prima 1作为高保真数据采集与算法验证平台，最大限度降低硬件不确定性，让科研人员专注于策略学习、多模态融合和接触建模；
- Flex 2作为面向现实世界的工程落地平台，解决真实环境中的冲击、耐久、安全、散热和成本问题。
两者互为补充，共同构成覆盖“科研训练—算法验证—商业落地”的完整灵巧操作技术栈。这条路径也得到了产业端的验证：公司成立不到两年，已获得美团、宁德时代、小米、京东、蔚来、理想、滴滴等多轮投资，累计融资近15亿元；杭州5400平方米工厂已进入爬产阶段，预计年底形成年产1万台的产能。
一只手探路，一只手落地
过去，灵巧手厂商习惯用自由度、抓力和演示动作证明能力。但当具身智能走向真实任务，“能动”已经远远不够。机器人需要在接触中感知，在感知中决策，在决策中持续调整——这要求硬件具备更透明的力控、更高密度的触觉、更稳定的长期运行能力，以及与AI训练生态的深度兼容。
而这场竞赛的答案，不会由一款产品给出。它需要一个平台把算法和数据跑通，再需要另一个平台把跑通的东西装进真实世界。Prima 1向前探路，负责把灵巧操作的接触边界推得更远；Flex 2向下扎根，负责把这些能力变成可规模化交付的产品。支撑这两者能被同一家公司同时握住的，是从微型电机、精密传动到控制算法与仿真生态的全栈自研——这才是最难被复制的部分。
Flex 2（左）Prima 1（右）
灵巧操作的竞争，正在从机械性能竞赛，走向感知密度、力控透明度与数据闭环能力的系统竞赛。直驱与混合驱动谁会成为终局方案，眼下还远未收敛。更可能活到最后的，未必是押对单一路线的公司，而更可能是同时握有两种能力的玩家。曦诺未来，已经提前完成了这一布局。
文章来自于"Z Potentials"，作者 "Z Potentials"。