炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：DeepTech深科技）

随着具身智能升温，高质量操作数据正成为机器人领域最稀缺的资源之一。

过去几年，行业已经尝试了各种办法获取它：有人通过遥操作控制机械臂完成任务；有人利用穿戴式设备记录人类动作；还有企业组织大规模数据采集项目，在真实环境中采集人与物体交互的过程。

但这些方法往往成本高昂、覆盖场景有限，也很难长期持续地产生数据。对于穿戴式采集而言，设备舒适性和用户配合度同样是一大挑战，许多参与者表示，戴上设备后，很难长时间保持自然状态完成日常活动。

最近，一家美国仿生手公司 PSYONIC 则把目光投向了一个几乎没人想过的数据源：那些失去“手”的截肢患者。

目前，已有约 300 名截肢者在日常生活中使用其产品“Ability Hand”。这只仿生手内置压力传感器和振动反馈系统，佩戴者在触碰物体时能够通过振动感知接触情况，并实时调整握力。当他们洗碗、叠衣服、开门，甚至运动掷球时，手上的传感器都在持续记录接触点位置、握力大小、手指运动速度以及力矩分布等信息。

相比专门的数据采集项目，截肢用户每天都在进行真实生活的操作：完成吃饭、穿衣、做家务等各类长尾任务；相比遥操作系统，他们产生的数据包含感知、接触、反馈与动作调整的完整闭环。

PSYONIC 的设想是，让同一只 Ability Hand 既作为假肢供人使用，也安装在工业机器人手臂上，两端共享硬件架构和数据格式，从而将人类在真实环境中积累的操控经验直接迁移给机器人。

“真实到真实”：跳过仿真中间层

PSYONIC 把这套方法叫做“真实到真实迁移”（real-to-real transfer），区别于机器人领域更常见的“仿真到真实迁移”（sim-to-real transfer）。后者在虚拟环境里训练策略再迁移到物理世界，中间往往伴随不小的性能折损；前者则直接从一个真实物理场景（人的日常生活）迁移到另一个真实物理场景（工厂产线），跳过了仿真中间层。

PSYONIC 创始人兼 CEO Aadeel Akhtar 博士解释了为什么假肢数据比现有训练方式更有价值。Akhtar 毕业于美国伊利诺伊大学厄巴纳-香槟分校（UIUC），拥有神经科学与电气工程背景，长期从事低成本仿生假肢研究。

他说，遥操作和视频分析获取的大多只是位置信息。“你抓一个咖啡杯的时候，手指放在哪里其实不是最重要的。我们的人类用户清楚知道该对物体施加多大压力，因为他们能通过手感受到触觉传感器的反馈。”把触觉数据与多模态视觉信息（比如 Meta Ray-Ban 智能眼镜拍摄的画面）同步后，就能获得物体操控的完整要素：包括压力、手指速度和维持稳定抓握所需的力矩。“如果你拿着一颗树莓，这些信息能够帮助你不把它捏碎。”

不过仿真也没有被抛弃。就在 2026 年 3 月 NVIDIA GTC 大会上，PSYONIC 宣布 Ability Hand 已作为原生资产集成进 NVIDIA Isaac Lab：一个用于机器人学习的开源框架，成为首款被直接集成进该平台的商用灵巧手。公司同时宣布与 NVIDIA 合作，利用 Isaac Lab 和 GR00T 平台训练 VLA 模型和世界模型。

Akhtar 提到，他们发现如果拥有高质量的多模态数据，模型所需的数据总量会显著下降，远少于纯粹依赖遥操作或视频分析的情况。真实到真实迁移与仿真训练形成闭环：Isaac Lab 里做策略仿真开发，物理硬件上部署验证，真实世界中通过人类用户采集数据，再反馈回系统改进训练。

市场上速度最快的灵巧手？

Ability Hand 本身的技术架构也值得一提。它采用肌电控制，通过检测残肢肌肉的电信号驱动手指运动；手指采用柔顺机构设计（compliant mechanics），能自然贴合不规则和可变形物体表面；内置压力传感器提供触觉感知，振动反馈系统将触觉信息实时传递给用户。

PSYONIC 称其为市场上速度最快的灵巧手，也是第一款能向用户提供触觉反馈的假肢手，他们的产品也已获 FDA 批准并纳入美国医保覆盖。据相关媒体报道，约 90 家机构在使用 PSYONIC 技术，包括 NASA 和 Google。Akhtar 透露，Meta 也是他们产品的早期购买者。尽管这家公司一开始是从假肢产品开始，但物理 AI 的爆发让公司重心在过去一年内从假肢侧翻转到了机器人侧。

在机器人形态适配上，PSYONIC 称没有把自己限定在单一平台。Akhtar 表示 Ability Hand 的设计意图是跨平台兼容：从协作机器人、工业自动化设备到轮式足式机器人和人形机器人。GTC 展示的演示视频中，同一只 Ability Hand 先由人类用户佩戴完成精密移液管操作，再分别装到工业机械臂、四足机器狗和人形机器人上执行相同任务。

公司规模也正在快速膨胀。相关报道表明，三年前 PSYONIC 只有 7 人，目前已扩展到 50 人，计划在未来一年半内将团队规模扩大近三倍。

同一只手，装在人类身上，也装在机器人身上

就在 6 月，PSYONIC 还迎来了一次重量级的工业落地。它宣布与 ABB Robotics 达成合作，将 Ability Hand 装配到 ABB 的协作机器人 GoFa 上，探索如何将假肢用户产生的触觉和运动数据转化为机器人执行精细任务的能力。ABB Robotics 总裁 Marc Segura 在官方声明中表示，人类对如何操控不同物体的本能理解，是工业机器人最难复制的能力之一，也是实现真正自主通用机器人的关键。

ABB Robotics 目前拥有约 7,000 名员工，2025 年被 ABB 集团出售给软银集团后，仍在持续推进其“自主通用机器人”（Autonomous Versatile Robotics，AVR）战略，即让机器人具备感知、推理、运动和自主操控物体的能力。

在这套体系中，GoFa 更像一个精密的验证平台。这款协作机器人具备较高的定位精度和重复精度，能够对握力、手指位置和运动轨迹进行量化测量和反复执行。当人类用户产生的操控数据被转化为机器人动作策略后，GoFa 可以在工业环境中持续验证这些策略是否足够稳定和可靠。PSYONIC 创始人兼 CEO Aadeel Akhtar 表示，他们希望把 GoFa 当作一个试验场，展示如何将人类用户的数据转化为机器人完成真实任务的能力。

具体场景方面，Akhtar 透露初期重点在汽车制造和仓储物流中的拣选放置任务，另一个重要方向是生命科学领域的实验室自动化，例如操作烧杯和试管。航空航天、包装等行业也在考虑范围内。他表示，公司正在评估如何在 6 到 12 个月内达到 99% 以上的操作可靠性。

与此同时，PSYONIC 还在推进另一条技术线：与加利福尼亚大学圣迭戈分校和圣迭戈海军医学中心合作，依托美国军方拨款，开发可直接与用户肌肉、骨骼和神经连接的新一代设备，实现单根手指独立控制和更接近真实触感的感觉反馈。假肢线让仿生手更像真手，机器人线让机械臂更像人手，两条线产生的数据和技术相互促进。

300 人的数据够不够用？

需要承认的是，PSYONIC 的这套方案也存在几个现实层面的局限性。

首先是数据规模。300 名用户，放在假肢行业是一个不错的装机量，但放在 AI 训练的语境下就是另一回事了。主流的机器人操控模型动辄需要数十万乃至数百万条轨迹数据，300 人的日常生活能覆盖多少种物体、多少种抓取姿态、多少种力度组合？PSYONIC 强调其数据质量优于遥操作数据，但"质量换数量"的边界到底在哪里，公司尚未公布任何系统性的对比实验结果。既没有与纯仿真训练的消融实验，也没有与大规模遥操作数据集的性能基准对比。

其次是场景迁移的鸿沟。截肢患者在家洗碗、叠衣服产生的操控数据，和工厂里在汽车引擎上使用扭矩扳手、在实验室里移液，是完全不同的力学分布和操作精度要求。数据域之间的分布偏移（distribution shift）是迁移学习中最经典的难题之一，PSYONIC 的"真实到真实"路线能在多大程度上回避这个问题，目前没有公开数据可以判断。

最后是可靠性门槛。Akhtar 提出 6 到 12 个月内达到 99% 以上的操作可靠性。这个数字在实验室演示中或许够用，但在工业部署中，尤其是汽车装配线或生命科学实验室，行业通常要求的是 99.9% 甚至更高的一致性。1% 的失败率意味着每 100 次抓取就有一次掉落、误操作或损坏工件，对于高价值零部件或生物样本来说，这个代价不低。Akhtar 自己也承认这一指标仍处于评估阶段。

1.https://polsky.uchicago.edu/2021/08/20/psyonic-racks-of-accolades-as-its-bionic-hand-prepares-for-a-nationwide-launch/

2.https://www.therobotreport.com/psyonic-abb-robotics-partner-apply-human-touch-data-robot-dexterity/

3.https://www.psyonic.io/news/press-release-psyonic-amp-nvidia-officially-announce-collaboration-at-nvidia-gtc/

4.https://www.nbcsandiego.com/news/local/san-diego-startup-brings-bionic-hands-to-factory-robots/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成