漫话机器人马拉松：硅基生命21公里，你不知道的15个“真相”（下集）

硅基生命的21公里——2026北京亦庄人形机器人半程马拉松深度全拆解（下）

九、热管理：速度天花板背后的隐形乘数

如果要选一个最被低估的技术变量，热管理当之无愧。

关节电机的工作温度，直接决定机器人的可持续速度上限。典型的永磁电机，当绕组温度超过130摄氏度时开始退磁，通常控制系统会在100摄氏度设置功率限制。这意味着机器人在长距离运行中，实际可用的"可持续峰值功率"仅为短时峰值的约60%至70%。

这就解释了为什么天工Ultra的峰值速度达12公里/小时，比赛配速却只有7至8公里/小时——约35%的速度折扣中，热管理约束贡献了约15个百分点，是三重约束中最可优化的部分。

液冷方案的引入，直接改写了这一等式。液体热容量约为空气的3500倍，液冷方案比风冷可将关节电机的持续功率密度提升约30%至50%。这也是为什么头部队伍在本届比赛中普遍采用液冷：散热能力的提升，是在电池和算法突破之前，最直接、最快速的速度提升路径。热管理是人形机器人性能提升的隐藏乘数——这一逻辑，与超算和电动赛车的技术路线如出一辙。

十、步态控制的范式革命：从ZMP到强化学习

步态控制，是机器人奔跑能力的软件地基。而这片地基，在过去一年里经历了一次范式级的迁移。

传统的“零力矩点”(ZMP)方法，通过约束零力矩点在支撑多边形内来保证稳定性，计算复杂，对模型精度要求极高。强化学习方法则通过大量仿真训练，让机器人学习更自然的动态平衡策略，不依赖精确动力学模型。以天工Ultra为例，其研发团队通过强化学习与模仿学习结合的策略，在覆盖多种地形的仿真环境中进行大量训练，并叠加随机干扰（不平整路面、外力扰动等），使机器人的泛化能力大幅提升。

理解这一演进，有一个好用的物理学模型：弹簧-质量倒立摆（SLIP模型）。人类和动物在高效奔跑时，腿部并非刚性支撑，而是表现出弹簧特性——着地时弹性势能储存，离地时释放，形成自然的能量循环。长跑场景的步态优化，本质上就是让机器人趋近这个被动动力学模型，从而降低主动驱动的能耗。这正是短跑与长跑步态的根本差异所在：短跑追求最大地面反力和最高步频，是"爆破"；长跑追求能量效率与热稳定性，是"代谢管理"——正如人类运动员分短跑和马拉松两套完全不同的训练体系，机器人也不可能用同一套策略兼顾两者。

目前的工程共识，是MPC（模型预测控制）与RL（强化学习）的混合架构：MPC负责步态序列规划和鲁棒性保障，RL负责关节级自适应和能效优化。今年赛场上的最大突破，正是"全自主+拟人化"这一目标的规模化实现——机器人跑姿更趋拟人，自主导航能力从理论走向工程现实。

十一、下坡加90度急弯：机器人最脆弱的边界

南海子公园内的下坡加急弯组合，是整条赛道最残酷的"边界条件测试"。

下坡时，机器人的质量中心有前倾趋势，重力分量在前进方向形成加速力矩，控制系统必须主动制动，将质心维持在支撑多边形内。90度急弯则要求机器人在高速状态下瞬间产生侧向向心力——而双足机器人的侧向稳定性，天然远弱于前后方向，这是人形机器人结构上最脆弱的方向。

两者叠加，对踝关节和髋关节的响应速度提出极端要求：踝关节需在50至100毫秒内完成角度调整，髋关节需同步提供侧向稳定力矩。任何一个环节的延迟，都可能酿成摔倒。

今年的突破，来自大规模域随机化训练（Domain Randomization）：在仿真环境中为机器人叠加转弯、斜坡、崎岖路面等大量扰动，让它在真实赛场上从容应对此前从未见过的地形组合。正如航空业的"最低设备清单"理念——系统的可靠性，由其最脆弱的边界场景决定。

十二、从遥控到自主：40%背后的技术跨越

今年约40%的参赛机器人选择全程自主导航，一年前这一比例几乎为零。这个数字，是整场比赛技术进步的最高水位线。

自主导航面临两座大山：感知与决策。

感知层面，最大的噩梦是数据噪声。奔跑产生的冲击力传导到IMU（惯性测量单元）时，系统会误以为自己处于剧烈晃动中；高频振动影响视觉系统，产生类似相机"果冻效应"的画面畸变。过滤噪声需要算法，算法需要算力，但机器人上的边缘计算芯片算力有限——最终可能出现感知系统与运动控制系统"抢"算力的内耗。

今年的技术突破体现在两个层面：一是高精度RTK定位技术的普及，提供厘米级绝对位置参考，相当于给机器人接入了来自太空的坐标系，有效解决长距离奔跑中的累计误差；二是多传感器融合鲁棒性的提升——即使视觉短暂丢失，IMU也能通过融合算法支撑数百毫秒的状态推算，无需所有传感器始终在线。

决策层面，今年开始尝试引入大模型能力。机器人面对障碍物时，不再只是执行左转或右转的简单规则，而是通过视觉语言模型理解障碍物的语义——这是静态路障，还是正在移动的人？这套逻辑，已非常接近自动驾驶中的路径规划与决策系统。

然而，目前领先机器人的感知-决策-执行全链路延迟约在100至200毫秒之间，而人类顶级运动员的神经-肌肉响应约为50毫秒。打破这个差距，需要边缘AI芯片与神经形态传感器的协同进步——这是未来两三年内最有可能出现突破的技术节点。

十三、高矮胖瘦：人形机器人有没有最优体型？

今年赛场上，最小的参赛机器人身高仅75厘米，而天工Ultra身高约1.8米、体重约55公斤。这种体型上的巨大差异，折射出对同一个问题的不同回答：人形机器人的最优形态是什么？

生物力学中的弗劳德相似律告诉我们，最优奔跑速度与腿长的平方根成正比：腿长0.75米的小型机器人，最优奔跑速度约2.5至3米/秒；腿长接近1米的全尺寸人形，最优速度约3.5至4米/秒。这与赛场上的观测数据高度吻合。

小型机器人的优势是重量轻、重心低、稳定性好，摔倒风险和损伤代价都更小，适合室内环境或算法验证；局限是单步跨度有限，高速依赖高步频，散热压力和电机负载随之倍增，对复杂地形的适应能力也相对较差。全尺寸人形机器人则能更好利用被动动力学机制，且与人类生活空间一一对应，可直接复用楼梯、通道等基础设施；但一旦摔倒，代价极高。

综合运动性能、能耗与人类空间适配性，目前行业公认的相对均衡解是：身高1.6至1.8米、体重50公斤左右的类人体型。

如果单纯追求"跑得更快、更久"，完全复刻人类双足直立形态，未必是最优解。鸵鸟是自然界奔跑最快的双足动物，却是反关节结构，主要肌肉集中在大腿根部。类似的设计逻辑已在机器人领域出现——某些机型在臀部配置硕大电机，相当于人类的肌肉群。随着竞技化程度提高，专为运动性能优化的非标准人形结构，很可能应运而生。就像F1赛车与量产车是完全不同的设计哲学，运动专用人形机器人和通用作业人形机器人，最终或许会走向两条截然不同的演化路径。

十四、未来一年，谁最可能先突破？

基于本届赛事的技术现状，按突破概率从高到低，可以排出如下路线图：

1.最高概率（70%-80%）：全自主完赛成为主流。 当前自主导航赛队占比已近40%，赛事规则持续向自主技术倾斜。预计2026赛季自主完赛率将突破50%，成为技术分水岭。

2.高概率（50%-65%）：液冷散热全面普及。 液冷已从"先进技术"变成头部队伍标准选择，预计2026赛季参赛头部队伍的液冷覆盖率将超过60%，直接带来可持续速度提升约20%。

3.中高概率（40%-55%）：半固态电池首次规模应用。 中国科学院院士欧阳明高指出，2025年是技术路线分水岭。若半固态电池能将成本控制在150美元/千瓦时以下，能量密度目标提升至350瓦时/公斤，单次续航可扩展至约15公里，全程换电次数有望降至1次甚至0次。

十五、马拉松的真正意义：失败，比成功更值钱

田丰有一个观点，值得深思：马拉松本质上是一个暴露短板的过程。

这场比赛的意义，远不止于荣耀闪电的50分26秒成绩单。它把原本藏在实验室标准环境里的能力，暴露在一个真实的、复杂的、充满不确定性的世界面前——这本质上是在考验系统的泛化能力：实验室里练出的速度和智力，能否迁移到现实中？

更重要的是，失败比成功更有价值。每一次摔倒、每一次迷路、每一次因过热被迫停机，都暴露了机器人在受控环境里被掩盖的短板。这些真实故障产生的"负样本"数据，对系统的快速迭代极为珍贵。那些在赛场上摔倒的机器人，和夺冠的荣耀闪电同样重要——前者用失败标记了边界，后者用成功指出了方向。

这场比赛还照见了整个产业链的演化逻辑。电动车产业链正在向机器人领域迁移，关节电机、电池、驱动芯片的国产化率持续提升，构成了这一轮提速的物质基础。越来越多的厂商开始自研核心零部件，根据自身应用场景反向定制供应链——当整体能力提升之后，就会产生"能力溢出"：工厂场景里溢出为手部操作和大脑决策，马拉松场景里溢出为下肢运动、全身平衡和复杂环境适配。

田丰将这一逻辑比作奥林匹克："奥运会本质上是在不断挑战人类专项能力的极限，人形机器人马拉松也是如此——不断逼近乃至突破边界。而这个边界，未来很可能会超过人类的生理极限。"

尾声

终点线前，两个画面将长久留存。

一个是50分26秒的数字，冷静、精确、无情，像一枚楔子，楔进了硅基生命与碳基生命的速度边界之间。

一个是天工Ultra被担架抬离赛道的身影，荒诞、意外，却也真实——进步从来不是一条光滑的曲线，它布满了这样的折痕。

我们所处的阶段，不是最终状态，而是一个开始。亦庄这条21公里的赛道，丈量的从来不只是机器人的速度，而是人类文明，正以何种姿态，走向一个与硅基智能共存的未来。

每一次摔倒，都是数据。每一次完赛，都是里程碑。

这一切，才刚刚开始。

书名：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。