千寻智能，具身赛道的减法派

撰文| 吴先之

编辑| 王 潘

2026WRC第二天，千寻展位前来了几个不速之客。这群人没问长程任务成功率，没打听Spirit V1.6模型架构，只是弯下腰，用手径直把在了Moz1的关节上，就想看看发不发热。

这几个人是来自竞品公司的工程师，他们想知道，同行是否要解决关节发热问题。

不需要摸舞蹈机器人的关节，反正三分钟表现后就得休息，自然散热。一台要在产线上连干十几小时的机器人，关节必定发热。几个工程师心里清楚，跳舞和能干活之间，隔着工程与成本问题。

当然，除了散热问题，很多人走到千寻展台时，都会注意到几个特别的细节，比如半身人形机器人，手臂末端没有灵巧手而是夹爪。

我们询问千寻为何连续两代产品都坚持这个设计时，工作人员的回答连话术都没有：用夹爪或简单三指，可以完成80%的任务，为了剩下20%去上灵巧手，不划算。

因为“翻十倍成本只完成剩余20%任务”，所以不做灵巧手；因为“工厂不需要爬楼梯，轮式底盘还能塞算力单元”，所以不做双足。这两个回答，放到行业趋之若鹜的“全人形+灵巧手”之中，有些反共识。

本体只是具身落地的充分条件，脑才是必要条件。千寻这套反共识设计的底层，是一套从本体到大脑、从demo到产线的ROI判断体系。它不做的事，比它做的事更说明问题。

做减法的人

千寻的机器人目前只出了两代，两代之间有共性也有差异。

Moz1是工业风，线缆外露、外观冷峻，不讲究美感。它的唯一任务是干活，工厂里不需要审美。CNC机床上下料，物流产线分拣，宁德时代电池包产线上的高压插接。总之，设计语言只有一句话，不干扰作业，丑一点无所谓。

Moz2完全不同。圆角柔和，奶杏色机身，可更换围脖，全身多处磁吸位置，给二次装扮预留了许多空间。之所以有这些变化，原因在于Moz2面向商服场景，如商超、酒店前台、手机店导览，得跟人打交道。

外形变了，内核没变。两代共享同一套如无必要，勿增实体的设计思路。

千寻一位设计负责人曾提到臂长，得考虑实际用途。加长臂展意味着更大工作空间，但千寻没为此增加额外自由度或复杂关节模组，而是采用了高性能力位混合七轴仿生臂。用加工精度代替结构复杂度，从而保证物理尺寸的准确性。

更能说明问题的细节是摄像头限位。

Moz1头部视觉模组需要每次位置完全一致，千寻放弃了电动限位，选择了物理限位。因为电驱，可能出现误差，只要有任何误差，都会造成深度信息上的问题。物理限位粗暴可靠，不依赖软件标定，不存在漂移，每次复位精确到机械公差级别。

不做灵巧手的决策在Moz2上得到了延续，一位本体产品经理被问及灵巧手方案时回答坦率，他们暂时没有做灵巧手的打算。判断依据来自场景落地，他们发现直接做软垫，配备夹爪的位置加力控传感已经够用。

力控是千寻为数不多做加法的地方，为此千寻自研了一套力控传感器的一体化集成方案，造出了国内第一台纯力控机器人。聚焦力控延伸了夹爪的感知能力，比如分拣药片时胶囊一捏就碎，力控让夹爪在接触瞬间减速，这比给灵巧手多塞几个自由度要实际得多。

关于放弃双足，只做半身，我们也询问了千寻智能。对方表示，主要是出于工程化的考量，并且反复提到轮式底盘有三个优势。

首先底盘可以塞算力单元，具身模型运行需要强计算模块，双足腿部空间被关节驱动器占满，算力只能挤在躯干；急停断电时轮式底盘能站稳，双足会摔倒；维护成本很低，本体研发人员提到，提到他们买过其他厂商双足机器人做测试，每次用完必须搬上架子，太沉。

“没必要”是一位千寻产品经理在沟通中高频出现的词组。在他们眼中，每新增一个自由度、执行器，都会给模型训练引入新变量。在模型泛化能力还处于小学二三年级水平的当下，变量越小、数据采集越集中、模型收敛的可能就越快。

从Moz1到Moz2，从工业场景向商服场景延伸，完全因循这个规则。外观变化、交互能力强化，核心能力不变。32个自由度全部集中在操作和交互上。行走交给全向舵轮底盘，无需学习，也不消耗模型注意力。

身体的阵痛

千寻主动给本体做减法，而大脑与本体之间的关系，则是一个被工程现实逼出来、至今没解决的痛。简单来说，就是跨本体之间的模型迁移，无法完全一比一复刻，会有很多损耗。

一位千寻人士此前表示，Moz1上训练好的模型，能在某个物流分拣场景下达到90%以上成功率的checkpoint，无法直接部署到Moz2上跑。两代本体物理参数不同，关节坐标、臂展长度、传感器位置不可能全部一致。模型基于Moz1本体的输入，换个壳子，会影响成功率。

这是市面上所有做一脑多形厂商，都不大愿意提及的困境。

更麻烦的是，这种痛不只发生在代际之间，即使同一代产品迭代过程中，优化任何硬件设计，比如调整一个关键关节坐标，都会影响已经调好的模型。模型团队比本体团队更抗拒对本体动刀，会影响已经调好的模型，稍微改一改又得重新适配，徒增工作量。

“每次听到这个话，我其实都不太爽。”那位本体产品经理说，硬件团队需要不断优化本体设计，但对于模型团队来说，每一次优化都会影响模型团队此前的训练成果。他想拓展硬件能力的原因也很简单，机器人实际作业不仅需要模型泛化性，本体兼容性、可达性同样需要提升。

硬件拓展与模型迁移之间充满拉扯。

千寻将跨本体迁移列为重要攻坚方向，但DAgger仍然是目前工程实现最主要的手段。

DAgger是一套远程接管与数据回流的闭环。

光子星球了解到，现场部署的机器人时千寻曾遇到很多问题，比如某个动作执行失败，系统发起远程接管。远端操作员通过遥操作接管机器人，完成失败的动作。接管时的操作数据和失败时的场景数据同步采集，融合后用于模型后训练优化，优化后的新模型通过OTA实时下发到现场机器人。

每当现场出现问题，内部都可以发起一次远程接管，接管的同时，千寻会把融合失败数据和接管时采集的数据，用于最后10%的模型提升与优化。

这件事情表明，99%的成功率是动态维护的结果。从90%到接近100%，那剩下的10%，大多依赖于后训练，这要求厂商在真实部署中的失败数据回流和持续迭代来填平裂缝。恰好，这10%是拉开厂商能力差异的区间，也给行业划出了一道清晰的及格线。

“即使最后完成了模型调优之后，也得承认可能存在1%、2%左右的失败率。”一位千寻技术人员表示，他们借鉴了智能驾驶行业的解决方案，包括远程监管时，调度系统发送异常提示，远端操作员及时干预或通过本地诊断系统兜底。

DAgger机制在公开报道中从未被提及，外界只能看到“99%以上成功率”和“xx台交付”的成绩。支撑这些光鲜数字的远程接管基础设施和持续OTA迭代的工程闭环，被悄悄掩盖了起来。

失败数据被技术人员视为蜜糖，被市场人员视为砒霜。

一位业内人士将数据价值拆分为三个维度：量、质量、多样性。高质量数据获取，尤其是真机数据和corner case回流，是当前最稀缺的。现阶段还没到算力成本撑不住的阶段，主要还是数据不足的问题，尤其是高质量数据不足。

DAgger的价值恰好在此，它不只是一套异常处理流程，更是一条高质量失败数据的采集管线。每一次现场失败，都是模型进化最珍贵的燃料。

Demo之后

行业几乎每一家都在强调数百、上千台的交付能力，但实际境况与官方信息有着很大落差。

一位千寻内部人士透露：没有人能保证，交付的机器人能够100%地上线干活，能完成部分工作已经不错了，如辅助数采这样的工作。

交付不等于部署，部署不等于开工。从把机器人运到客户现场，到机器人在产线上真正替代人工，中间需要很长的时间。由于交付过程非常漫长，聪明的具身智能公司看到其中的商业价值，这可能是RaaS的起点。

机器人送到现场后，需要经历数据采集、二次开发、场景适配、调试验证等一系列步骤，“不可能把机器人卖给客户就不管了”。紧接着具身公司会提供一段“扶上马”的服务，派出团队协助客户完成前期部署，保证机器人在特定场景下达到可用成功率。

商业化落地的核心指标是回本周期，一些头部企业给出的基准数字是14.8个月。假设，一台机器人一次性投入20多万，替代1到2个三班倒的工位，以及劳保费用，按照10万开支计算，约1-2年便能收回成本。如果不考虑续航、发热问题，24小时连续作业，一个机器人可以辅助三个熟练工人，降低劳动强度与风险。

实际落地时，现实情况会变得非常复杂。例如会发现很多问题短时间没法解决，只能用一种折中方案，要么控制成本，要么稍微容忍些许错误率，从而让ROI算得过来就行。

在VLA框架与物理世界约束尚未收敛的现阶段，每一台部署到产线上的机器人都是折中的结果。精度不够，用力控补偿；稳定性不够，用远程接管兜底；成功率不够，用容错率换ROI；续航不够，学蔚来搞换电。

千寻不是从第一天就懂得折中，很大程度上是借鉴了国产新能源汽车的方法论，比如先在某一些场景上实现最小商业闭环，再把最佳实践复制到更多场景。控制规模，稳扎稳打，先在一个CNC上下料或物流分拣场景上跑通从部署到回本的完整闭环，再横向扩展。

这种策略的前提是对行业时间窗口有清醒判断。千寻给了一个PMF时间表，接下来这几年，工业场景能真正落地，而家庭场景还存在不确定性。

去年比拼demo，今年年底看谁能真正落地，这是千寻和整个行业的共识。接下来故事讲得再好听也没用，机器人得干活，得产生实际价值。

一位业内人士告诉光子星球，“整个具身行业，目前是靠PR撑着的”。在他看来，具身智能行业的喧嚣，密集融资、频繁demo、各类榜单排名，都是为了服务于两个“圈”，一个是圈钱，另一个是圈人。

模型框架与物理世界的关系还没收敛，模型给出的动作指令，不能100%的在物理世界中精确执行。关节的机械特性、环境的摩擦力、物体的软硬度，都会造成偏差。整个行业都需要在现场调试中不断取舍、修正。

做一场吸引人的demo不难，难的是反复做、遇到意外还能接着做。

这句话或许是理解千寻反常识设计逻辑的最终钥匙。“不做灵巧手，不做双足”的原因，现阶段物理缺乏约束、模型能力仍在迭代，每一个多余的零件都可能增加一条失败路径。做减法是在一个尚未成熟的技术体系中，把不确定性压缩到可控范围内。

WRC闭馆前，C馆翻跟头的人形机器人已经关机，工作人员正给它充电。B馆干活的机器人还没停止工作，它把最后一个玩具放到指定位置后，安静地等待下一条指令。

它没翻过跟头，但它一直在干活。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！