在2026世界机器人大会（WRC）上，物理人工智能公司章鱼动力（SynapX）发布了一套“脑—手—数据”技术体系：具身原生世界基础模型SYNWorld、高自由度仿生灵巧手OctoH-Hand，以及具身数据采集方案OctoSense。12

这条路线没有把“先造一台完整的人形机器人”作为起点。章鱼动力的判断是：机器人真正稀缺、也最值得复用的能力，不是外形像不像人，或能不能双足行走，而是能否理解物理世界，并用灵活、可靠的方式与它互动。

如果“脑”和“手”可以独立成为通用平台，它们理论上就能安装到不同机器人本体、机械臂，甚至固定式工作站上。相比一台用途固定的人形机器人，这种能力更有机会跨设备、跨场景迁移。114

章鱼动力发布了什么？

SYNWorld：让机器人理解世界如何变化

章鱼动力将SYNWorld V0.5称为“具身原生通用世界基础模型”。简单来说，世界模型不是只记住某个动作的步骤，而是尝试学习物体、动作和环境变化之间的规律：施加某种动作后，物理世界可能会发生什么变化。

大会现场展示了烤面包、叠衣服和精细拼图等任务。1922这些演示的重点并不只是机器人能否完成一个固定动作，而是模型能否理解不同任务背后的共同物理规律，并将这种理解迁移到新的任务和机器人本体上。

SYNWorld的能力被拆分为两条路线：

• 动作可控世界模型（ACWM）：根据给定动作，预测环境接下来可能发生的变化，可用于训练数据生成、闭环仿真和策略评估。
• 世界动作模型（WAM）：理解当前状态、预测未来结果，并进一步生成机器人的运动轨迹和动作。

据章鱼动力介绍，SYNWorld V0.5的参数规模为160亿，训练数据超过30万小时，涵盖多模态信息。14这些说法体现出公司的目标：先学习可跨任务复用的物理规律，再将其应用到不同场景，而不是为每项工作单独编写一套程序。

不过，能否从展台演示稳定泛化到陌生环境，仍是这条路线最关键的技术问题。现有报道主要记录了公司的产品主张和现场展示，并不足以证明其已在大规模真实部署中实现可靠泛化。

OctoH-Hand：灵巧操作的执行端

OctoH-Hand是一款高自由度仿生灵巧手，面向多指协同、拇指对掌、指尖精细操作和复杂抓握。公开资料显示，它采用手部腱绳驱动与小臂电机直驱相结合的混合方案，配备28个独立可控执行器、23个主动自由度，以及超过1900个触觉传感单元。418

它与传统夹爪的差别，不只是“多了几根手指”，而是能否形成闭环交互。普通夹爪往往只需要移动到位并夹住物体；灵巧手则必须持续感知接触、压力、力和物体状态变化，并实时调整抓握力度。

这对柔软、易碎或形状不规则的物体尤其重要：力量过大会压坏食材，力量不足又可能导致物体滑落。因此，OctoH-Hand把触觉感知和力控视为操作能力的核心组成部分，而不是事后加上的配件。14

OctoSense：把人的操作变成机器可学习的数据

OctoSense是章鱼动力推出的具身数据采集系统。现场展示和相关报道提到的设备包括鱼眼头环、肌电手环，以及外骨骼式同构数据手套。1512

这些设备试图同步记录人在完成日常工作时的多模态信息，包括：

• 视野中看到了什么；
• 身体、手臂和手指如何移动；
• 肌肉发出了怎样的信号；
• 与物体接触时产生了多少力、扭矩、压力和触觉反馈。

章鱼动力希望通过让采集设备与OctoH-Hand在关节结构、自由度和传感方式上更好对齐，减少从“人类动作”到“机器人动作”的转换，也就是所谓的动作重定向（retargeting）难题。15

公司还宣称，OctoSense实现了肌电信号的跨个体零样本泛化，即无需针对每个人单独校准，就能将不同人的肌电信号映射到机器人动作上。但就目前公开报道而言，这一说法能否在大规模、跨人群的真实环境中稳定成立，仍缺乏充分的独立验证。5720

三条产品线如何形成“数据飞轮”？

章鱼动力并不把这三款产品定位为彼此独立的产品线，而是希望它们组成一个持续迭代的闭环：

1. 人类示范普通的物理工作；
2. OctoSense同步采集视觉、动作、肌电、力、扭矩、压力和触觉数据；
3. SYNWorld学习预测物理结果，并生成机器人动作策略；
4. OctoH-Hand在触觉和力反馈下执行动作；
5. 真实执行结果和新的人工示范再次进入训练数据。

这就是章鱼动力“脑—手—数据”路线的核心飞轮。数据越丰富，模型就越有机会变强；模型越强，灵巧手就能处理更多任务；部署越广，又能产生更多真实世界数据。137

公司的真正押注，是这种模型、硬件与数据一体化的循环，最终能积累出可迁移的物理技能，而不是分别优化一个模型、一只机械手或一套人形机器人躯体。

为什么不是先造一台人形机器人？

人形机器人当然有现实优势：它有机会进入为人类设计的空间，也可能直接使用现有工具。但章鱼动力的观点是，人形躯体更像一种部署平台，而通用世界模型和灵巧末端执行器才是更值得复用的底座。

这不仅是技术判断，也是商业定位。章鱼动力试图成为“物理AI底层供应商”，向合作伙伴提供通用模型、灵巧手硬件和数据基础设施，而不是自己制造所有完整机器人，也不必亲自运营每一家工厂、餐厅或家庭场景。2314

在这种分工下，合作伙伴可以负责具体机器人本体和终端场景集成，章鱼动力则希望让核心物理技能在不同设备之间流动起来。

这条路线还抓住了一个实际瓶颈：行走很容易成为机器人发布会上的视觉焦点，但很多商业任务的难点并不在腿，而在手。拿起柔软的食物、准确放置、控制按压力度、应对意外接触，这些问题都依赖灵巧手、触觉感知和实时力控。

“初中毕业生硅基劳动力”是什么意思？

章鱼动力创始人兼CEO都大龙提出的“初中毕业生硅基劳动力”，更适合被理解为一个能力和经济性的比喻，而不是字面意义上的教育标准。

它描绘的第一阶段，不是一个完全通用、能力等同于成年人的机器人，而是一支成本较低、具备广泛基础能力、能够持续训练的数字劳动力。它们或许能够：

• 理解自然语言指令；
• 识别工作区域和常见物体；
• 使用双手完成基础操作；
• 从人类示范中学习；
• 在监督和持续训练下执行常见任务。

如果某台机器人学会的技能能够被其他机器人快速适配，那么每换一台机器、一个场景，就不必从头训练。这样的共享基础模型和车队学习，才是“低成本、可规模化物理技能”的经济基础。

但这仍然是公司的愿景，而非已经被验证的部署结果。最终经济性还要取决于可靠性、安全性、硬件成本、维护成本，以及完成任务时仍需要多少人工监督。

为什么“做汉堡”可能成为具身智能的关键测试？

在章鱼动力看来，做汉堡比一场漂亮的抓取演示更有意义，因为它把多种灵巧能力集中到了一起。

机器人需要处理形状和质地各不相同的食材，协调多根手指，控制抓取、切割或按压的力度，按顺序完成多道工序，并在接触物体时保持足够敏感，既不能把食材压坏，也不能让它掉落。

如果机器人能在食材、工具和工作台发生变化的情况下，稳定地做出比人更一致的汉堡，这将意味着机器人能力可能正在从“预设动作自动化”迈向“可复用的物理技能库”。这样的技能还可能延伸到餐饮场景中的包装处理、面包和果蔬搬运、配料分装、组装、清洁和物品转移。

都大龙提出的一到两年时间表，应被视为公司愿景，而不是已经得到验证的行业预测。现有资料能够证明章鱼动力展示了相关产品和路线，但无法证明这一时间表一定能够实现。14

这会是具身智能的“ChatGPT时刻”吗？

“做汉堡”之所以被赋予类似“ChatGPT时刻”的意义，是因为它可以成为一个直观的综合测试：如果机器人不依赖完全固定的食材、工具和工位，依然能稳定完成一项复杂的日常工作，那么它可能已经获得了更广泛的物理操作能力。

这并不意味着一个汉堡机器人就等于通用机器人。真正的挑战在于，同一套能力能否迁移到不同餐厅、不同设备和不同任务，并在真实世界中保持安全、可靠和经济可行。

章鱼动力的设想是，一旦模型、灵巧手和数据飞轮成熟，单个任务的技能就不再是一次性定制，而可以沉淀为可组合、可复用的物理技能。这正是它所说的“硅基劳动力”可能带来的规模效应。

特斯拉的案例说明了什么？

特斯拉的Optimus也说明了为什么机器人手部受到如此多关注。有报道称，埃隆·马斯克曾表示，Optimus大约一半的工程工作量都与手有关。这可以说明灵巧手在一套人形机器人系统中极其困难、也极其重要。23

但这并不等于特斯拉把一半硬件研发预算投入了机器人手部。现有引用材料支持的是“工程工作量”的说法，并没有提供特斯拉硬件研发预算的具体拆分。

因此，章鱼动力更稳妥的判断是：一个再强大的机器人“大脑”，如果缺乏可靠的灵巧性、丰富的触觉感知和精确的力控，也很难完成大量普通的现实工作。

WRC 2026上，SynapX选择先商业化它认为构成物理智能核心的三部分——模型、手和数据闭环——而不是先押注一款“万能机器人身体”。这条路线能否从演示走向规模化部署，关键就看它能否把一次成功的操作，真正变成不同机器人都能复用的技能。

在2026世界机器人大会（WRC）上，物理人工智能公司章鱼动力（SynapX）发布了一套“脑—手—数据”技术体系：具身原生世界基础模型SYNWorld、高自由度仿生灵巧手OctoH-Hand，以及具身数据采集方案OctoSense。12

这条路线没有把“先造一台完整的人形机器人”作为起点。章鱼动力的判断是：机器人真正稀缺、也最值得复用的能力，不是外形像不像人，或能不能双足行走，而是能否理解物理世界，并用灵活、可靠的方式与它互动。

如果“脑”和“手”可以独立成为通用平台，它们理论上就能安装到不同机器人本体、机械臂，甚至固定式工作站上。相比一台用途固定的人形机器人，这种能力更有机会跨设备、跨场景迁移。114

章鱼动力发布了什么？

SYNWorld：让机器人理解世界如何变化

章鱼动力将SYNWorld V0.5称为“具身原生通用世界基础模型”。简单来说，世界模型不是只记住某个动作的步骤，而是尝试学习物体、动作和环境变化之间的规律：施加某种动作后，物理世界可能会发生什么变化。

大会现场展示了烤面包、叠衣服和精细拼图等任务。1922这些演示的重点并不只是机器人能否完成一个固定动作，而是模型能否理解不同任务背后的共同物理规律，并将这种理解迁移到新的任务和机器人本体上。

SYNWorld的能力被拆分为两条路线：

• 动作可控世界模型（ACWM）：根据给定动作，预测环境接下来可能发生的变化，可用于训练数据生成、闭环仿真和策略评估。
• 世界动作模型（WAM）：理解当前状态、预测未来结果，并进一步生成机器人的运动轨迹和动作。

据章鱼动力介绍，SYNWorld V0.5的参数规模为160亿，训练数据超过30万小时，涵盖多模态信息。14这些说法体现出公司的目标：先学习可跨任务复用的物理规律，再将其应用到不同场景，而不是为每项工作单独编写一套程序。

不过，能否从展台演示稳定泛化到陌生环境，仍是这条路线最关键的技术问题。现有报道主要记录了公司的产品主张和现场展示，并不足以证明其已在大规模真实部署中实现可靠泛化。

OctoH-Hand：灵巧操作的执行端

OctoH-Hand是一款高自由度仿生灵巧手，面向多指协同、拇指对掌、指尖精细操作和复杂抓握。公开资料显示，它采用手部腱绳驱动与小臂电机直驱相结合的混合方案，配备28个独立可控执行器、23个主动自由度，以及超过1900个触觉传感单元。418

它与传统夹爪的差别，不只是“多了几根手指”，而是能否形成闭环交互。普通夹爪往往只需要移动到位并夹住物体；灵巧手则必须持续感知接触、压力、力和物体状态变化，并实时调整抓握力度。

这对柔软、易碎或形状不规则的物体尤其重要：力量过大会压坏食材，力量不足又可能导致物体滑落。因此，OctoH-Hand把触觉感知和力控视为操作能力的核心组成部分，而不是事后加上的配件。14

OctoSense：把人的操作变成机器可学习的数据

OctoSense是章鱼动力推出的具身数据采集系统。现场展示和相关报道提到的设备包括鱼眼头环、肌电手环，以及外骨骼式同构数据手套。1512

这些设备试图同步记录人在完成日常工作时的多模态信息，包括：

• 视野中看到了什么；
• 身体、手臂和手指如何移动；
• 肌肉发出了怎样的信号；
• 与物体接触时产生了多少力、扭矩、压力和触觉反馈。

章鱼动力希望通过让采集设备与OctoH-Hand在关节结构、自由度和传感方式上更好对齐，减少从“人类动作”到“机器人动作”的转换，也就是所谓的动作重定向（retargeting）难题。15

公司还宣称，OctoSense实现了肌电信号的跨个体零样本泛化，即无需针对每个人单独校准，就能将不同人的肌电信号映射到机器人动作上。但就目前公开报道而言，这一说法能否在大规模、跨人群的真实环境中稳定成立，仍缺乏充分的独立验证。5720

三条产品线如何形成“数据飞轮”？

章鱼动力并不把这三款产品定位为彼此独立的产品线，而是希望它们组成一个持续迭代的闭环：

1. 人类示范普通的物理工作；
2. OctoSense同步采集视觉、动作、肌电、力、扭矩、压力和触觉数据；
3. SYNWorld学习预测物理结果，并生成机器人动作策略；
4. OctoH-Hand在触觉和力反馈下执行动作；
5. 真实执行结果和新的人工示范再次进入训练数据。

这就是章鱼动力“脑—手—数据”路线的核心飞轮。数据越丰富，模型就越有机会变强；模型越强，灵巧手就能处理更多任务；部署越广，又能产生更多真实世界数据。137

公司的真正押注，是这种模型、硬件与数据一体化的循环，最终能积累出可迁移的物理技能，而不是分别优化一个模型、一只机械手或一套人形机器人躯体。

为什么不是先造一台人形机器人？

人形机器人当然有现实优势：它有机会进入为人类设计的空间，也可能直接使用现有工具。但章鱼动力的观点是，人形躯体更像一种部署平台，而通用世界模型和灵巧末端执行器才是更值得复用的底座。

这不仅是技术判断，也是商业定位。章鱼动力试图成为“物理AI底层供应商”，向合作伙伴提供通用模型、灵巧手硬件和数据基础设施，而不是自己制造所有完整机器人，也不必亲自运营每一家工厂、餐厅或家庭场景。2314

在这种分工下，合作伙伴可以负责具体机器人本体和终端场景集成，章鱼动力则希望让核心物理技能在不同设备之间流动起来。

这条路线还抓住了一个实际瓶颈：行走很容易成为机器人发布会上的视觉焦点，但很多商业任务的难点并不在腿，而在手。拿起柔软的食物、准确放置、控制按压力度、应对意外接触，这些问题都依赖灵巧手、触觉感知和实时力控。

“初中毕业生硅基劳动力”是什么意思？

章鱼动力创始人兼CEO都大龙提出的“初中毕业生硅基劳动力”，更适合被理解为一个能力和经济性的比喻，而不是字面意义上的教育标准。

它描绘的第一阶段，不是一个完全通用、能力等同于成年人的机器人，而是一支成本较低、具备广泛基础能力、能够持续训练的数字劳动力。它们或许能够：

• 理解自然语言指令；
• 识别工作区域和常见物体；
• 使用双手完成基础操作；
• 从人类示范中学习；
• 在监督和持续训练下执行常见任务。

如果某台机器人学会的技能能够被其他机器人快速适配，那么每换一台机器、一个场景，就不必从头训练。这样的共享基础模型和车队学习，才是“低成本、可规模化物理技能”的经济基础。

但这仍然是公司的愿景，而非已经被验证的部署结果。最终经济性还要取决于可靠性、安全性、硬件成本、维护成本，以及完成任务时仍需要多少人工监督。

为什么“做汉堡”可能成为具身智能的关键测试？

在章鱼动力看来，做汉堡比一场漂亮的抓取演示更有意义，因为它把多种灵巧能力集中到了一起。

机器人需要处理形状和质地各不相同的食材，协调多根手指，控制抓取、切割或按压的力度，按顺序完成多道工序，并在接触物体时保持足够敏感，既不能把食材压坏，也不能让它掉落。

如果机器人能在食材、工具和工作台发生变化的情况下，稳定地做出比人更一致的汉堡，这将意味着机器人能力可能正在从“预设动作自动化”迈向“可复用的物理技能库”。这样的技能还可能延伸到餐饮场景中的包装处理、面包和果蔬搬运、配料分装、组装、清洁和物品转移。

都大龙提出的一到两年时间表，应被视为公司愿景，而不是已经得到验证的行业预测。现有资料能够证明章鱼动力展示了相关产品和路线，但无法证明这一时间表一定能够实现。14

这会是具身智能的“ChatGPT时刻”吗？

“做汉堡”之所以被赋予类似“ChatGPT时刻”的意义，是因为它可以成为一个直观的综合测试：如果机器人不依赖完全固定的食材、工具和工位，依然能稳定完成一项复杂的日常工作，那么它可能已经获得了更广泛的物理操作能力。

这并不意味着一个汉堡机器人就等于通用机器人。真正的挑战在于，同一套能力能否迁移到不同餐厅、不同设备和不同任务，并在真实世界中保持安全、可靠和经济可行。

章鱼动力的设想是，一旦模型、灵巧手和数据飞轮成熟，单个任务的技能就不再是一次性定制，而可以沉淀为可组合、可复用的物理技能。这正是它所说的“硅基劳动力”可能带来的规模效应。

特斯拉的案例说明了什么？

特斯拉的Optimus也说明了为什么机器人手部受到如此多关注。有报道称，埃隆·马斯克曾表示，Optimus大约一半的工程工作量都与手有关。这可以说明灵巧手在一套人形机器人系统中极其困难、也极其重要。23

但这并不等于特斯拉把一半硬件研发预算投入了机器人手部。现有引用材料支持的是“工程工作量”的说法，并没有提供特斯拉硬件研发预算的具体拆分。

因此，章鱼动力更稳妥的判断是：一个再强大的机器人“大脑”，如果缺乏可靠的灵巧性、丰富的触觉感知和精确的力控，也很难完成大量普通的现实工作。

WRC 2026上，SynapX选择先商业化它认为构成物理智能核心的三部分——模型、手和数据闭环——而不是先押注一款“万能机器人身体”。这条路线能否从演示走向规模化部署，关键就看它能否把一次成功的操作，真正变成不同机器人都能复用的技能。