SynapX在2026世界機械人大会展示了一條有別於主流人形機械人競賽的具身AI路線：與其一開始打造一部由頭到腳的人形機械人，不如先做好可重用的「智能大腦」和「靈巧之手」。公司將這套方案稱為「Brain–Hand–Data」，由SYNWorld具身原生世界基礎模型、OctoH-Hand高自由度仿生靈巧手，以及OctoSense具身數據採集方案組成。12

點解唔先造一部人形機械人？

SynapX的判斷是，機械人最有價值的能力，未必是外形似人或者識行路，而是兩件事：能否理解物理世界如何運作，以及能否以足夠精準和安全的方式接觸、拿取及操控物件。

如果同一套「大腦＋手」可以安裝到不同機械人身體、機械臂，甚至固定工作站，智能便不必綁死在某一款專用人形機械人上。換句話說，身體可以是部署平台；世界模型和末端靈巧手，才是更容易重用的底座。114

這亦是一個商業策略。SynapX希望做的是物理AI的底層供應商，提供通用模型、靈巧手和數據基礎設施，而不一定要自行製造每一部完整機械人，或者親自營運每間工廠、餐廳和家庭應用場景。2314

SYNWorld：讓機械人先學識「個世界點郁」

SynapX形容SYNWorld V0.5為具身原生通用世界基礎模型，目標不是為每一個動作寫一套死板程式，而是讓機械人掌握不同任務背後共通的物理規律。大会現場示範包括烘麵包、摺衫及精細拼圖等任務。1922

SYNWorld展示了兩條互補的能力路線：

• 動作可控世界模型（ACWM）：根據指定動作，預測環境之後可能出現的變化；
• 世界動作模型（WAM）：理解當前狀態及可能的未來結果，再產生機械人的運動軌跡和動作。

據SynapX公布，SYNWorld V0.5的參數規模為160億，訓練數據超過30萬小時，涵蓋多模態資訊。14 這些說法反映公司的核心目標：先學好物理世界的規律，再將能力轉移到不同任務及不同機械人本體。

不過，模型能否離開展台示範，在陌生環境中長期穩定地泛化，仍然是最關鍵的技術問題。

OctoH-Hand：重點唔係「識郁」，而係識收力

OctoH-Hand是一款高自由度仿生靈巧手，設計上針對多指協同、拇指對掌、指尖微細動作及複雜抓握。相關報道指，它採用混合驅動設計：手部以類似肌腱的腱繩驅動，馬達則放在前臂位置。418

公布規格包括28個獨立控制執行器、23個主動自由度，以及超過1,900個觸覺感測單元。418

同普通夾爪相比，靈巧手的難度在於閉環互動。它不可以只係移到物件旁邊再合埋手指，而要根據接觸、壓力、力度和物件變化，持續微調握力。對軟身或者易碎物件來說，力度太大會壓爛，力度太細又會滑走；所以觸覺感測和力控並非附加功能，而是操作能力的核心。14

OctoSense：將人類日常操作變成機械人教材

OctoSense是SynapX的具身數據採集系統。展示設備包括魚眼頭環、肌電手環，以及外骨骼式數據手套，目標是同步記錄人類看見甚麼、身體和手部如何移動，以及與物件接觸時產生的力度、扭力、壓力和觸覺訊號。1512

理想情況下，這些數據可以更直接對應OctoH-Hand的關節結構和感測方式，減少由人類動作轉譯成機械人動作時的「重定向」問題。SynapX亦聲稱肌電訊號可以跨人士零樣本泛化，即毋須為每個使用者逐一校準；但目前可見的報道，仍未提供足夠獨立證據證明這項能力可以在大規模應用中穩定運作。5720

三條產品線如何形成數據飛輪？

SynapX不是把三件產品當成各自獨立的產品線，而是希望它們形成一個循環：

1. 人類示範日常實體工作；
2. OctoSense同步記錄視覺、動作、肌電、力度及觸覺數據；
3. SYNWorld學習預測物理結果，並產生操作策略；
4. OctoH-Hand配合觸覺和力控執行動作；
5. 真實操作結果及新的示範，成為下一輪訓練數據。

這個飛輪正是SynapX押注的核心：更好的數據令模型變強，更強的模型令靈巧手可以處理更多情況，而更多實際部署則帶來更豐富的數據。公司相信，模型、機械手和數據採集一體化，會比單獨優化其中一項，更有機會產生可以跨場景移植的實體技能。137

「中學生級矽基勞動力」代表甚麼？

創辦人兼行政總裁都大龍所講的「中學生級矽基勞動力」，較適合理解為一個能力和經濟模式的比喻，而非字面上的教育水平描述。

它指向的第一個里程碑，未必是一部完全通用、能力等同人類的機械人，而是一批成本較低、具備廣泛基礎能力的數碼勞工：能夠聽從指示、理解工作環境、用雙手操作、從示範中學習，並在監督和持續訓練下完成常見任務。

這種模式的價值，在於共享底層模型和機群學習。一部機械人在某個場景學到的技能，理論上可以調整後移植到另一個場景，而毋須每部機械人從零開始。至於是否真的划算，還要視乎可靠性、安全要求、硬件成本、維修，以及需要多少人類監督。

點解一個漢堡可能成為「ChatGPT時刻」？

對SynapX而言，整漢堡比起流暢的取放示範更能考驗具身智能。機械人要處理不同形狀和質地的食材，協調多隻手指，控制抓取、切割或按壓力度，按次序完成多個步驟，並準確放置材料；同時又要感知接觸，避免壓爛或者跌低食材。

如果機械人可以在食材、工具和工作枱環境改變之下，仍然比人類更穩定地整出漢堡，這會暗示機械人已由只懂固定程序的取放動作，走向一套可以重用的實體技能庫。相關技能有機會延伸到處理包裝、麵包和蔬果、分配材料、組裝、清潔，以及餐飲場景中的物件搬運。

不過，都大龍提出的一至兩年時間表，現階段應視為公司願景，而不是已獲驗證的行業預測。現有來源主要記錄SynapX的產品說法和示範，未能證明這個時間表一定能夠實現。14

Tesla例子證明到甚麼，又證明唔到甚麼？

Tesla Optimus的比較，反映點解機械人「手」會成為行業焦點。有報道引述Elon Musk指，Optimus大約一半工程工作都花在雙手上。這可以說明靈巧手在一個人形機械人計劃中有幾難、幾重要；但它不等於Tesla將一半硬件研發預算投放在機械手上，因為現有引述材料沒有提供這項預算分拆。23

SynapX較穩妥的主張是：如果沒有可靠的靈巧操作、豐富觸覺感測和精準力控，就算機械人大腦很強，仍然可能做不好大量普通實體工作。

所以，SynapX在WRC展示的，不是另一部「更加似人」的機械人，而是它認為構成物理智能核心的三件事——模型、機械手和數據循環。這條路線能否將一個漢堡示範，真正變成可負擔、可複製、跨場景使用的實體技能，才是下一步最值得觀察的地方。

SynapX在2026世界機械人大会展示了一條有別於主流人形機械人競賽的具身AI路線：與其一開始打造一部由頭到腳的人形機械人，不如先做好可重用的「智能大腦」和「靈巧之手」。公司將這套方案稱為「Brain–Hand–Data」，由SYNWorld具身原生世界基礎模型、OctoH-Hand高自由度仿生靈巧手，以及OctoSense具身數據採集方案組成。12

點解唔先造一部人形機械人？

SynapX的判斷是，機械人最有價值的能力，未必是外形似人或者識行路，而是兩件事：能否理解物理世界如何運作，以及能否以足夠精準和安全的方式接觸、拿取及操控物件。

如果同一套「大腦＋手」可以安裝到不同機械人身體、機械臂，甚至固定工作站，智能便不必綁死在某一款專用人形機械人上。換句話說，身體可以是部署平台；世界模型和末端靈巧手，才是更容易重用的底座。114

這亦是一個商業策略。SynapX希望做的是物理AI的底層供應商，提供通用模型、靈巧手和數據基礎設施，而不一定要自行製造每一部完整機械人，或者親自營運每間工廠、餐廳和家庭應用場景。2314

SYNWorld：讓機械人先學識「個世界點郁」

SynapX形容SYNWorld V0.5為具身原生通用世界基礎模型，目標不是為每一個動作寫一套死板程式，而是讓機械人掌握不同任務背後共通的物理規律。大会現場示範包括烘麵包、摺衫及精細拼圖等任務。1922

SYNWorld展示了兩條互補的能力路線：

• 動作可控世界模型（ACWM）：根據指定動作，預測環境之後可能出現的變化；
• 世界動作模型（WAM）：理解當前狀態及可能的未來結果，再產生機械人的運動軌跡和動作。

據SynapX公布，SYNWorld V0.5的參數規模為160億，訓練數據超過30萬小時，涵蓋多模態資訊。14 這些說法反映公司的核心目標：先學好物理世界的規律，再將能力轉移到不同任務及不同機械人本體。

不過，模型能否離開展台示範，在陌生環境中長期穩定地泛化，仍然是最關鍵的技術問題。

OctoH-Hand：重點唔係「識郁」，而係識收力

OctoH-Hand是一款高自由度仿生靈巧手，設計上針對多指協同、拇指對掌、指尖微細動作及複雜抓握。相關報道指，它採用混合驅動設計：手部以類似肌腱的腱繩驅動，馬達則放在前臂位置。418

公布規格包括28個獨立控制執行器、23個主動自由度，以及超過1,900個觸覺感測單元。418

同普通夾爪相比，靈巧手的難度在於閉環互動。它不可以只係移到物件旁邊再合埋手指，而要根據接觸、壓力、力度和物件變化，持續微調握力。對軟身或者易碎物件來說，力度太大會壓爛，力度太細又會滑走；所以觸覺感測和力控並非附加功能，而是操作能力的核心。14

OctoSense：將人類日常操作變成機械人教材

OctoSense是SynapX的具身數據採集系統。展示設備包括魚眼頭環、肌電手環，以及外骨骼式數據手套，目標是同步記錄人類看見甚麼、身體和手部如何移動，以及與物件接觸時產生的力度、扭力、壓力和觸覺訊號。1512

理想情況下，這些數據可以更直接對應OctoH-Hand的關節結構和感測方式，減少由人類動作轉譯成機械人動作時的「重定向」問題。SynapX亦聲稱肌電訊號可以跨人士零樣本泛化，即毋須為每個使用者逐一校準；但目前可見的報道，仍未提供足夠獨立證據證明這項能力可以在大規模應用中穩定運作。5720

三條產品線如何形成數據飛輪？

SynapX不是把三件產品當成各自獨立的產品線，而是希望它們形成一個循環：

1. 人類示範日常實體工作；
2. OctoSense同步記錄視覺、動作、肌電、力度及觸覺數據；
3. SYNWorld學習預測物理結果，並產生操作策略；
4. OctoH-Hand配合觸覺和力控執行動作；
5. 真實操作結果及新的示範，成為下一輪訓練數據。

這個飛輪正是SynapX押注的核心：更好的數據令模型變強，更強的模型令靈巧手可以處理更多情況，而更多實際部署則帶來更豐富的數據。公司相信，模型、機械手和數據採集一體化，會比單獨優化其中一項，更有機會產生可以跨場景移植的實體技能。137

「中學生級矽基勞動力」代表甚麼？

創辦人兼行政總裁都大龍所講的「中學生級矽基勞動力」，較適合理解為一個能力和經濟模式的比喻，而非字面上的教育水平描述。

它指向的第一個里程碑，未必是一部完全通用、能力等同人類的機械人，而是一批成本較低、具備廣泛基礎能力的數碼勞工：能夠聽從指示、理解工作環境、用雙手操作、從示範中學習，並在監督和持續訓練下完成常見任務。

這種模式的價值，在於共享底層模型和機群學習。一部機械人在某個場景學到的技能，理論上可以調整後移植到另一個場景，而毋須每部機械人從零開始。至於是否真的划算，還要視乎可靠性、安全要求、硬件成本、維修，以及需要多少人類監督。

點解一個漢堡可能成為「ChatGPT時刻」？

對SynapX而言，整漢堡比起流暢的取放示範更能考驗具身智能。機械人要處理不同形狀和質地的食材，協調多隻手指，控制抓取、切割或按壓力度，按次序完成多個步驟，並準確放置材料；同時又要感知接觸，避免壓爛或者跌低食材。

如果機械人可以在食材、工具和工作枱環境改變之下，仍然比人類更穩定地整出漢堡，這會暗示機械人已由只懂固定程序的取放動作，走向一套可以重用的實體技能庫。相關技能有機會延伸到處理包裝、麵包和蔬果、分配材料、組裝、清潔，以及餐飲場景中的物件搬運。

不過，都大龍提出的一至兩年時間表，現階段應視為公司願景，而不是已獲驗證的行業預測。現有來源主要記錄SynapX的產品說法和示範，未能證明這個時間表一定能夠實現。14

Tesla例子證明到甚麼，又證明唔到甚麼？

Tesla Optimus的比較，反映點解機械人「手」會成為行業焦點。有報道引述Elon Musk指，Optimus大約一半工程工作都花在雙手上。這可以說明靈巧手在一個人形機械人計劃中有幾難、幾重要；但它不等於Tesla將一半硬件研發預算投放在機械手上，因為現有引述材料沒有提供這項預算分拆。23

SynapX較穩妥的主張是：如果沒有可靠的靈巧操作、豐富觸覺感測和精準力控，就算機械人大腦很強，仍然可能做不好大量普通實體工作。

所以，SynapX在WRC展示的，不是另一部「更加似人」的機械人，而是它認為構成物理智能核心的三件事——模型、機械手和數據循環。這條路線能否將一個漢堡示範，真正變成可負擔、可複製、跨場景使用的實體技能，才是下一步最值得觀察的地方。