一句话结论：小米技术团队 2026 年 10 月 27 日公布的自研仿生灵巧手做到了 21 个自由度、26 个电机与 1500 点全掌触觉，核心依据是小米汽车中试中心采集的 1827 个真实工厂作业 SOP，仿真显示它比 6 至 15 自由度方案的平均稳定抓握成功率高出 15% 至 38%，而自由度继续加到 23 以上收益明显放缓。
这个成果没有发布会，没有整机演示视频，只有小米技术公众号上一篇图文。但它给出的信息密度相当高，尤其是它公开了自由度消融实验的完整结论，这是绝大多数灵巧手发布稿不会给的东西。
为什么自由度数量本身不是关键指标
灵巧手最容易被拿来宣传的数字是自由度。但小米这次的结论恰恰相反：自由度的边际收益会在某个点后迅速衰减。
团队基于动捕数据做了自由度利用率分析。在覆盖的作业场景中，几乎所有被测自由度的利用率都超过 50%，说明工序对人手的灵活性与全自由度覆盖确实有较高要求。与此同时，人手指关节存在天然耦合特性，这为欠驱动设计提供了理论依据。
真正的判决来自仿真消融分析。三组方案的对比结果很清晰：
| 自由度区间 | 平均稳定抓握成功率 | 工程复杂度 | 团队结论 |
|---|---|---|---|
| 6 至 15 | 基准线 | 低 | 覆盖不足，复杂工序无法完成 |
| 17 至 21 | 较基准提升 15% 至 38% | 中 | 21 自由度在覆盖度与成功率上表现最佳 |
| 23 及以上 | 提升幅度明显放缓 | 高 | 边际收益下降，不值得 |
最终选 21 自由度的理由因此不是参数炫技，而是操作覆盖度与抓握表现之间的平衡点。
1827 个 SOP 是整个方案的立足点
数据来源是小米汽车智能制造部中试中心。团队从 16 个典型工段、2579 个 SOP 中选取 1827 个进行多角度视频采集与动作捕捉，覆盖了 70.8% 以上典型工段的人工作业工序。
采集到的动捕数据经过分类、切片、清洗与重定向处理，随后用于基于人手的多维数据分析。团队还挑选工厂实际使用的工具、零件和操作物，构建仿真数字资产，在仿真环境中做多角度抓握验证。
这条路径的逻辑很清晰：先用真实产线数据反推手应该长什么样，再用仿真验证设计，最后才上真机。这与先做出一只手再去寻找场景的顺序相反。小米的说法是，柔性制造场景兼具生产任务规模大与灵巧操作多样性高的特点，是仿生手的天然验证训练场。这个判断成立的前提是工厂愿意开放自己的 SOP 数据，门槛不低。
混合驱动架构与 324 克的手掌
驱动方案采用腱绳驱动为主、融合 5 个直驱自由度的混合架构。直驱自由度被放在负载要求较低的关节上，绳驱电机集中布置在小臂部分。
腱绳驱动的好处是空间利用率与重量，代价是腱绳蠕变带来的非线性控制难题。团队的应对是加入腱绳张力传感器，用于补偿绳体蠕变，提升抓握力控的精度与长期一致性。
手掌自重 324 克，这个数字直接决定末端转动惯量，进而影响控制响应速度。在 26 个电机的前提下把掌心做到这个重量，需要电机小型化与结构重新分配同时成立。
1500 点触觉与分辨率差异
触觉系统覆盖指间、指腹、指根与掌心，共 1500 个感知点。前三处的空间分辨率达到 1 毫米，掌心为 2 毫米。模组支持更换与易维护，这一点在做人手同构的触觉数据采集时很关键，传感器坏了要能单独换而不是整只手报废。
分辨率的分层设计也有实际意义。指腹与指尖是精细操作的主要接触区，对分辨率要求最高；掌心更多承担支撑与粗定位，2 毫米够用。把预算集中到真正需要的地方，是这套方案成本可控的原因之一。
单手百瓦功耗与热预测模型
高自由度带来的直接代价是功耗。手臂内电机密集，抓握时又可能长时间处于非周期大电流状态，极端工况下单手功耗可以超过 100 瓦。
小米的应对分两条线。一条是软件侧的热预测模型，可以预测未来 5 至 10 分钟的温度分布与变化趋势，并估算超温剩余时间，模型结合物理仿真或机器学习做在线校准，当前预测精度优于 3℃。另一条是材料侧的高性能散热织物，通过高导热材质填充、表面辐射改性与自然吸湿蒸发等路线提升散热效能。
热预测的价值不只是报警。知道还有多少时间会超温，调度系统就能提前降载或切换工作节奏，而不是等温度传感器触发保护再被动停机。
从 3 月触觉手套到 7 月工厂实习
这不是一次孤立的研究。今年 3 月小米曾分享过全掌触觉仿生手的设计，7 月该仿生手已在小米汽车工厂开展实习岗位测试。这一轮把设计依据从单一产品推向整套工艺数据验证。
从产线角度看这件事的分量。一个 21 自由度、1500 点触觉的手如果能稳定完成多类工序，它的价值不在演示视频里的灵巧度，而在替代了多少人工工位。团队明确表示已针对工厂零件和工具完成真机多姿态抓握测试，抓握拟人度与成功率相较前代低自由度版本均有提升，但具体替代比例与节拍数据尚未公开。
同期国内其他路径也在推进。高德 λ0 全身基座模型走的是通用人形基座路线，用 500 小时人类数据训练真机成功率 62.5%；千诀 Polibrain 世界模型则强调跨形态复用与提前预测。相比之下小米的路径更垂直，直接绑定自有工厂的工艺数据验证闭环。相关的模型侧进展，可参考 高德 λ0 全身基座模型 与 千诀 Polibrain 世界模型发布。空间感知能力的对比可以看 大晓机器人 ACE-Brain-0.6。小米在 AI 硬件上的另一条线是 小米开源 AI 硬件 HachimoDock。
这套方案能不能产品化，看三个还没公布的数字
结论性的判断要等三个数据。第一个是单位成本，26 个电机加 1500 个触觉点加定制散热织物，成本结构与现有工业机械手相比是否具备可比性。第二个是节拍，仿真与真机测试的成功率不等于在生产线上能达到的循环时间。第三个是寿命，腱绳蠕变与张力传感器的长期一致性在连续生产环境下的表现，是这类方案最容易翻车的地方。
小米已经对外释放了合作意向，方向包括仿生手产品方案、具身应用与数据采集三块。在硬件成本下降与产线需求持续存在的背景下，这条路线值得持续跟踪。
常见问题
小米的 21 自由度仿生手和市面产品相比优势在哪？
核心优势是数据基础的完整度。1827 个来自真实工厂的作业 SOP 覆盖 16 个典型工段、70.8% 以上的人工作业工序，并配有自由度利用率分析与消融仿真。多数产品发布只给出自由度与电机数，不会公开在多少工序上被验证过。
为什么最后停在 21 自由度而不是更高的 23 或 26？
因为边际收益。仿真消融显示 17 至 21 自由度区间相比 6 至 15 区间提升 15% 至 38%，而继续提升到 23 以上时抓握能力提升幅度明显放缓。21 自由度在操作覆盖度与工程复杂度之间取得平衡。
1500 点触觉的实际分辨率是多少？
指间、指腹与指根处为 1 毫米，掌心为 2 毫米，实现全掌高密度覆盖。触觉模组支持可更换与易维护，便于开展人手同构的触觉数据采集与分析。
小结
这次公布最有价值的信息是方法而非参数。用工厂真实 SOP 反推手的设计，再通过自由度消融实验确定 21 这个平衡点，然后用 1500 点触觉与混合驱动架构落地工程约束，最后用热预测模型处理百瓦级功耗，整条链路是自洽的。21 自由度、324 克、1500 点、1827 个 SOP、15% 至 38% 的成功率提升，这几个数字共同说明一点：在明确的工业场景里，把自由度做低并做扎实，比堆到 26 个更接近可用。
相关阅读
- 高德 λ0 全身基座模型：500 小时人类数据，真机成功率 62.5%
- 千诀 Polibrain 世界模型发布：5 类机器人复用，隐变量早 LeCun 一年
- 大晓机器人ACE-Brain-0.6：六项空间感知超越GPT-6 Astra
- 小米开源AI硬件HachimoDock：150元复刻桌面智能体
延伸阅读
- 生数科技直播 Motubrain 2.0 全程训练：预训练到 RSI 四阶段公开4 天前
- 中国电信TeleAI孵化首家具身公司伽马智能：白辰甲博士任CEO，聚焦自进化人形机器人6 天前
- 宇树发布 H2-X 极限测试：主打 8 小时续航，开放世界物理 AI 竞赛4 天前
- 费米宇宙完成 1 亿元种子轮融资，估值 10 亿元，量子增强模型推理提效 15%4 周前
继续读
同一批更新里这几篇值得一看：
- 小米开源AI硬件HachimoDock：150元复刻桌面智能体2026-10-26
- 英伟达开源机器人标注引擎 Flora：1 小时标注 0.72 美元2026-10-26
- 高德 λ0 全身基座模型：500 小时人类数据，真机成功率 62.5%2026-10-24