不管徐新对具身的判断，只看章鱼动力的答案

AI时代，有两多：老师多，观点多。

有人讲AI，有人讲Agent，有人讲未来，还有人已经开始教别人怎么做AI、怎么创业、怎么投资。

信息越来越多，观点越来越密，真正值得认真听的，反而变少了。

徐新是个例外。

她被称为“中国投资女王”，过去长期站在一些巨大变化的早期，看过很多公司，也错过过一些公司。

所以，当她开始认真谈一个新行业的时候，值得一听。

最近，徐新做客视频播客，连续聊了两个多小时，关于具身智能，她给出了几条判断。

这些判断不一定就是答案，但有意思的是，今天已经有一些公司，正在试着用产品回答判断。

比如章鱼动力。

我们来看徐新的几个判断：

“具身智能比自动驾驶、大模型和传统机器人更难。”

“先做硬件，再训练大脑，是合理顺序。”

“具身的商业化要依靠企业买单，生产场景创造实际价值。”

这些话背后，其实指向的是同一个问题：具身智能真正难的地方，并不只是把一个模型装进机器人，而是让模型、本体和真实世界的应用落地之间，形成闭环和可持续的能力提升。

用时下AI赛道最流行的表述，这叫：闭环飞轮。

是判断，还是预言？

语言模型可以利用互联网已经存在的大量数据，而机器人要学习真实世界里的动作，就必须进入真实环境。

人怎么拿东西、怎么移动、怎么抓取、怎么施力，这些真实世界里的动作，不只是“看见”就够了，还需要记录背后的姿态、受力等信息，很难深入、精准捕捉。

这让我想起一个很有意思的场景：

《钢铁侠3》最后，大量钢铁战衣飞来支援，罗德看着眼前的钢铁战衣问道：

“太酷了。给我一套战衣，行吗？”

托尼斯塔克却回答：

“抱歉，它们只适配我。”

而肌电作为具身智能主流采集技术，面对的是同样的问题。

每个人的肌肉结构、皮肤状态、佩戴位置和发力习惯都不一样。一旦换人，就需要重新采、训、校准。具身数采，苦“一模一人”久矣。

章鱼动力首先解决的，正是这个问题。

它推出的 SYNEMG 肌电大模型，在全球率先面向具身数据采集实现肌电跨个体零样本泛化。

面对没有进入训练集的新个体，模型无需新增个体数据、无需增量训练，即可恢复手部姿态和发力状态。

也就是说，它试图解决的不只是“怎么把一个人的数据识别得更准”，而更是：

从“一模一人”走向“一模千人”。

章鱼动力公布的信息显示，相较于 Meta 开源的 emg2pose 模型，SYNEMG 在零样本跨人姿态重建上误差降低 50%，并实现了毫米级绝对定位精度。

如果说SYNEMG 肌电大模型负责的是提升采集效率，解决跨个体泛化的规模化难题；OctoSense 下一代具身数采产品体系，则要去解决数据精度的问题。

OctoSense基于三大核心硬件（肌电手环、外骨骼同构数采手套和鱼眼头环，各自解决一类关键缺口）的不同组合，推出三大数采方案（ OctoS-Ego、OctoS-EgoBio、OctoS-DexUMI），每个方案适配不同细分场景。

章鱼动力对OctoSense的定位很直接：

仅仅采到数据还不够，必须是高精度、高质量数据

肌电手环，更好地获取手部姿态和发力状态；外骨骼同构数采手套解决跨本体对齐，让无本体操作数据近乎无损直达灵巧手真机；四鱼眼头环以双目补全第一视角视觉和三维尺度。

进而，硬件决定数据能否实现“高质量”，SYNData模型算法与数据工程则决定采回来的数据是否达标“可训练”。

SYNData是一套由模型算法和数据工程共同支撑的数据系统。它从图像、肌电和其他传感器信号中计算操作的物理状态与语义信息，并进一步完成多模态对齐、切片、清洗和组织，最终形成标准化、可追溯的数据集。

也就是说，SYNData与OctoSense一起，共同把一次真实操作，沉淀为机器人可以使用的数据。

我们可以看到，从一次真实的人类操作，到一段机器人可以使用的数据，中间经过了漫长关卡。

而这也正好对应徐新的判断：

“具身智能比自动驾驶、大模型和传统机器人更难。”

具身商业化，还有几公里？

商业不是公益，具身智能也不是慈善。

具身智能最终要进入真实场景，持续创造价值。

徐新判断，当前具身智能的技术渗透率可能还只有2%至3%，真正的商业化最终还是要依靠企业客户买单，让机器人进入能够创造实际劳动价值的生产场景。

但从数据采集到真正完成任务，中间还缺了一环。

前面解决的是：数据怎么采、怎么处理，以及怎么变成机器人可以学习的数据。

接下来要回答的是：

机器人拿到这些数据之后，靠什么真正把任务做出来？

答案，是一双能够进入物理世界的手。

如果说高质量数据采集是具身智能理解物理世界的基础，那么触碰，就是AI真正进入物理世界的开始。

人类世界本就是按照人手的尺度和能力构建的。

瓶盖、筷子、门把手、工具和家电，都默认了人手的构型与能力。

与其重新创造一个适配机器人的环境，不如让机器人拥有一双能够适配现有世界的手。

这也是为什么，从特斯拉Optimus到1X NEO，全球具身智能头部玩家都在持续投入灵巧手研发。

但灵巧手不能只是执行部件。

它一端连接模型生成的动作，另一端连接真实世界的物理反馈：既把“大脑”的决策变成动作，也把接触、受力和运动结果反馈给“大脑”。

它真正要解决的，是让机器人的决策能够作用于真实环境，同时让真实环境中的反馈重新回到模型。

这也是章鱼动力推出全栈自研绳驱高自由度仿生灵巧手 OctoH-Hand 的意义。

但它真正想解决的，不只是“机器人有没有一双手”，而是：“这双手，能不能和前面的数据真正连接起来？”

过去，人的动作可以被采集，但数据却未必能直接用于机器人。

由于人的手和机器人的手在关节构型、自由度和感知方式上存在差异，传统方案往往需要经过运动重定向、参数映射和反复调试，才能把人的示教转化为机器人能够执行的动作。

OctoH-Hand试图从数据采集与机器人执行的对应关系上解决这个问题。

它与章鱼动力外骨骼同构数采手套采用一一对应的运动构型、自由度定义与感知配置，形成“数采孪生”。执行同一任务时，手套采集的关节角度、触觉、力、视觉等信息，可以直接作为控制信号导入灵巧手系统，复现整个任务过程。

章鱼动力OctoS-DexUMI外骨骼同构数采手套

数据不再只是被记录，而是可以直接被执行。

但能执行还不够。真实生产环境不会给机器人一个完美的世界：物体可能更滑，瓶盖可能没有拧紧，零件也可能没有完全对齐。

所以，机器人需要的不只是运动能力，还需要感觉。

OctoH-Hand采用腱绳传动，将执行器后置于小臂，以接近人类肌肉与肌腱的方式驱动手部关节，在降低手部重量和运动惯量的同时，为精细操作留出空间。

它采用手部n+1全腱绳驱动与小臂电机直驱的混合驱动方式，共集成28个独立可控执行器，实现23个主动自由度，支持多指协同、拇指对掌、指尖精细操作和复杂抓握。

在感知层面，OctoH-Hand集成超过1900个触觉传感单元，阵列间距≤1mm，并结合可反驱执行器、关节电流环和触觉双重力感知，构建全闭环力控。

机器人因此不只是“看见”物体再去抓，而是能够在接触过程中感知外部世界，并根据反馈调整动作。

从“看着做”，变成“跟着感觉走”。

从SYNEMG、OctoSense、SYNData，到SYNWorld和OctoH-Hand，章鱼动力正在逐步完成从数据采集、数据处理，到环境理解、任务决策和动作执行的完整过程：

SYNEMG、OctoSense解决数据怎么采；SYNData解决采回来的数据怎么变成机器人可以学习的数据；SYNWorld负责理解环境和做出决策；OctoH-Hand则把这些决策真正变成机器人的动作。

当数据进入模型，再由模型生成真实动作，具身智能才有可能从实验室里的动作演示，走向真实生产场景。

而OctoH-Hand负责的，正是其中最直接的一步：

让AI不只理解物理世界，更真正拥有触碰和改变物理世界的能力。

最终，具身智能的商业化，不只是机器人“会不会动”，而是能不能把理解变成动作，把动作变成劳动，把劳动变成真实价值。

判断给不出答案，产品才能

徐新曾经讲过一个自己的投资故事。

她投过京东，也投过唯品会，但拼多多出现时，她最初并没有真正理解它。

后来，她去安徽农村住进普通家庭，看他们怎么买菜、怎么生活，也重新理解了那些自己原本觉得“不够好”“不够高级”的消费选择。

当她真正理解拼多多之后，又买入了拼多多的股票。

这个故事有意思的地方，不是徐新曾经看错过，而是当原来的判断无法解释现实，她愿意重新走进现实，重新理解它。

面对一个新行业，判断可以告诉你“可能会发生什么”，但它无法替你验证“现实究竟会发生什么”。

真正的答案，最终还是要交给现实。

具身智能也是如此。

徐新提出的问题是：具身智能为什么难？为什么需要先解决硬件和数据？又如何进入真实生产场景？

这些问题，最终都不能只靠观点回答。

章鱼动力正在尝试做的，就是用一系列产品，去回答这些问题。

从数据采集，到数据处理，再到模型理解和机器人执行，它试图把具身智能从数据、模型一路推进到真实世界，让原本停留在判断里的问题，变成可以被产品验证的答案。

所以，比“具身智能到底会不会成为下一个大机会”更值得看的，是有没有公司正在把这些问题一步步做成现实。

判断可以有很多，但真正改变行业的，最终还是产品。