从1个到6个，0.5毫米胶带为何成了人形机器人拆箱最窄的关口？

从1个到6个，0.5毫米胶带为何成了人形机器人拆箱最窄的关口？

看懂AI大白话

2026年8月24日下午，北京国家速滑馆“冰丝带”内，第二届世界人形机器人运动会灵巧手专项赛的拆箱拆包项目决赛正在进行。

第二届世界人形机器人运动会比赛场馆内景

北京智元赛队的机器人站在桌前，伸手拿起一把标准美工刀——刀刃窄、刀柄小，随后将厚度仅0.5毫米的刀片，精准对准了快递纸箱上的封箱胶带，一刀划开，四边开合，取出内部物品，纸箱无破损，物品无损坏，一次有效拆箱完成。

人形机器人灵巧手持美工刀完成拆箱动作

5分钟内，这台机器人重复完成了6次同样的操作，夺得金牌。

往前倒推几天，预赛时这支队伍的成绩是：1个。

从1到6，不是机器人跑得更快了，也不是力气变大了，而是它终于学会了一件事：看清楚那条几乎和纸箱表面融为一体的透明胶带，然后把刀片稳稳地插进去。这个动作，人类做起来不需要思考，但对于一台人形机器人来说，它构成了整条技术链上最窄的那道关口。

一刀切下去，机器人到底卡在哪儿

拆快递这件事，拆开看其实是一连串独立动作的接力。第一步，机器人得先“看见”桌上的东西——美工刀在哪、纸箱朝哪个方向摆、胶带贴在什么位置。这一步靠的是多模态感知融合，摄像头和传感器的数据拼在一起，在三维空间里给每个物体标出坐标，精度能做到0.1毫米级别。

眼睛有了，手才伸得出去。

第二步是拿刀。美工刀的刀柄又窄又薄，不是那种机器人夹爪一合就能抓稳的方块。它需要多根手指协同发力，力道大了捏不住，力道小了会滑脱。

北京智元赛队的技术方案里，这一步靠的是连续可调力矩输出和毫秒级的力度反馈——相当于手指上装了神经，能实时感知“我握紧了没有”，发现滑了就立刻收紧，发现太紧了就松一点。

技术人员通过动捕设备操控人形机器人

第三步才是真正的硬骨头：把刀片对准胶带。胶带厚度只有0.5毫米，紧紧贴在纸箱表面，颜色和纸箱几乎一样。机器人要在一片平面上找到一条半透明的细线，然后用刀片边缘精准切入——不是划纸箱，是划胶带。

北京理工大学教授蒋志宏在赛后的采访中提到，通过学习的算法，机器人在空间感知上可以达到0.1毫米的精度，但放到真实场景下长时间、高效率地执行，才是真正见功力的地方。

这正是北京智元赛队从预赛1个提升到决赛6个的关键。赛前那几天，他们日夜磨合的，就是把“看见胶带”到“刀片切入”这段路径上的误差，一毫米一毫米地吃掉。

到底怎么理解这个精度？想象你闭上一只眼，拿一把裁纸刀，去划开贴在桌面上的一张透明胶带。你不能划到桌面，不能让刀片偏离那条看不见的线，而且每划完一刀，桌面上的灯光角度变了，下一刀的位置又不一样了。

人类做这件事靠的是触觉和经验的混合判断——手指摸到胶带边缘的那一瞬间，肌肉自动微调。机器人没有这种直觉，它只能靠视觉和力控的实时闭环，几毫秒之内完成一次判断和修正。

第四步是切割本身。刀片一旦切入胶带，就要沿着胶带走向匀速划开，力度控制要精准到“只切开胶带，不伤纸箱”。赛事规则里写得明明白白：纸箱无明显破损、物品无损坏，否则直接判无效。

这一步的难点在于，胶带在不同的位置松紧度不一样，纸箱的硬度可能也有微小变化，机器人必须实时感知切割阻力，动态调整下刀力度和角度。

最后一步是双手协同。切割完成后，机器人要两只手同时动作，把纸箱四边依次打开，取出内部物品。这一步考验的是双臂运动轨迹的时序配合——一只手撑住箱体，另一只手翻开箱盖，两边动作必须同步，否则纸箱会歪，物品会卡住。

拆得了一个箱子，不等于拆得了所有箱子

这场比赛的含金量在于，它确实证明了人形机器人能在标准化的拆箱场景下，完成全流程的双手协同精细操作。但它的边界也同样清晰。

北京智元赛队能完成6个，是因为纸箱是同一种规格，胶带贴在同一个位置，灯光亮度不变，桌面高度不变。宇树科技创始人王兴兴在同期举行的世界机器人大会上说过一句话：固定场景充分训练，机器人任务成功率接近100%；一旦物体、环境发生微小变化，性能就会大幅衰减。

同样的力控精度问题，在同一个赛场的钉钉子项目里暴露得更直白。裁判长王世龙赛后说，很多机器人把钉子斜着砸进木板，按规则不计成绩，根源就是力控程度不够，钉子没法在敲击的第一下保持垂直。

人形机器人在赛场参与钉钉子项目比拼

这是同一个问题的不同症状：精细操作的精密度，在标准环境下可以做到，但换了环境、换了材质、换了角度，立马垮掉。

硬件层面也有硬杠杠。能完成这种操作的高自由度灵巧手，单只成本超过10万元，在工业场景连续作业的环境下，实际寿命只有数周到两三个月。能跑5分钟的巅峰表现，不等于能撑住8小时的生产线节拍。

拆箱拆包这个动作，什么时候能走出赛场、走进仓库？行业里没有统一答案。王兴兴的判断是，要在陌生环境中独立完成80%的日常任务，这个节点最快2到3年，慢则需要5到10年。

分歧的根源在于，当前全行业真实机器人交互数据的累计量只有十万小时级别，远低于自动驾驶的数据规模，数据不够，模型的泛化能力就上不去。

这场拆箱赛的意义，不在于机器人已经能拆快递了，而在于它把“能拆”和“拆不了”之间的那条线，变得前所未有地清晰。0.5毫米的胶带就是那道线——跨过去，拆得了这一个箱子；跨不过去，换一个箱子就又得从头练起。