机器人打拳的流畅度为何能超越人类

机器人打拳的流畅度为何能超越人类

AI智识局

2026年8月，北京国家速滑馆的擂台上，两台人形机器人正在对打。

两台人形机器人在搏击擂台上正准备展开对抗

一台突然做出扫腿动作，另一台被击中后迅速失衡——但接下来发生的事，让在场的技术代表吃了一惊：它没有像去年那样僵硬地倒下，而是像被什么看不见的力托住似的，在不到一秒内重新找回重心，紧接着打出一套组合拳。

整个过程没有停顿、没有卡壳，动作之间的衔接，比人类选手的常规表现还要流畅。

这不是某一台机器人的偶然超常发挥。武术项目比赛结束后，赛事武术项目技术代表、清华大学副教授张继东明确表示，今年机器人在拟人性、平衡性、流畅性方面都表现得非常好。

人形机器人运动会赛场内观众坐满赛事氛围热烈

而就在一年前，同样的项目还只是表演赛，参赛机器人基本靠人工遥控，连自主完成一个连贯动作都困难。

从僵硬到流畅，这一年到底发生了什么？

全自主规则的倒逼，是整件事的起点

理解这个变化，关键不在于机器人本身，而在于比赛规则变了。

今年的自由搏击项目，首次从表演赛升格为正式竞技赛项。

核心变化有两条：第一，全程取消人工遥控，要求机器人完全自主完成对抗；第二，采用高度还原真人擂台的计分体系——有效击打头部、躯干、大腿等部位得1分，扫腿等高难度腿法得3分，击倒对手后对方10秒内爬不起来直接判赢。

这个规则变化，直接改变了各参赛队伍的技术策略。去年，机器人只要在遥控下完成几个预设动作就能过关，没人关心动作之间是否连贯。今年要赢比赛，必须让机器人自己完成从感知对手位置、决定出什么拳、调动全身关节、到打完一套连招后迅速恢复防守姿态的完整闭环。

这就好比，以前是有人扶着自行车让你蹬两圈，现在突然要求你松开手、自己骑，还要在骑行过程中躲避障碍物。规则变了，逼着各队必须针对“全自主对抗”这个场景，从头调试机器人的控制参数。

而赛事本身也提供了技术底座。场馆部署了5G-A加全光Wi-Fi专网，端到端时延控制在30毫秒以内，机器人的视觉传感器采集到的对手动作信息，几乎可以无延迟地传到运控系统。

全身关节协同，才是流畅的真正密码

规则通了，网络通了，还是解释不了为什么机器人能打出流畅的连招。这需要理解一个更深层的东西：机器人是怎么协调全身几十个关节的。

一个直观的类比是：你打篮球时接住一个高速传球，身体不是事先计算好每个关节的角度再执行，而是手腕、手肘、肩膀、膝盖同时感知到球的冲击力，瞬间分散到全身，靠肌肉的弹性自动把冲击卸掉。这种“全身一次性反应”的能力，人类天生就有，但机器人需要刻意设计。

今年参赛机器人的做法是，用全身扭矩分配算法替代了传统的“位置控制”模式。传统模式下，机器人每个关节按预设角度转动，配合僵化，一旦被击中产生失衡力矩，就只能等核心计算完“哪里出了问题”再调整——这时候它已经摔倒了。

新算法则是让每个关节实时感知自己承受的力，把击打、失衡产生的受力动态分摊到脚踝、膝盖、腰、手臂全部关节，一次冲击被全身同时吸收，而不是集中在某个关节过载折损。

这还没完。分摊完冲击力之后，机器人还要在毫秒级的窗口内完成下一个动作。

以本届比赛中完成高难度武术动作的智元远征A3为例，其搭载的高性能关节瞬时峰值功率可达12千瓦，在腾空飞脚接外摆连450度转体的过程中，控制系统要在腾空的极短时间里持续校准躯干和四肢的协同角度，落地瞬间再快速缓冲冲击、修正重心，直接以马步姿态定型，中间没有停顿等待。

人形机器人对抗时出腿完成高难度击打动作

把这件事翻译成普通人能懂的版本：传统机器人像用键盘打字，每个字母之间必须抬手指、确认位置、再按下；今年这批机器人则像熟练的钢琴手，手指在琴键上连续滑过，每个音之间的过渡不是“抬起来再按下去”，而是“上一个音还没完全消失，下一个音已经开始了”。

大小脑一体化，把“想”和“做”之间那堵墙拆了

还有一个关键环节，解释了为什么动作切换能做到无缝衔接。

机器人的控制系统可以粗略分为“大脑”和“小脑”：大脑负责感知环境、做出决策（“对手在出左拳，我应该躲开”），小脑负责把决策翻译成几十个关节的具体运动指令（“左脚后撤多少厘米，腰转多少度，肩膀怎么压”）。

在传统架构里，大脑和小脑是分开的，中间有信息传递延迟，决策做好了，身体还没跟上，在快速对抗中就是致命的卡顿。

今年参赛机器人用的大小脑一体化端到端神经网络，本质上就是把“想”和“做”之间的那堵墙拆了。轨迹规划和关节运动在同一个模型里直接咬合，没有中间翻译步骤，动作切换过程就是一次连续的状态过渡，而不是“先停下来算完，再启动”。

这个模式，很像乒乓球运动员的肌肉记忆。球飞过来时，你根本没时间在脑子里过一遍“我应该用正手、拍面倾斜多少度、身体重心移到哪条腿”——在你意识到之前，身体已经完成了整套动作。

机器人现在做的，就是用神经网络把这种“感知即执行”的闭环训练出来，只不过它不是靠十年集训，而是靠强化学习在海量仿真环境中试错数百万次后，自主收敛到最优的动作组合。

那为什么去年做不到？因为去年的机器人大多依赖工程师手工规划关节轨迹，再通过精密伺服系统逐帧还原。这种方式的致命缺陷是环境适应性极弱：地面摩擦系数稍微变一点，或者对手做了训练数据里没见过的动作，系统就卡壳了。

今年用强化学习框架训练的机器人，好处是不需要人工预设每个动作的具体角度，只需要设定终极目标——“在最短时间内有效击倒对手且保持平衡”，算法自己在虚拟环境中摸索出最优解。

但这件事，有明确的边界

到这里，看起来很完美。但有一个事实必须说清楚：宇树科技也参加了这届运动会的自由搏击项目，却没有实现同等流畅度。核心原因很简单——他们没针对搏击场景做专项优化。

这恰恰说明，当前的流畅表现不是通用技术进步带来的自然结果，而是规则变化触发专项调试后的临时成果。

这引出行业里最大的分歧点：这种在固定标准化赛场里练出来的“流畅”，到底有没有通用价值？宇树科技创始人王兴兴的判断很直接——当前所有具身模型在固定场景充分训练后，任务成功率接近百分百；一旦环境出现微小变化，性能就会大幅衰减。

多台人形机器人在足球赛场跑动向足球靠近

换句话说，把机器人从标准擂台挪到一场真实的街头斗殴，它可能连站都站不稳。

更底层的限制在于感知到执行的延迟瓶颈。有业内专家指出，目前机器人传感器数据转化为动作指令的耗时通常为0.2到1秒，而人类神经反射时间约为0.1到0.3秒。

这意味着，即使今年的机器人能在标准对抗中打出流畅连招，一旦面对高频率、高随机性的专业搏击选手，底层硬件延迟的差距就会暴露出来，流畅性无法维持。

所以，回到最初的问题：机器人打拳的流畅度为什么能超越人类？答案是，在规则约束足够强、环境足够标准、对手足够可预测的特定场景下，通过专项算法调试，机器人的动作连贯性可以达到甚至超过人类常规水平。

但这不是一次通用能力的突破，而是一次“命题作文”的完美答卷——换一个题目，机器人交出来的是白卷。