【产业观察】估值140亿美元的Skild AI，为什么会参与一台人形机器人的“身体研究”？

来源：市场资讯

（来源：机器人全球资讯）

一篇海外论文，把Bridge背后的两位CMU教授带到了台前

做机器人“大脑”的人，开始研究身体怎么长了

Skild AI两位创始人参与Bridge研究，人形机器人开始“脑体共研”

最近，一篇关于人形机器人的论文出现在海外机器人研究圈。

题目很学术，不算抓眼球——《BRIDGE: An Open-Source Humanoid Platform via Morphology–Control Co-Design for Physical AI》。

但论文研究的问题很有意思，不是机器人能跑多快，也不是关节力矩还能堆到多少，而是：如果未来机器人主要靠AI学习，那么我们现在造机器人的方式，是不是从一开始就错了一半？

这项研究最终落在了元点机器人的人形本体Bridge上。更有意思的是，据项目资料，参与Bridge本体技术路线研究的人员中，包括Skild AI两位联合创始人、来自卡内基梅隆大学的Abhinav Gupta和Deepak Pathak。两个人长期研究的核心问题，都是如何让机器人从数据和真实世界经验中学习，并把能力泛化到新的环境、新的任务甚至不同形态的机器人上。

Skild AI如今是全球机器人AI最受关注的公司之一，估值约140亿美元，背后包括软银、英伟达等资本。Skild想做的是一个可以跨机器人、跨任务工作的通用"机器人脑"。

这个阵容，放在当下的Physical AI圈里相当值得一看。

为什么一群研究机器人“大脑”的人，会参与研究一台机器人应该怎么长？

其实也不难理解，因为当机器人“大脑”开始追求通用性之后，一个问题越来越绕不过去：大脑能不能学得好，有时并不只取决于模型，也取决于它被装进了怎样的身体。

01 Bridge把“造身体”的顺序倒了过来

现在的人形机器人行业，很容易理解成两条竞赛。

一条拼身体：更大扭矩、更快速度、更多自由度、更难的动作。

另一条拼大脑：VLA、世界模型、强化学习、通用机器人基础模型。

大家各自往上堆。Bridge背后的研究提出了另一个问题：如果身体和大脑最终必须一起工作，那么为什么要先把身体完全造死，再逼着算法去适应？

传统人形机器人的机械结构，通常先由自由度、结构强度、成本、制造等条件决定，控制算法随后再适配这副固定本体。

Bridge不再把身体当成算法必须接受的既定条件，而是把本体形态本身也变成一个可验证、可优化的变量：先看人的动作能否自然映射到不同身体结构，再让控制策略真正跑起来，用动态表现反过来筛选形态，甚至决定执行器该怎么选。

腰部设计是一个很典型的例子。小型机器人内部空间有限，腰部自由度必须做取舍。过去可能更多由结构工程师根据机械经验做决定，而Bridge的研究会把不同方案分别放进人类动作重定向和控制策略训练里，用最后的动态跟踪结果反过来筛选身体结构。

换句话说：过去是身体造完，AI来适应身体；Bridge则让AI的表现也开始反过来参与身体的定义。

论文还进一步设计了运动学与动力学两个维度的human-likeness指标，用来比较不同本体对人类动作数据的适配程度。在论文选取的对照平台中，Bridge在这套评价体系下获得了更高的综合human-likeness表现。

比“谁赢了一个benchmark”更重要的是，一个过去很少被量化的问题，开始进入人形机器人的核心设计环节：什么样的身体，才更适合成为AI的身体？

02 参数决定下限，路线决定上限

机器人行业今天当然还要拼硬件。Bridge也没有绕开这一关。

88cm、约13kg的本体里，元点依然做了自研高性能关节模组，关节模组整体减重约15%，峰值转矩密度相比传统永磁直流无刷电机提升约20%，转矩控制精度≤3%，最终才能支撑小跑、舞蹈、后空翻等高动态动作。

Bridge有意思的地方是，它没有把竞争停在参数上。这有点像智能手机竞争早期：2013年前后，Galaxy S4、Nexus 5等普遍已经用上2GB RAM和四核处理器，同期iPhone 5s仍然只有1GB RAM和双核A7。

苹果后来建立优势，并不是因为硬件参数不重要，而是把芯片、操作系统、内存管理和硬件组合放进一套系统里协同优化。

参数决定下限，真正决定上限的，是这些参数被放进了怎样一套系统里。

Bridge也有类似的意思。它并不是不卷性能，而是同时在做另一件事：高性能本体继续往上推，AI和本体之间的关系也从设计第一天开始重新梳理。

一只关节能输出多大扭矩是一道题。

什么样的整副身体最适合未来的数据、模型和控制，又是另一道更大的题。

这也解释了为什么Deepak Pathak会出现在Bridge的研究里。

今年NVIDIA推出Isaac GR00T开放人形机器人参考平台时，Pathak就公开谈到过类似的问题：要推动通用机器人研究，研究者不仅需要更强的模型，也需要足够有能力、同时更容易获得的机器人平台，才能更快把算法从论文和仿真带到真实世界。

Bridge解决的是相近的问题，只是它把问题又往本体设计前端推了一步：身体不仅要承载AI，也要从一开始就考虑未来的数据、学习和控制。

身体比例、自由度分配、关节能力，都会影响人类动作数据如何映射，以及控制策略最终如何落到真实世界。

这也意味着，Physical AI未来的竞争很难再简单拆成“谁的大脑更聪明”和“谁的本体更强”。真正拉开差距的，可能是谁能更早把身体、数据、控制和模型放进同一个闭环。

机器人不是先有一副身体，再装进AI；下一代Physical AI，可能从身体怎么长的那一刻就已经开始了。

03 这种“较真”，可能才是元点真正的技术基因

元点为什么会选择这样一条明显更麻烦的路线？

做一台88cm、约13kg的小型人形机器人，本身已经需要解决关节、结构、运动控制、散热、成本等一长串工程问题。更直接的做法，是先把本体性能做到足够强，再让算法去适应已经成型的身体。

但元点偏偏又往前多追问了一层：身体比例是不是更适合学习？自由度为什么一定这样分配？真实的人类动作数据，能不能反过来影响机械设计？硬件、控制和AI，为什么一定要等到后面再汇合？

这种习惯不是把一个指标做到极致，而是总想把问题再往底层多问一层。

这种“多问一个为什么”的倾向，其实也能从元点创始人郭人杰的经历里找到一些线索。

郭人杰15岁进入西安交通大学少年班，后来又长期参与消费机器人产品和规模化业务。在元点，他选择直接搭起一套覆盖结构设计、关节驱动、运动控制到具身认知的全栈研发体系。

Bridge很像这种技术取向最终长出来的一台产品。它当然要有一副能跑、能跳、能完成高动态动作的身体，但元点显然不满足于把“性能强”当作终点。

它还要继续追问：这是不是一副真正为AI准备好的身体？

当别人还在把性能和智能当成两张不同的成绩单，Bridge试图从设计第一天开始，就把两件事放到同一道题里。

元点真正想拉开的，可能是一种更深的技术差距：下一代人形机器人的性能与智能，本来就不该是两道题。