灵巧手行业正踩在一个微妙的节点上。
一方面，数字很好看。高工产业研究院的数据显示，2025 年中国灵巧手销量约 1.92 万只，同比增长 236.84%，2026 年预计冲到 7.02 万只。
另一方面，行业心照不宣的是：真正进入生产工位、按节拍干活的灵巧手，比例仍然很低。
眼下，市场走量以三指、六自由度等简单结构为主，需求大头还在科研和数据采集。
这形成了一个略显尴尬的错位，灵巧手产品越来越多，但好用和在用之间，隔着一段距离。
没有统一的 benchmark，评价一只手好不好只能靠零散的 demo 视频；寿命上，两三周的故事在圈子里传了太久，良率和一致性又让真实产线不敢轻易把工位交出去。
临界点在 10 月 29 日的 AI DAY 上，选择直面这个错位。
成立九个月，下线 15000 台，发布自研数采手套 OmniGlove Pro，现场连线绍兴卧龙的产线，让一只 OmniHand 给另一只待出厂的灵巧手做完整性能测试。
临界点想要强调两件事，一是让灵巧手学会理解物理世界，二是让它真正「站」在工位上。
前者关乎数据，后者关乎部署。如果说硬件本体是灵巧手的躯干，这两样东西更像是它迟迟没有长出来的两个灵魂。
高质量灵巧操作数据，
比手本身更稀缺
眼下，具身模型训练稀缺的，是能够还原物理交互过程的数据。
第一视角 Ego 数据采集方便、场景丰富，可以记录人类在生活和工作中的大量操作。但纯视觉很难准确还原手指与物体的接触位置，也无法直接记录施力、滑动和接触变化。
对于简单的抓取和移动，这些信息或许没有那么重要；在捏取小零件、调整工具姿态、拧紧螺丝等精细操作中，缺少触觉信息，就很难让模型真正理解手与物体之间发生了什么。
真机遥操作能够采集更贴近机器人本体的动作数据，质量相对更高，但需要专门设备、场地和操作人员，采集成本不低，也很难快速扩大规模。
行业因此面临一个现实矛盾：容易规模化的数据，精度和物理信息不足；质量更高的数据，采集成本又难以降下来。
临界点首席具身科学家黄碧丹提到，随着日常人类操作数据积累到百万小时级别，继续单纯增加数据时长，收益可能逐渐放缓。
对于灵巧操作来说，下一阶段更需要关注如何提升数据本身的精度和信息完整度，尤其是补上触觉和真实物理交互信息。
围绕这个问题，行业已经出现不同的设备路线。一类是刚性外骨骼，通过关节编码器和刚性连接获得较高的指尖定位精度；另一类则采用柔性织物手套。
临界点选择了后者。
这背后首先考虑的是采集场景。外骨骼虽然定位精度有优势，但金属或 3D 打印结构有一定重量，长时间佩戴容易影响自然操作；它的外形也与真实人手存在差异，后期还需要处理遮挡和视觉外观问题。
对于希望进入普通人的生活和工作环境、尽量不改变原有操作习惯的数据采集来说，柔软、轻便的手套显然更容易推广。
当然，织物手套也有自己的技术难点，拉伸和形变会带来定位误差。
OmniGlove Pro 采用 EMF 磁场定位与 IMU 抗干扰融合方案，并在指尖加入触觉传感器，通过触觉信息补偿细微的位置误差。其指尖定位距离精度可达 0.1 毫米，配置 746 个触觉感知点位，触觉空间分辨率为 3 毫米。
基于这款手套，临界点也提出了「真机 Ready」概念，本质上，这是一套从数据采集到真机回放的完整能力。
人戴着手套完成一项任务，数据经过处理和跨本体动作重定向，再放到机器人上回放。如果在相同场景条件下，机器人也能够完成同样的操作，才算达到了这一标准。
动作重定向也不是简单复制人手的关节角度。由于人手和机器人手的结构不同，临界点更关注操作物体最终是否达到预期状态，尽可能保留任务结果，而不是追求动作外观完全一致。
这也意味着，手套本身只是入口，后续的数据处理管线同样重要。
另一个特点是，它并不绑定某一款机器人本体。
相比需要手持专门夹持器的 UMI 采集方式，织物手套更接近一款穿戴设备，戴上就可以操作。
临界点 CEO 乔天杰说，团队已有研发人员戴着手套使用鼠标、键盘，日常办公也不需要摘下来。未来，这种形态甚至有机会通过众包方式扩大采集范围。
当然，佩戴方便只是规模化的前提，数据筛选、标注、隐私处理和跨本体适配仍有不少工作要做。
但至少在采集入口上，临界点尝试降低对专业设备和专业人员的依赖，让更多真实场景中的人类操作有机会成为数据来源。
除此之外，临界点还在设计之初考虑了手套与自家灵巧手的适配。
其灵巧手外部同样配有手套，两者尽可能保持相似的形态和触觉分布。这样采集到的数据经过处理后，用于训练自家产品时，可以减少一部分本体差异带来的适配工作。
真实场景里的部署，
才是让数据活起来的地方
数据解决的是模型如何学习，真实场景则检验学到的能力能不能落地。
活动现场，临界点通过实时连线展示了绍兴卧龙联合生产制造基地的一处测试工位：一只 OmniHand 灵巧手，正在为另一只待出厂的灵巧手完成整手性能测试。
从上料、扫码、装夹，到抓取螺丝枪拧固、启动测试设备、卸螺丝，再到下料归位，整套流程包含 72 个操作步骤，全程自主完成。
该任务成功率达到 98%，单轮作业耗时 8.5 分钟，熟练人工约需 8 分钟；设备可连续不间断作业 8 小时。
这组数据说明，灵巧手开始接受一整套生产任务的检验。
过去行业展示的大多 Demo，重点在于某个动作能不能完成；对工厂来说，抓取成功只是开始，后面还有工具操作、工序衔接、异常处理和持续运行等一系列问题。
卧龙工位中，难度最高的是螺丝锁固。螺丝本身存在毫米级晃动公差，螺丝枪自重、线缆牵拉和拧紧时的反冲力叠加在一起，都可能让握持姿态发生偏移。
现场还主动设置了几类干扰，包括推动机械臂造成枪身偏移、调整工装底座改变螺丝孔位，以及改变光照条件。
展示结果显示，机器人能够通过视觉和触觉反馈进行纠偏；遇到拧入失败，也可以识别异常、回溯工序并重新对位。
支撑这套能力的，是底层操作技能与整体任务调度的配合。
真机强化学习负责打磨螺丝锁固等单步技能，减少反复试探和修正；Omni-Maestro 工业部署态智能体框架则负责工序调度、状态判断和异常回溯，把多个动作组织成完整任务。
临界点披露，经过真机强化学习后，相关操作速度较遥操作提升了 2 至 3 倍。
这也让灵巧手与夹爪的分工变得更加具体。
经过几十年发展，夹爪已经覆盖了大量确定性较强的抓取任务，灵巧手更适合补足夹爪难以完成的复杂操作。
尤其在一条完整生产流程中，可能大部分步骤都能用夹爪完成，但只要有几个环节需要多指协同、调整握持姿态或操作工具，灵巧手就有介入的必要。
因此，临界点没有把所有筹码押在高自由度产品上，而是采取高中低自由度分层推进的策略。
高自由度灵巧手动作空间更丰富，但可靠性和维护成本仍需继续验证；中低自由度产品则可以先进入任务边界相对清晰、夹爪难以覆盖的工序，逐步积累部署经验。
与此同时，真实场景也在反过来推动硬件迭代。
乔天杰表示，临界点灵巧手刚装上整机时，故障率一度接近 10%，经过持续优化，目前已降至 0.5% 以下。
截至 2026 年 10 月，临界点披露的灵巧手累计量产突破 1.5 万台。
量产规模有助于供应链稳定、制造工艺成熟和成本下降，但量产并不等于同等数量的产品都已进入真实场景。
真正跨过部署门槛，还要看产品能否在不同工况下长期稳定运行，以及维护成本能否进入客户可接受的范围。
灵巧手要形神兼备，数据与应用才能形成真正的飞轮
从数采手套到卧龙产线，临界点这次展示的其实是一条更完整的产品思路：灵巧手要继续向前，既需要成熟的硬件，也需要算法和真实应用带来的持续迭代。
先看「形」，也就是硬件本体。
过去一年，灵巧手在自由度、驱动方式、触觉布局和结构设计上不断推新，但直驱、绳驱和连杆仍各有适用场景，暂时没有哪条路线能够在精度、可靠性、成本和维护便利性上全面胜出。
接下来的硬件竞争，重点也会从参数堆叠转向综合表现：能不能稳定工作，出了问题是否容易维护，成本能否随着规模下降。
再看「神」，一方面是软件算法。
灵巧手是典型的软硬耦合产品，硬件决定动作空间，算法则决定手指如何协同、如何感知接触，以及在物体滑动或受到扰动时如何调整。
通用大模型可以理解任务指令，却还不能独立解决多指协同和触觉闭环控制。临界点提出的 DUET 2.0 双层具身接触智能架构，正是希望先建立底层的接触操作能力，再让上层模型调用。
另一方面，「神」也来自真实应用。
每一次部署都会暴露新的问题：哪种姿态容易失稳，什么工具更难握持，哪些接触区域需要更精细的触觉反馈。
这些数据回流后，可以用于模型训练，也能反过来指导传感器布局、结构设计和控制算法。
产品越成熟，能够进入的场景就越多；场景越多，积累的数据也越丰富。
这也是临界点希望形成的数据-模型-部署飞轮。
稳定量产提供硬件基础，OmniGlove Pro 拓宽高质量数据来源，卧龙工位则提供真实任务验证。
三者连接起来，才有机会让硬件、算法和应用相互推动。
当然，灵巧手距离大规模、低成本、长期稳定地进入真实生产，还有不少问题要解决。手套能否实现广泛采集，数据能否跨本体复用，产线 POC 能否扩展到更多工序，都需要后续验证。
但行业的竞争重点已经转移：过去大家讨论一只手有多少自由度、能不能完成某个精彩动作；接下来，考验的会是它能不能在真实环境里持续工作，又能否通过数据和算法不断变得更好。
硬件决定灵巧手能做到什么，数据和算法决定它能学会什么，真实应用则决定这些能力能否持续积累。
对于临界点来说，1.5 万台量产是一个阶段性节点，接下来真正需要跑通的，是让数据、算法和部署持续转起来。
