随着具身智能不断升温，高质量的操作数据正在成为机器人领域最稀缺的资源之一——甚至可以说是最值钱的“燃料”。过去几年，行业尝试了各种获取方式：有人通过遥操作控制机械臂完成简单动作；有人穿戴整套设备记录人类行为；还有企业投入巨资组织大规模数据采集，在真实环境中拍摄人与物体的每一次交互。
但这些方法的成本都高得惊人，覆盖的场景也相当有限，更难的是长期可持续地产生数据。比如穿戴式采集，设备本身的舒适度和用户配合度就是一道坎——很多参与者反馈，戴上那些传感器后，很难保持自然状态做完整天的日常活动。于是，一家叫PSYONIC的美国仿生手公司，把目光投向了一个几乎被整个行业忽略的数据源头：那些失去“手”的截肢患者。
目前，大约有300名截肢者在日常生活中使用PSYONIC的产品“Ability Hand”。这只仿生手内置压力传感器和振动反馈系统——当佩戴者触碰物体时，能通过振动感知接触情况并实时调整握力。他们洗碗、叠衣服、开门、甚至掷球的时候，手上的传感器就在持续记录接触点的位置、握力大小、手指运动速度和力矩分布等信息。换句话说，这些用户每天都在“免费”为机器人收集最真实的物理交互数据。
（来源：PSYONIC）
跟专门的数据采集项目比起来，截肢用户的数据有独特的优势：他们完成的是真实的日常生活任务——吃饭、穿衣、做家务，这些长尾场景远远超出实验室能模拟的范围。而跟遥操作系统相比，他们的数据天然包含了感知、接触、反馈与动作调整的完整闭环。PSYONIC的设想很简单：让同一只Ability Hand既作为假肢供人使用，也安装在工业机器人的手臂上——两边共享硬件架构和数据格式，从而把人类在真实环境中积累的操控经验直接迁移给机器人。
“真实到真实”：跳过仿真中间层
PSYONIC把这套方法称为“真实到真实迁移”，跟机器人领域更流行的“仿真到真实迁移”形成了鲜明对比。后者在虚拟环境里训练策略再迁移到物理世界，中间往往伴随着不小的性能折损；前者则直接从一套真实物理场景（人的日常生活）跳到另一套真实物理场景（工厂产线），直接把仿真那层给绕过了。
PSYONIC创始人兼CEO Aadeel Akhtar博士（神经科学与电气工程背景，长期研究低成本仿生假肢）解释了为什么假肢数据比现有训练方式更有价值。他说，遥操作和视频分析获取的大多只是位置信息。“你抓一个咖啡杯的时候，手指放在哪里其实不是最重要的。我们的人类用户清楚知道该对物体施加多大压力，因为他们能通过手感受到触觉传感器的反馈。”当这些触觉数据与多模态视觉信息（比如Meta Ray-Ban智能眼镜拍摄的画面）同步后，就能获得物体操控的完整要素：包括压力、手指速度和维持稳定抓握所需的力矩。“如果你拿着一颗树莓，这些信息能够帮助你不把它捏碎。”
（来源：A3 Association）
不过，仿真并没有被抛弃。就在2026年3月的NVIDIA GTC大会上，PSYONIC宣布Ability Hand已作为原生资产集成进NVIDIA Isaac Lab——一个用于机器人学习的开源框架，成为首款被直接集成进该平台的商用灵巧手。公司同时宣布与NVIDIA合作，利用Isaac Lab和GR00T平台训练VLA模型和世界模型。Akhtar提到一个关键发现：如果拥有高质量的多模态数据，模型所需的数据总量会显著下降，远少于纯粹依赖遥操作或视频分析的情况。真实到真实迁移与仿真训练形成闭环：Isaac Lab里做策略仿真开发，物理硬件上部署验证，真实世界中通过人类用户采集数据，再反馈回系统改进训练。
市场上速度最快的灵巧手？
Ability Hand本身的技术架构也值得一提。它采用肌电控制，通过检测残肢肌肉的电信号驱动手指运动；手指采用柔顺机构设计，能自然贴合不规则和可变形物体表面；内置压力传感器提供触觉感知，振动反馈系统将触觉信息实时传递给用户。PSYONIC称其为市场上速度最快的灵巧手，也是第一款能向用户提供触觉反馈的假肢手，产品已获FDA批准并纳入美国医保覆盖。据相关媒体报道，约90家机构在使用PSYONIC技术，包括NASA和Google。Akhtar透露，Meta也是他们产品的早期购买者。尽管这家公司一开始是从假肢产品起步，但物理AI的爆发让公司重心在过去一年内从假肢侧翻转到了机器人侧。
（来源：PSYONIC）
在机器人形态适配方面，PSYONIC表示没有把自己限定在单一平台。Akhtar指出，Ability Hand的设计意图是跨平台兼容：从协作机器人、工业自动化设备到轮式足式机器人和人形机器人。GTC展示的演示视频中，同一只Ability Hand先由人类用户佩戴完成精密移液管操作，再分别装到工业机械臂、四足机器狗和人形机器人上执行相同任务。公司规模也在快速膨胀：三年前只有7人，目前已扩展到50人，计划在未来一年半内将团队规模扩大近三倍。
同一只手，装在人类身上，也装在机器人身上
就在6月，PSYONIC还迎来了一次重量级的工业落地：与ABB Robotics达成合作，将Ability Hand装配到ABB的协作机器人GoFa上，探索如何将假肢用户产生的触觉和运动数据转化为机器人执行精细任务的能力。ABB Robotics总裁Marc Segura在最新声明中表示，人类对如何操控不同物体的本能理解，是工业机器人最难复制的能力之一，也是实现真正自主通用机器人的关键。ABB Robotics目前拥有约7000名员工，2025年被ABB集团出售给软银集团后，仍在持续推进其“自主通用机器人”战略，即让机器人具备感知、推理、运动和自主操控物体的能力。
在这套体系中，GoFa更像一个精密的验证平台。这款协作机器人具备较高的定位精度和重复精度，能够对握力、手指位置和运动轨迹进行量化测量和反复执行。当人类用户产生的操控数据被转化为机器人动作策略后，GoFa可以在工业环境中持续验证这些策略是否足够稳定和可靠。PSYONIC创始人兼CEO Aadeel Akhtar表示，他们希望把GoFa当作一个试验场，展示如何将人类用户的数据转化为机器人完成真实任务的能力。
图｜GOFA 协作机器人配合 PSYONIC 的灵巧手（来源：ABB）
具体场景方面，Akhtar透露初期重点在汽车制造和仓储物流中的拣选放置任务，另一个重要方向是生命科学领域的实验室自动化，例如操作烧杯和试管。航空航天、包装等行业也在考虑范围内。他表示，公司正在评估如何在6到12个月内达到99%以上的操作可靠性。与此同时，PSYONIC还在推进另一条技术线：与加利福尼亚大学圣迭戈分校和圣迭戈海军医学中心合作，依托美国军方拨款，开发可直接与用户肌肉、骨骼和神经连接的新一代设备，实现单根手指独立控制和更接近真实触感的感觉反馈。假肢线让仿生手更像真手，机器人线让机械臂更像人手——两条线产生的数据和技术互相促进。
300人的数据够不够用？
不过，PSYONIC的这套方案也存在几个现实层面的局限性，值得冷静审视。
首先是数据规模。300名用户，放在假肢行业里确实算一个不错的装机量，但放在AI训练的语境下，这个数字就显得有些单薄了。主流的机器人操控模型动辄需要数十万乃至数百万条轨迹数据，300人的日常生活能覆盖多少种物体、多少种抓取姿态、多少种力度组合？PSYONIC强调其数据质量优于遥操作数据，但“质量换数量”的边界到底在哪里，公司尚未公布任何系统性的对比实验结果。既没有与纯仿真训练的消融实验，也没有与大规模遥操作数据集的性能基准对比。
其次是场景迁移的鸿沟。截肢患者在家洗碗、叠衣服产生的操控数据，和工厂里在汽车引擎上使用扭矩扳手、在实验室里移液，是完全不同的力学分布和操作精度要求。数据域之间的分布偏移是迁移学习中最经典的难题之一，PSYONIC的“真实到真实”路线能在多大程度上回避这个问题，目前没有公开数据可以判断。
最后是可靠性门槛。Akhtar提出6到12个月内达到99%以上的操作可靠性。这个数字在实验室演示中或许够用，但在工业部署中，尤其是汽车装配线或生命科学实验室，行业通常要求的是99.9%甚至更高的一致性。1%的失败率意味着每100次抓取就有一次掉落、误操作或损坏工件——对于高价值零部件或生物样本来说，这个代价不低。Akhtar自己也承认这一指标仍处于评估阶段。
参考来源：
1. https://polsky.uchicago.edu/2024/08/20/psyonic-racks-of-accolades-as-its-bionic-hand-prepares-for-a-nationwide-launch/
2. https://www.therobotreport.com/psyonic-abb-robotics-partner-apply-human-touch-data-robot-dexterity/
3. https://www.psyonic.io/news/press-release-psyonic-amp-nvidia-officially-announce-collaboration-at-nvidia-gtc/
4. https://www.nbcsandiego.com/news/local/san-diego-startup-brings-bionic-hands-to-factory-robots/
