人形机器人为何这么难：一条工程神课深读

概述

2025到2026年，人形机器人是科技圈最热也最“闹剧化”的赛道：一边是Figure、特斯拉Optimus、宇树轮番刷屏的炫酷演示，一边是“演示靠遥操作”“量产跳票”的质疑。科技工程拆解频道Branch Education发布的《How Humanoid Robots Work》（人形机器人是如何工作的，标题以频道页面为准）用一条数百万播放量级的动画长课（据频道页面），把这条赛道的真实工程难度讲透了：为什么非要做成“人形”？让机器走稳路难在哪？执行器为何是命门？机器人的“大脑”和“数据”卡在什么地方？本文按视频的叙事主线展开，并结合公开工程文献补充溯源——即使你没看过视频，也能读懂；看过视频，能多懂一层。

一、视频基本信息

注：本文撰写时未能实时抓取页面数据，以上为据频道页面与公开信息的整理，精确数字请以视频页为准。这不影响本文的知识内容——工程事实均有独立文献支撑。

二、核心主张拆解：视频讲了一个怎样的工程故事

1. 为什么偏偏是“人形”——世界是为人设计的

视频开篇回答了最常见的质疑：机器狗明明更稳，为什么非要造两条腿的机器？答案不是科幻执念，而是环境兼容性。楼梯的坡度、门把手的高度、货架的间距、汽车工厂里为工人设计的工位间距——整个建成环境是以人体的身高、臂展、双足步态为参数设计的。要让机器人无缝进入人类世界，改造所有基础设施的成本远高于把机器做成人的形状。这是Figure与宝马、特斯拉把自己的Optimus先塞进自家工厂的逻辑起点：工厂是人形机器人最“友好”的第一块试验田。

2. 走路：被严重低估的百年难题

对普通人来说“会走路”不值一提，对控制工程师来说这是噩梦。视频用倒立摆类比讲清了本质：双足行走是一个持续失去平衡又不断恢复平衡的过程——你每迈出一步，都是在受控地“向前摔倒”。静止站立要解的是静力学，走路要解的是动力学，二者难度差着量级。视频按历史顺序引出两条技术路线：

• 经典模型基路线：用ZMP（零力矩点）理论+线性倒立摆模型+模型预测控制（MPC），提前算好每一步的落脚点。本田ASIMO走路的机械感、DARPA机器人挑战赛上机器人频频摔倒的画面，都源于这条路线上模型误差的累积。
• 新学习路线：让神经网络在仿真里摔几百万次，自己学会走路。波士顿动力2021年的跑酷视频、2024年电动版Atlas展示的强化学习自主作业，以及宇树机器人近年来“武功视频”里的稳定性，都是这条路线的成果。

3. 训练方式的革命：从实验室到GPU农场

视频进一步解释了新路线为什么在近几年突然成立：GPU并行仿真。2021年前后，NVIDIA Isaac Gym这类工具让一张显卡能同时模拟上万个机器人环境——过去在真实实验室里需要几年才能积累的“摔倒经验”，现在几十分钟就能灌进一个神经网络。配合“域随机化”（训练时故意随机改变摩擦力、质量、延迟等参数，让策略对现实误差天然免疫），策略从仿真迁移到真机（sim-to-real）的成功率大幅提高。这正是AI算力外溢到机器人行业的典型路径：机器人学没变，是“试错的速度”被GPU改变了。

4. 硬件命门：执行器与那双手

视频把镜头伸进关节内部，这是全片最“值钱”的段落。人形机器人的性能上限不取决于算法，而取决于执行器（电机+减速器+传感的组合）：

• 旋转关节常用谐波减速器：靠柔轮的微量弹性变形实现大减速比，体积小、精度高，但柔轮是疲劳件，也是耐用性瓶颈；
• 直线关节用行星滚柱丝杠：把旋转变成直线推力，Atlas电动版的腿部就大量使用；
• 灵巧手是珠峰：人手有20多个自由度，Shadow Hand等仿人手复刻了这一点，代价是脆弱、昂贵、难控制；视频点出特斯拉为Optimus宣称的“每只手自由度超过20”意味着什么——那几乎是在机器里重新发明一只手。
• 此外还有电池能量密度、关节可反驱性（被人撞到要能顺从让步，否则不安全）等约束，每一个都在挤压整机的设计空间。

5. 大脑：VLA模型与数据飞轮

最后一部分讲“上层建筑”：机器人怎么决定做什么？2023年谷歌RT-2论文开创了VLA（视觉-语言-动作）模型范式——把互联网级的视觉语言知识接到动作输出上，让机器人听懂“把快过期的零食挪到盘子里”这种没训练过的指令。2025年2月Figure发布的Helix系统采用“双系统”架构：慢系统（大模型）负责看懂场景、快系统（小网络）负责高频精细控制。但视频没有回避瓶颈：数据。语言模型可以吃整个互联网，机器人能吃的真机数据只有百万条量级（据Open X-Embodiment数据集论文：一百余万条轨迹、二十余种本体），于是“遥操作采集—模型改进—部署再采集”的数据飞轮，成为各家公司的核心资产和核心瓶颈。

三、知识与理论溯源

视频中每个“动画结论”背后都有真实可查的研究脉络：

• ZMP零力矩点：塞尔维亚学者Miomir Vukobratović与Juričić在20世纪60年代末至70年代初提出，至今仍是双足步态稳定的教科书基石（Wikipedia: Zero moment point）。本世纪初，Kajita等人将其与线性倒立摆结合，形成ZMP预观控制，ASIMO、HRP系列皆用此路线。
• 捕捉点（Capture Point）：Jerry Pratt等人2006年前后提出，把“机器人还能不能救回来”变成一个可计算的点，是后来步态控制器和DARPA挑战赛参赛机型的重要工具。
• 本田ASIMO：2000年亮相，源自1986年起的E/P系列原型，是“模型基”路线的巅峰与天花板；其步态僵硬恰恰证明了模型的极限。
• DARPA机器人挑战赛（2013-2015）：福岛核事故催生的比赛，决赛现场机器人摔倒成灾，是全行业公开的“打脸现场”，也让所有人看清双足操作的差距。
• 域随机化与Sim-to-Real：OpenAI的Dactyl项目（2018）用单手魔方展示了“纯仿真训练+域随机化”迁移到真机的可行性；ETH Zurich的Hutter团队与NVIDIA合作的"Learning to Walk in Minutes"（CoRL 2021）确立了GPU并行强化学习训练 quadruped/biped 的范式；DeepMind 2022年发表于Science Robotics的OP3踢球研究进一步证明了小型双足上强化学习能做出模型基方法做不到的敏捷动作。
• RT-2与Open X-Embodiment：谷歌DeepMind 2023年的RT-2确立VLA范式；同年联合全球21家机构发布Open X-Embodiment数据集，试图做机器人界的ImageNet。
• Figure Helix：2025年2月Figure公布，官方称其为“端到端”的双系统VLA，上身与手指精细控制由高频小模型驱动；2025年10月Figure发布第三代机器人Figure 03，宣布迈向家庭场景（据其官方发布）。
• 莫拉维克悖论：1980年代由Hans Moravec、Rodney Brooks等先后指出——对机器而言，推理容易、感知运动难；高等技能（下棋）反而是“容易”的。这是理解“为什么机器人不如AI聊天软件成熟”的钥匙（Wikipedia: Moravec's paradox）。

四、批判性审查：哪些是共识，哪些是话术

需要补一层视频没说的：“人形”本身也是一个商业叙事装置。人形承载了通用性想象，便于融资讲故事；但工程上，轮式底盘+双臂的构型在仓储场景可能更务实。视频拆解的是“怎么做成人形”，而“是否该做人形”是一个经济问题——两者不要混为一谈。马斯克宣称Optimus将在2026年量产数千台，这类时间表应按其历史兑现记录打折理解（据其公开口径，未经独立证实）。

五、认知提升与实用启示

1. 判断机器人公司，别看演示看“数据飞轮”。下次刷到震撼视频，先问三个问题：动作是遥操作还是自主？任务成功率和平均无故障时间是多少？真机数据以什么机制持续回流？演示是一次性快照，数据飞轮才是复利资产——这个判断框架适用于所有“AI+硬件”赛道。
2. 把仿真当成自己的低成本试验场。Isaac Lab、MuJoCo都是开源或免费可上手的工具链，一个笔记本就能让虚拟双足机器人学走路。对工程师和学生，这是进入具身智能行业门槛最低、也最贴近产业前沿的入口——这个行业缺的不是idea，是亲手调过reward函数的人。
3. 用莫拉维克悖论做技术预测的透镜。凡是“人觉得容易、机器觉得难”的领域（叠衣服、做饭、照顾老人），恰恰是大模型时代下一波攻坚的主战场，也是十年维度上最大的就业与产业变量所在。反过来，别因为“AI会写代码了”就推断“通用机器人不远了”——这两个难题的难度方向是相反的。

六、一张图看懂视频的论证结构

flowchart TD
    A[人形机器人<br>为什么值得做] --> B[世界为人设计<br>机器适配人最省]
    A --> C[莫拉维克悖论<br>越像人的越难]
    B --> D[第一难题<br>双足动态平衡]
    C --> D
    D --> E[经典路线<br>ZMP加MPC]
    D --> F[新路线<br>GPU仿真加强化学习]
    E --> G[硬件命门<br>执行器与灵巧手]
    F --> G
    G --> H[大脑与数据<br>VLA与遥操作飞轮]
    H --> I[真标准<br>成功率与无故障时间]
    H --> J[行业争议<br>演示不等于自主]
    I --> K[结论<br>通用机器人仍需十年级耐心]
    J --> K

延伸阅读

1. Boston Dynamics官方频道的电动Atlas系列（youtube.com/@BostonDynamics）——从“Forever Wild”起身演示到强化学习驱动的自主零件分拣，是视频理论在真机上的最高规格实证。
2. Figure的Helix官方公告（figure.ai/news/helix）——读懂VLA双系统架构的一手材料，与本文第五节互为印证。

参考来源

1. Branch Education频道主页 — 本文解读视频的出品频道；视频《How Humanoid Robots Work》可在站内检索直达：YouTube站内搜索入口
2. Zero moment point - Wikipedia — ZMP理论条目，双足步态稳定的理论源头
3. Moravec's paradox - Wikipedia — 莫拉维克悖论条目，“感知运动难于推理”的经典论述
4. Figure AI - Wikipedia — Figure公司、Figure 03与Helix发布的背景资料
5. ASIMO - Wikipedia — 本田ASIMO项目史，“模型基”路线巅峰的完整档案

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。