8 分 30 秒对 8 分钟：临界点用 72 步、98% 和一只手套，把灵巧手的账算到了秒
一台灵巧手在卧龙希尔工厂打 72 步螺丝要 8 分 30 秒，人工约 8 分钟。差 30 秒，看起来是 6%，但如果 98% 指的是单个动作的成功率，72 步串起来只有 23%。这个差别决定了「部署态」到底是不是已经到来。
- 主体：临界点是智元 2026 年年初把灵巧手业务拆分后成立的独立子公司，2026-01-14 注册，团队从 11 人扩到 94 人（288 天），截至 10 月灵巧手累计出货超 1.5 万台。
- 一个对照数：2025 年国内全年灵巧手出货量仅 1.92 万台——一家公司 10 个月做到了去年全国全年的近八成。
- 数据手套：OmniGlove 单手触点 746 个，位姿与触觉输出率 125Hz，平均定位误差 0.66mm，比行业平均水平低 78%；判定数据质量的标准是「能否在真机上成功回放」。
- 架构：DUET 双层接触智能——上层管「先做什么、手往哪走」，下层管「碰到之后用多大力、怎么调」，两层可协同也可拆开迭代。
- 现场成绩（厂商口径）：卧龙希尔工厂「灵巧手造灵巧手」产线，72 步测试流程由一只灵巧手加一个机械臂完成，亚毫米级对位成功率 98%，最快 8 分 30 秒，人工约 8 分钟。
- 算一下：8 分 30 秒比 8 分钟慢 6.25%；但若 98% 是单个动作级成功率，72 步串联的综合通过率约为 23.4%——同一组数字能推出两个完全不同量级的结论，取决于分母。
先看一个数：8 分 30 秒。
这是临界点的灵巧手在卧龙希尔工厂完成一次「灵巧手整手性能测试」的最快时间。同一道工序，人工约 8 分钟。
差 30 秒。折成百分比是 6.25%——看起来已经很接近了，接近到可以说「节拍追平人工」。
但同一段话里还有另一个数：98%。这两个数放在一起，才是这篇报道真正值得读的地方。
卧龙希尔这条线做的事有点特别——「灵巧手造灵巧手」。待测的灵巧手要被拿起、扫码、装上测试工装、打螺丝、操作面板，合计 72 步，全部由一只灵巧手加一个机械臂完成。
72 步意味着 72 个可能失败的节点。如果 98% 指的是单个动作的成功率，那么 72 步全通的概率是 0.98 的 72 次方，约 23.4%。也就是说，四次里只有不到一次能从头走到尾。
如果 98% 指的是整单任务的成功率，那么 72 步里平均只有一步半出错，节拍差 6%，这个成绩已经是工业级门槛附近。
报道没有说明 98% 的统计颗粒度。这是一个必须被指出来的空缺，因为两种读法差了一个数量级。
报道里其实给了判断真实水平的另一条线索：临界点团队在把实验室成果复刻到珠海长隆度假区现场时，遇到了「光照等实验室环境中并不存在的变量」。这句话说明他们的部署方式不是「一次调通、批量复制」，而是「每个现场重新收一遍长尾」。
临界点的答案是 DUET 双层具身接触智能架构。
决定先做什么、手往哪个方向走、先抓哪里后放哪里。处理的是任务序列与运动规划，节拍以秒计。
处理真正碰到物体之后的力度、触觉反馈与实时调整。反应窗口在毫秒级，判据是「有没有滑、滑了多少」。
这个拆法的价值在于两层可以分开迭代。上层出错，是规划错；下层出错，是控制错。合在一起调，永远分不清是谁的锅；拆开之后，各自有各自的评测集。
报道用折气球小狗演示这套分工：气球柔软、光滑又脆弱，抓松了会滑，抓紧了会挤爆。机器人既要知道下一步往哪里折（上层），也要随时知道手里气球的状态（下层）。只知道步骤，掌握不好力度，折不出一只气球小狗。
反过来，工厂里打螺丝则把两层同时逼到极限。报道列了三个难点：对孔是亚毫米级精度，批头错 1 毫米就失败；现场用可重复使用的防脱螺丝，挂在孔里能晃出毫米级位移；螺丝枪又大又重，拧紧还有反冲力，手的位置差 1 毫米，末端批头就偏 3–4 毫米。
1 毫米的输入误差放大成 3–4 毫米的输出误差，这是杠杆效应。人手能处理，是因为人有本体感觉和指尖触觉，能实时补偿；机械臂要处理，就必须靠高频触觉反馈。
临界点模型算法总监吴铭东给了一句很关键的方法论：「模仿学习学的是动作，强化学习优化的是结果。」他们的做法是基于真机强化学习，围绕对孔和拧紧的「结果」改策略，而不是把示教里那些犹豫、试探的动作也一起学进去。
要让下层控制起作用，先得有触觉数据。而触觉数据恰恰是摄像机能拍到、但拍不出来的那一层：手指什么时候开始发力、杯子有没有轻微滑动、皮肤怎么贴住表面，这些信息在视频里是看不见的。
临界点为此做了 OmniGlove 遥操数采一体手套。三个参数：单手触点 746 个，位姿与触觉输出率 125Hz，平均定位误差 0.66mm，比行业平均水平低 78%。
还有一个工程细节值得记：手套用的是电磁定位，而金属环境会产生电磁干扰。报道描述了一个「铁桶演示」——不开融合抗磁功能时，把手伸进铁桶，位姿解算明显畸变；开启后跟踪效果明显改善。
这个演示的意义不在铁桶，在于它暴露了一个常被忽略的事实：遥操作设备在实验室里表现良好，一进车间就会被金属结构、电机、变频器干扰。凡是没做抗磁设计的数采设备，进工厂的第一天就会失效。
更关键的是数据质量的判定标准。临界点首席具身科学家黄碧丹把真机遥操数据采集里的回放检验标准延伸了过来：能否在真机上成功回放，是检验操作数据质量的「金标准」。基于这条标准，他们把 OmniGlove 称为行业首个「真机 Ready」数采手套。
临界点成立于 2026 年 1 月 14 日，当时团队 11 人，桌上三台灵巧手样机。288 天后，团队 94 人，累计出货超 1.5 万台。
15000 除以 288，平均每天 52 台。
对照数更刺眼：2025 年国内全年灵巧手出货量仅 1.92 万台。也就是说，一家 2026 年才成立的公司，用了不到十个月，做到了去年全国全年的约 78%。
这个增速不能直接读成「市场爆发」。一个更保守的解释是：临界点的出货里，有相当一部分流向了母公司智元自己的整机。这不是水分，是产业链内部配套——灵巧手拆出来独立运营，本来就是为了同时服务内部和外部。
判断：真正的观察点不是 1.5 万台，而是这 1.5 万台里有多少流向了非智元的客户。如果外部占比过半，说明它已经是一家独立的零部件公司；如果大部分是内部配套，那它现在还只是一个成本中心被会计主体化。报道没有披露这个拆分。
报道里有一段最反直觉的自述：在 2026 世界人形机器人运动会上，临界点的灵巧手参加了 8 个赛项，拿了 7 金 4 银 3 铜。但黄碧丹坦言，为了保证成功率，团队没有使用大模型，靠的是小模型反复迭代与工程调优。
现场条件是：灯光杂乱、人员来回走动、部署时间只有十分钟。在这种情况下用大模型驱动灵巧手「显然不现实」，感知怎么调、路径怎么选、现场问题怎么补，全由工程师逐个处理。
他们还做过一个对照实验：让搭载大模型的机器人把桌上的红色小盒子放进大盒子，在提供本体配置、标定文件、抓取指导之后，多次尝试可以把任务完成。难度升一级——先拿起镊子，再把豆子一颗颗夹到另一个碗里，多次尝试后仍以失败告终。
从盒子到镊子，只换了一个工具，机器人就要重新面对指间协同、抓握稳定、精细施力三个问题。
黄碧丹的结论是：「AI 大模型 + 机器人 = 具身智能」这个公式不成立。模型知道杯子是什么，却未必知道它正在滑落；能说出使用镊子的步骤，却未必能让手指恰到好处地合拢。
第一，看 98% 的分母什么时候被公开。这是判断「部署态是否真的到来」最直接的一把尺。
第二，看珠海长隆那条线跑满一个季度后的数据。报道说从 9 月底到现在已经常态化部署一个月，游客场景的好处是任务种类相对固定、失败代价低，坏处是人流不可控。一个季度之后如果还在跑，说明系统能扛住长尾。
第三，看 1.5 万台里外部客户的比例。这个数字决定它是零部件公司还是配套车间。
第四，看节拍。8 分 30 秒对 8 分钟这 30 秒，如果能压到 7 分钟以内，灵巧手才算真正跨过「比人贵」这条线。在那之前，所有的部署都是试点经济学。
灵巧手这个行业过去十年都在回答「能不能做出来」。2026 年开始，问题换成了「做出来之后，一个工位要投多少工程师」。后一个问题的答案，决定了前一个问题的价值。