机器人缺的不是脑子是数据：Reward AI 亮出 Omnibody Hand

机器人学一项新技能，最缺的往往不是算法，而是数据。Reward AI 公开的 Omnibody Hand 干的就是这件事：它是一只用来采集人类操作演示的实体设备，人拿着或戴着它做动作，产生的数据被喂进公司的 OM-1 策略，用来训练机器人——也就是让机器从人的示范里学会怎么抓、怎么转、怎么放。换句话说，它的“AI”不在自己身上，而在于它是模型的口粮来源：没有这种采集工具，就没有可迁移的训练样本。Humanoids Daily 把它放进“UMI 效应”里观察：越来越多公司先造人类用的采集设备，再谈机器人本体。目前它只公开了用途。

目前能确认到哪一步
announced（已公开）：Reward AI 公开了 Omnibody Hand 的名称与核心用途——作为采集人类演示的设备，向自家 OM-1 策略提供数据，并延续 DexCap 研究脉络、追求跨机器人本体的人到机器技能迁移，这一点来自 Humanoids Daily 的报道。截至该报道，规格参数、佩戴或握持方式、价格、上市时间、量产与交付安排均未公开，也未见第三方实测；是否已有外部客户、是否配套机器人本体，同样未知。

它不是装在机器人身上的手，而是先给人用
要理解 Omnibody Hand，得先回到 2024 年 2 月的 UMI：一个把 GoPro 装在平行夹爪上的手持设备，出自横跨斯坦福、哥伦比亚和丰田研究院的团队，Cheng Chi、Zhenjia Xu 为共同一作。它让普通人不必带着机器人，就能在家常环境里示范抓取和摆放。更早的 2023 年底，Dobb·E 的 The Stick 已用取物夹、iPhone 和 3D 打印件证明，便宜的硬件也能把数据采集搬进真实家庭。

Reward AI 的 Omnibody Hand 就站在这条线上，但走的是另一支研究脉络——DexCap，目标是让同一个人的演示跨越不同机器人本体完成技能迁移。也就是说，它希望采集到的人类动作，将来能喂给形态各异的机器人，而不是只为某一台机器服务。不过材料并未说明它长什么样、戴着还是拿着、装了哪些传感器，这些细节目前仍是空白。



采集的手，会反过来决定机器人的手怎么长
UMI 留下的经验是：一段成功操作的视频只是起点，训练系统还需要知道什么动了、什么时候动、机器人下一步该做什么。于是它用广角镜头、侧向镜面和惯性测量补足视觉与运动信息，把动作表示成相对夹爪当前位置的形式，还专门补偿机器人感知与执行带来的延迟——比如扔东西时，该在什么时刻松手。

Sunday Robotics 把这件事做得更彻底：它的 Skill Capture Glove 与家用机器人 Memo 的手共享几何结构和传感器布置，再用一套叫 Skill Transform 的处理系统抹平人体比例、人类手臂外观等差异。据 Humanoids Daily 报道，Sunday 联合创始人 Cheng Chi 正是 UMI 那一支的人，他谈到手套迭代了接近 100 次。该媒体的观察是：手因此变成了人和机器学习之间的共用接口，机器人本体的设计本身就成了学习策略的一部分。

数据多不等于会干活，指标各说各话
厂商已经开始给成绩单。Sunday Robotics 报告其折叠任务完成 778 次成功、785 次尝试，即 99.1%，覆盖九类衣物和未见环境；X Square 的 TwinDEX 给出的 5.3 倍，指的是数据采集吞吐量。报道明确提醒，这两类数字衡量的并不是同一件事，不能直接拿来比较大小。而且这些都属于公司自述，尚无独立复现。

报道给出的检验标准更朴素：演示数据转化为可靠机器人行为的效率，还要算上后续的数据处理和真机迭代。对 Omnibody Hand 来说，眼下能确认的只有“它把人类演示喂给 OM-1 策略”这一句，采集效率多高、跨本体迁移效果如何、能不能真的变成机器人手上的稳定技能，都还没有公开证据。它是否只是又一只被高估的数据手，得等下一份材料。

资料线索
• humanoidsdaily.com

本文是基于公开页面整理的 AI 硬件情报，不是本站实测或购买建议。图片发布副本增加 waoo.ai 水印，原摄影者和来源标识保留。