“我們希望讓團隊面對的，就是最接近真實落地的挑戰。”

作者｜王藝 蘇霍伊

編輯｜王博

近期，全球機器人與自動化領域最具影響力的學術會議之一ICRA（IEEE國際機器人與自動化會議）在美國亞特蘭大舉行。

今年有超7000名學者、企業代表和機器人愛好者等到場，當然還有眾多的機器人和機器狗，看看這個視頻就知道現場有多熱鬧了。

ICRA會場的機器人“聚會”，來源：「甲子光年」拍攝

在這次ICRA上，我們注意到了一場與ICRA官方合作的賽事——探索雙臂機器人能力邊界挑戰賽（What Bimanual Can Do，簡稱WBCD）。

WBCD海報，來源：WBCD

ICRA歷年的挑戰賽主要集中在移動導航（如SLAM和路徑規劃）、單臂機械臂操作（如抓取與分類）、多機器人協同、無人機飛行、人形機器人運動控制、仿真到現實（Sim2Real）遷移學習等方向。這些任務通常具備明確的評估標準、較強的復現性，技術相對成熟，便于參賽者從學術或工程角度進行系統優化。

相比之下，探索雙臂機器人能力邊界的挑戰較為少見，因其涉及高維控制、多模態感知和復雜協同，在硬件和算法上都具有更高門檻，代表了機器人操作研究向更高復雜度和更強泛化能力演進的重要方向。

「甲子光年」在ICRA現場發現，麻省理工學院 (MIT) 計算機科學與人工智能實驗室 (CSAIL) 的教授Tomás Lozano-Pérez和Leslie Kaelbling，以及加州大學伯克利分校（UC Berkeley）工業工程與運籌學系教授Ken Goldberg都來到了WBCD現場觀看。

孫凌峰、許倬和Ken Goldberg 在比賽現場，圖右： Tomás Lozano-Pérez和Leslie Kaelbling，圖源：WBCD

WBCD是歷屆ICRA賽事中參賽團隊最多、設備規格最高的比賽之一，主辦方共設立了總額達20萬美元的獎金池，由現金獎勵與機器人設備共同組成，這也吸引了來自全球的88支隊伍報名參賽。

來自加州大學伯克利分校、卡內基梅隆大學、蘇黎世聯邦理工學院、清華大學、上海科技大學等高校的科研團隊，以及艾歐智能等來自產業界的團隊參加了本次比賽，最終有15支隊伍脫穎而出，晉級決賽。

WBCD比賽現場，來源：「甲子光年」拍攝

WBCD以“真實場景驗證”為核心定位，從機器人公司及市場的實際需求出發，在決賽設置了三個方向的挑戰賽：生命科學實驗 (Scientific Experiments)、物流打包 (Packing Logistics)、餐桌服務(Dining Table Service)，重點關注雙臂機器人自主感知、預測規劃與精細操縱等落地性能。

為了方便不同團隊參賽，主辦方提供了相應的機器人，大家更多比拼的是背后的機器人系統以及軟硬件的結合能力。

WBCD發起人、谷歌DeepMind研究員許倬告訴「甲子光年」：“WBCD挑戰賽的任務全部源自真實場景，由有實際需求的企業提供業務背景和物料。我們想讓機器人的科研不再‘自嗨’，真正出去見見世面。”

WBCD發起人、Google DeepMind研究員許倬在頒獎晚宴發言，圖源：「甲子光年」拍攝

許倬認為，如今的機器人研究往往停留在自我驗證的階段。每個團隊都有自己的demo，但大家沒在一個標準下、一個任務中當面比過。另外，一些研究人員會為了突出自己的優勢而設計一些“玩具任務”，這屬于“拿著錘子找釘子”。

“人工智能之所以發展這么快是因為有很多benchmark讓大家可以卷，但是機器人沒有這樣的benchmark，容易閉門造車。所以有時候并不是技術的問題，而是大家根本沒機會在相同試題的考卷上寫答案。”許倬說，“大模型有LMSYS Arena Challenge這樣開放、互通、可比的競技平臺，我們想做機器人領域的LMSYS Arena Challenge，讓不同系統在真實任務中‘切磋交鋒’ ，同時我們之后也會優化并開源比賽內容供大家復現。”

這種腳踏實地、堅持技術落地的態度也打動了許多支持者。DataWiz CEO張雁就是其中之一。她為WBCD提供了大量資金支持，在接受「甲子光年」采訪時談到，她支持這個比賽的出發點很簡單，“就是鼓勵這些年輕人敢想、敢試，并且有機會堅持做下去”。

而“直面真實的業界難題”的理念也吸引了來自工業一線的選手。

來自蘇黎世聯邦理工學院的Davide Liconti說：“我們在自己的實驗室里做演示總是容易的，但真正有參考價值的是當你和其他團隊站在同一起跑線上時，你的系統表現如何？這是一次很好的‘對照實驗’，也可以看清楚不同技術方案在真實任務中的差異。”

那么，這場“直面真問題”的WBCD挑戰賽的具體情況如何？比賽中出現了哪些新的技術呢？「甲子光年」在ICRA現場與多個參賽團隊、行業專家及活動主辦方進行了交流，整理了一份詳細的觀賽分析報告。

1.生命科學實驗挑戰賽：精度與穩定性的極致考驗

在生命科學實驗挑戰賽中，參賽團隊要使用松靈（AgileX）機器人，執行模擬科學實驗操作，包括安裝硅膠柱、操作透明試管等，測試機器人在精細操作和復雜任務協調方面的能力。

生命科學實驗挑戰賽負責人、Robotics and AI Institute（RAI）研究員孫凌峰認為，只有把硬件、軟件兩個方面都解決好了，才能讓機器人完成精細化操作任務。

類似問題在藥物合成實驗中尤為明顯。孫凌峰介紹：“真實實驗中，移液等步驟缺一不可。我們希望參賽系統能從泛化性角度出發設計完整應對全流程的軟硬件系統，而非只針對單一環節做特化。真實的生物實驗系統里也存在更多更有挑戰的變化。”

比如，比賽中有一個“純化”的任務。

“純化”是指在合成反應完成后，從反應混合物中分離出目標產物。合碳智能創始人&CEO、藥明康德前資深副總裁陳志剛介紹，在藥物合成的實驗中，“純化”環節“非常耗人力”。

“過柱”是“柱層析”的俗稱，是實驗室中最常見的一種“純化”方法。

對實驗人員而言，像“過柱”這樣的操作，既耗時又枯燥。雖然市面上已有自動過柱機可以完成部分步驟，但要實現真正的全流程自動化，仍有不少細節難點待解。每一個看似簡單的對準、連接、穩壓動作，背后都需要極高的精度和協調控制。

“要用機器人真正解放化學家的雙手，得先啃下這塊‘自動化的硬骨頭’。”陳志剛告訴「甲子光年」。

而WBCD中的生命科學實驗挑戰賽正是對這一命題的集中回應。各參賽團隊也給出了不同打法，有的選擇加強人對機器的控制效率，有的則專注提升機器人自身的感知與決策能力。

洛桑聯邦理工學院Josie Hughes教授團隊的兩位成員帶來了自研的機器人系統，可通過線控的方式操作機器人。

洛桑聯邦理工學院的線控遙操作設備，視頻來源：「甲子光年」拍攝

整套機器人系統完全由硬件設計和線控機器人專業的博士后鄭洪翰（Paul Hung Hon Cheng）搭建，包含Master線控操作系統和Slave機械臂。

該團隊另一位成員、機器學習專業的博士生潘鋮（Cheng Pan）向「甲子光年」介紹，線控的優勢在于“更直接的控制反饋和較低的系統復雜度”，相較于VR遙操作信號反饋更有力；而相較于通過位置控制的遙操作設備，線控則可以更自由地擴展操作空間。

洛桑聯邦理工學院的線控遙操作設備Demo，視頻來源：EPFL

值得一提的是，該系統可擴展支持兩臺以上的執行機械臂，操作人員可在掛載多臺機械臂的線纜上自由選擇使用哪一臺。

由于對準的孔徑很小、遙操作也沒有深度信息，機械臂在連接反應柱并將其放到插座的環節花了不少時間，但最終鄭洪翰通過安裝在機器人頭部和手腕處的多個攝像頭的幫助，仍然在眾多參賽隊伍中率先完成了比賽。

來自深圳的跨維智能則沒有強化人工遙操作，而是試圖通過大規模模擬與感知訓練，讓機器人“自己學會如何動手”。

三星電子前首席工程師金毅帶領團隊采用Real2Sim2Real VA (Vision-Action)+經典算法的分層控制架構。這聽起來頗為繞口，但背后目標很明確：讓機器人能“看清楚”試管、“分得清”燒杯，并在實際操作中“穩穩地動手”。

金毅團隊在自研引擎DexVerse中構建了大量透明物體的模擬環境，搭配各種光線條件與傳感器參數，使得系統在虛擬世界中反復練習。在DexSim模擬器中，又進一步加入物體位置、姿態、光照、材質等變化，進行高強度的“環境打擾訓練”，讓模型習慣在不確定的情況下做出穩定反應。

而來自美國西北大學的用到了松靈(AgileX)的新發布的Pika多功能數據采集夾具，一方面可以在沒有機器人的情況下直接用來收集數據進行策略訓練，另一方面在比賽里也可以隨時切換為遙操作系統操作機器人接管。值得一提的事，美國西北大學團隊本次挑戰賽中是唯一混合了兩種方式解決任務的隊伍。

最終由于得分相同，洛桑聯邦理工學院和跨維智能的團隊獲得了生命科學實驗挑戰賽的并列冠軍，美國西北大學的團隊獲得了季軍。

除了前三名的團隊，其他團隊也各有亮點。

加州大學伯克利分校機械工程系的梁博遠，在操控方式上頗具巧思，采取了“手腳并用”的遙操作方案，遠遠看去就像是在“操控飛行器”。

他們通過GELLO和Phantom力反饋設備結合的方式，將系統劃分為兩組：一組負責大范圍的粗略移動，另一組處理小范圍的精細操作，兩者之間的切換由腳踏板控制。這套方案來自美國工程院院士、控制領域權威Masayoshi Tomizuka教授領導的實驗室。

加州大學伯克利團隊在操作松靈機械臂，圖片來源：「甲子光年」拍攝

艾歐智能把操控席設在了地球另一端——技術人員在深圳總部，遠程操作位于美國會場的機器人。

他們是如何做到的呢？

艾歐智能AI算法研究員曹玥告訴「甲子光年」：“為了讓指令準確傳到現場、反饋順利傳回操作者手中，我們把控制端部署在國內，把負責控制解析和數據存儲的TeleBox安在了美國現場。”

通過艾歐智能自研的平臺TeleXperience，兩端之間實現了跨公網的穩定通信。再加上一套專為這個系統開發的通用控制器，現場的機械臂能夠穩定接收指令，沒有出現卡頓或中斷。

最終，艾歐智能和同樣采取跨城遙操作（紐約到亞特蘭大）的、來自新加坡的創業公司Frodobot一同獲得了最佳應用獎。

2.物流打包挑戰賽：速度、規劃與靈巧性的多重博弈

在物流打包挑戰賽中，參賽團隊要使用星海圖（Galaxea）機器人，完成從移動貨箱中抓取商品并裝箱，考驗機器人的精確抓取和放置能力。

機器人需要在上塑料筐內抓取多樣商品并高效裝箱，其中打包是最難的環節。而在實際電商倉庫中，打包也是耗時最長、人力最密集的環節。

“我們想考驗機器人在這方面的能力，尤其是將盡可能多的物品整齊放入有限空間。東西越多，盒子越滿，任務就越難。”物流打包挑戰賽負責人、星猿哲科技CTO俞冠廷介紹。

物流打包場景中使用的星海圖機器臂，圖源：「甲子光年」拍攝

來自卡內基梅隆大學劉暢流實驗室的團隊，用一套結合遙操作和自動控制的系統完成了比賽。整個系統建立在一種neural-symbolic（神經–符號）架構上：視覺神經網絡負責識別視野中的物體位置，而符號推理模塊則從技能圖譜中“調出”最合適的動作方案，指導機械臂完成抓取。

這個方法的一大優勢是對數據的依賴很低。只需要少量樣本，就能讓機器人學會準確的操作技能，結合后續的數據增強訓練，他們在比賽的30分鐘內成功抓取了80多件物體，拿下冠軍。

卡耐基梅隆大學團隊，圖源：「甲子光年」拍攝

「甲子光年」注意到，來自產業界的參賽者也在借助這場比賽檢驗自身技術的成熟度和競爭力。

比如，印度塔塔集團的TCS Research團隊通過自研的動態運動參數（Dynamic Motion Parameters，DMP）算法和3D視覺定位模型的配合，拿下了物流打包挑戰賽的亞軍。

塔塔集團研究院的成員，圖源：「甲子光年」拍攝

獲得物流打包挑戰賽季軍的是普渡大學MARS實驗室團隊，由余宇老師指導。

該團隊一開始也采用的是具身模仿學習（VLA）的方案， 利用UMI夾爪配合3D ViTac觸覺傳感器采集示范數據，并通過Diffusion Policy進行策略訓練。為了保證比賽順利完成，他們臨時切換方案，改用Meta Quest進行遙操作，完成了任務。

還有一些沒有獲得名次，但讓我們印象深刻團隊和個人。蘇黎世聯邦理工學院團隊就是其中之一。

他們這次攜帶了其最新開源的靈巧手Orca Hand參賽，采取了類似分層決策VLA模型——“高層推理，低層執行”的策略來做機器人的控制系統，靈巧手的五指設計讓其在抓取三角形魔方和光滑表面可樂瓶的時候更容易，也能執行更精細的放置動作。基于客觀因素，他們改成了遙操作的方案。

蘇黎世聯邦理工學院團隊，視頻來源：星海圖

遺憾的是，團隊在比賽的后半程遙操作員手誤不小心打翻了箱子導致被扣了分數，但其仍然憑借著靈巧手高效的抓取能力獲得了“打包賽道最佳夾具設計（Best Gripper Design in Packing Track）”獎項。

問到開源Orca Hand的原因時，團隊成員Philippos Katsimalis回答：“單靠我們這個小團隊，是做不出完美系統的。只有把項目開放出來，讓更多人使用、反饋、修正，它才能變得越來越好。”

Orca Hand，來源：「甲子光年」拍攝

還有一位憑借熱愛“單槍匹馬”參賽的個人開發者。

他叫Davide Heydt，是一位從德國遠道而來的機器人愛好者。早在2010年，他就開始開發Web應用程序；2016年，他用樹莓派、WebRTC和Android應用搭建了自己的第一個基于VR的遙操作系統。在這次比賽中，他同樣選擇遙操作的方式控制機器人。

據他介紹，自己開發的算法幾乎可以部署在任何機器人上，“不需要任何預訓練經驗，一旦完成初始設置，每個人都能快速上手控制機器人。”

這次參加比賽，Davide Heydt一方面是想在工業級硬件上驗證自己的系統，另一方面則是“希望能贏一臺全尺寸機器人帶回家”。

Davide Heydt獲得Finalist in Packing Track獎，來源：WBCD

3.餐桌服務挑戰賽：生活場景中的泛化與協同

在餐桌服務挑戰賽中，參賽團隊要使用方舟無限（ARX）機器人，完成鋪桌布、將食品封裝在保鮮盒等日常操作。由于流程較長、動作較復雜，目前市場上不存在完整的技術解決方案，相關的demo和數據集也很少，這對具身模型的學習和機器人的操作都是難題。

World Engine AI的創始人&CEO黃迪深度調研了自動餐廳和自動廚房的場景，發掘了該場景里有巨大價值的環節，如將食品封裝在保鮮盒。

“我們看到了很多團隊在通過遙操和端到端模型混合的方案在做嘗試，希望能形成數據和模型的迭代飛輪，這個實際工程周期會很漫長。如果我們能解決餐桌場景的問題，其實也意味著General Purpose Robot又往前邁了一大步。我們設置這個賽道就是希望能看到參賽團隊能不停迭代，找到一條真正未來能實現商業化的路徑。”黃迪說。

作為餐桌服務挑戰賽的機器人提供方，方舟無限CEO 張鑫亮對于挑戰項目解釋道：“我們沒有刻意選擇簡單的pick and place，而是選擇了柔性物體，及雙臂協同對力反饋敏感的任務。希望激發大家更多創意，定義未來1-2年內學術界和產業界共同努力的方向。”

餐桌整理場景的方舟無限機器人，圖源：「甲子光年」拍攝

餐桌服務挑戰賽的冠軍是“奶龍隊”，其成員自清華大學、西北大學、佐治亞理工、密歇根大學香港科技大學和新加坡國立大學蘇州研究院。他們前期采用遙操收集數據，訓練模型的方式來準備比賽，但是由于比賽時間緊迫，最終切換成了遠程遙操的方式。

“我們很早以前就在一起搞科研和搞“抽象’。”奶龍團隊成員李維澤調侃道,“這次參加WBCD比賽也是大家各奔東西后第一次團聚。”

考慮到比賽規則是在規定時間內盡可能完成更多次數的子任務，“奶龍隊”使用基于VR的remote遙操作和端到端模仿學習模型（Action Chunk Transformer，ACT）相結合的方式，將三個任務進一步分解成了“展開桌布-解鎖餐盒扣并開盒子-pizza從盤子放進餐盒-對齊并關蓋子”等子任務，然后挑選出“pizza從盤子放進餐盒”的任務采集了150組多樣且隨機放置的真機數據，訓練ACT模仿學習模型。除此之外的子任務均采用將機械臂末端重定位到VR手柄進行remote遙操作。

“我們在現場的隊員連續三天一直在調試設備，采集數據，訓練policy，升級遙操作方案；在國內的隊員也一直在幫忙寫文檔記錄問題和遠程部署服務器，都非常的累，但奪冠后這一刻所有勞累都煙消云散了。”李維澤告訴「甲子光年」。

奶龍隊在頒獎現場，來源：WBCD提供

佐治亞理工學院前來參賽的是頗具名氣的EgoMimic團隊。不出意外地，該團隊在賽事中使用了他們最新開源的EgoMimic技術——即通過第一視角視頻進行大規模的模仿學習，解決具身數據獲取成本高、標注難、多樣性不足的瓶頸。

“人類演示提供了一組多樣化的軌跡，這些軌跡密集地填充了組合的狀態-動作空間，讓我們的策略接可以適應各種各樣的物體幾何形狀、材料屬性和環境變化”，佐治亞理工的朱筠舟說，“在餐桌服務中，人類數據包括不同方向和折疊模式的展開布料——每種都有獨特的策略和3D 軌跡，容器的位置和披薩的切片也是隨機的。在訓練期間我們給模型大量輸入我們看到的不同視覺信息，讓策略學會了適應環境，從而在操作過程中實時重新規劃物體的位移。”

EgoMimic | Scaling Imitation Learning through Egocentric Video，圖源：github

EgoMimic團隊通過將大量機器人遙操作數據與大量以自我中心視角的人類示范數據，如人類在鋪桌布時候的“舉布-拉布-抓布”動作數據結合起來訓練機器人，讓機器人得以協調地用一只手固定容器、另一只手扣上容器蓋子，也憑借此項技術獲得了餐桌服務挑戰賽的亞軍。

獲得了餐桌服務挑戰賽季軍的是上海科技大學的StarQuest團隊，他們來自SEALAB顧家遠課題組，專注于機器人操作的研究。

和很多團隊一樣，他們同樣采取了遙操作的模式，利用一只手臂操作、另一只手臂上的傳感器作為觀察視角的方式完成了比賽。

除了真機競賽，WBCD還提供了對應的仿真測試平臺和基于云平臺的在線Leaderboard。該平臺基于由上海交通大學穆堯助理教授團隊研發的RoboTwin框架進行開發，支持對WBCD競賽任務的數字孿生和專家數據大規模自動生成。“WBCD-Sim是一個集數據生成，模型訓練和策略評估一體化的仿真測試平臺，該平臺在地瓜機器人有限公司云平臺服務的支持下，支持在線評測，用戶只需要上傳checkpoint和推理代碼，即可在線完成評測。”上海交通大學的張鈺浩對「甲子光年」表示。

Leaderboard云平臺，圖源：WBCD

4.技術洞察：靈巧手、VLA模型、數據與新型遙操作系統

看完整場比賽，有四個方面刷新了我們的認知。

第一是靈巧手。

隨著機器人從傳統的編程機械臂走向具身和人形，體現在外形上和使用場景中的最大變化，多了一雙“靈巧手”。傳統的工業夾爪往往功能單一，而靈巧手能模擬人手執行更復雜的操作，如抓握不同形狀和材質的物體、工具使用等。靈巧手的出現和普及，極大推動了機器人在非結構化環境中的應用。

以蘇黎世聯邦理工學院的Orca Hand為代表，Orca Hand以其低成本（3D打印部件）、高度擬人化（17自由度）、耐用性（彈性關節、肌腱自動張緊）和AI友好（集成觸覺、支持模仿學習/強化學習）等特性給人留下了深刻的印象，而Orca Hand的發布也代表了靈巧手技術正朝著更低成本、更高自由度、更強感知能力和更易于AI集成的方向發展。

Philippos告訴「甲子光年」，現在的二指夾爪已經可以夾取大部分物品，但是他們關注的是手的和合（box closing），相較于二指夾爪來說，拿出兩根手指夾取東西顯然更輕松，而且用手抓東西也更全能。Orca Hand的核心優勢在于以極低的成本實現了接近人手的靈巧度和感知能力，這使得復雜操作的AI研究更容易普及。

靈巧手的未來趨勢是能夠讓研究人員“自主”進行修復。

“比如，它們很容易打開、修復和放回去。理想情況下，研究人員就會想要不斷地使用這只手，這樣它就能長時間地操作。與此同時，我們也在針對指尖的觸覺感應做研發。”他說。

我們在ICRA現場看到了很多做靈巧手的企業，其中不少是中國的企業。

第二是VLA模型。

VLA模型旨在讓機器人能夠理解自然語言指令，結合視覺信息進行場景理解，并自主規劃和執行多步操作序列，在本次大賽中被頻繁使用。

UC Berkeley博士生、WBCD的組織者之一Toru Lin告訴「甲子光年」：“VLA把機器人動作Action和視覺Vision、語言Language模態映射到同一token空間，用基于transformer大模型進行訓練，目前被廣泛認為是實現具身智能道路上非常有希望的發展方向。它正在重塑人機交互，甚至可能帶來‘機器人領域的圖靈測試’——你無法分辨操作者是人還是算法。”

本次WBCD，卡耐基梅隆大學、跨維智能、佐治亞理工的團隊都運用了VLA模型。它們的差異化體現在如何處理更復雜的指令、如何進行有效的場景理解、以及如何生成魯棒的多步動作序列。

其實，目前VLA模型最大的痛點在于泛化能力不足、對真實世界復雜動態變化的魯棒性不夠，需要大量的優質多模態數據進行訓練。但真實數據質量高但獲取成本大，互聯網數據量大但噪聲多，合成數據可控但可能存在Sim-to-Real Gap。

第三是數據。

數據正在成為具身智能的阿喀琉斯之踵。但在本次大賽中，我們看到了一些解決現有具身數據難題的新方法和新趨勢。

比如佐治亞理工的EgoMimic團隊通過Meta Project Aria智能眼鏡，以非侵入方式被動采集人類日常任務中以自我為中心（Egocentric）視頻數據，結合3D手部追蹤技術，將數據收集成本降低90%以上。

跨維智能主要采用仿真合成數據訓練模型——他們的數據主要通過自研的DexSim仿真平臺程序化生成，數據集構建過程則遵循基于LLM的智能任務合成和半自動場景構建、多層域隨機化、演示生成與大規模數據增強的自研自動化管線進行。

加州大學圣地亞哥分校副教授蘇昊、北京大學前沿計算研究中心助理教授王鶴等學者曾多次在公開表示，使用仿真可以采集更多數據，這對于訓練大模型至關重要。而蘇黎世聯邦理工團隊的Davide Liconti也非常看好仿真數據，他認為仿真器是“一種非常可擴展的方式來增加數據源并為現實世界的遷移提供先驗知識”。

奶龍團隊則選擇使用現場遙操作的方式在真實機器人上采集數據，包括多視角RGB序列和關節角度，并混入執行失敗后的恢復數據以增加具身模型的魯棒性。他們雖然沒有使用仿真器和仿真數據，但也通過增加多樣化的示范數據數量的方式來提升模型泛化能力。

為了能夠應對裁判對任務的隨機重置，參賽隊伍在采集任務真機數據。 來源：奶龍隊

第四，新型遙操作系統。

我們注意到，一些新型遙操作系統和執行器硬件也出現在了大賽中，比如洛桑聯邦理工學院的線控遙操作系統和加州大學伯克利分校用腳踏板控制的、高低精度控制設備組合而成的系統就具有很鮮明的特色。

5.從“賽場”到“工廠”還有多遠？

具身智能的火熱，帶火了一些機器人比賽，似乎這些比賽成為了檢驗機器人能力的“試金石”。但是，仔細去看一些比賽，會發現其娛樂性大于專業性，真正能推動商業轉化的寥寥無幾。

「甲子光年」認為，此次WBCD挑戰賽不僅是技術的競技場，更是對具身智能研究方向的精準引導和對產業落地的有力推動。

這次挑戰賽之所以有價值，我們認為有這三方面原因：“真實場景驅動”“能力邊界探索”和“鼓勵自主智能”。

首先是真實場景驅動。WBCD挑戰賽是真正從機器人公司及市場的實際需求出發，比的是參賽團隊解決實際生產中最迫切痛點的能力，WBCD的“生物實驗”“物流打包”和“餐桌整理”這三個方向抓得很準。

生物實驗面臨高昂的人工成本以及嚴重的效率問題；物流打包場景背后是物流電商行業持續擴張所帶來的需求爆發；餐桌整理場景則深入到人們日常生活的方方面面。

這次挑戰賽并不容易，我們在現場了解到，多支參賽隊伍以及部分贊助商都曾對Robotics and AI Institute（RAI）研究員朱行昊（他參與設計了桌面整理任務）提出，是否可以將該任務簡化，以降低硬件損耗、提升完成率。但WBCD組委會最終決定保留“原汁原味”的任務難度。

“現實市場的復雜程度比比賽殘酷一萬倍。”WBCD組委會成員、雙臂機器人公司Dexmate的創始人&CEO陳濤解釋，“你哪怕在比賽里得了100分，但到了客戶那里，交付失敗就是零分。我們希望讓團隊面對的，就是最接近真實落地的挑戰。”

此外，本次賽事的設置也傾向于找到雙臂機器人的“能力邊界”，通過具有挑戰性的任務，激發參賽團隊探索創新的技術方案。

以打包場景為例，一個有意思的細節是，不單單要把這些東西放到盒子里，還要把盒蓋兩側的折角塞到盒子里。這一步對于人類來說都比較困難，更不要說機器人了。

餐桌服務中的“保鮮盒任務”對機器人來說并不容易。這個看似尋常的日常物品，實則對機器人提出了嚴苛要求：兩側的卡扣結構配合內部橡膠密封圈，使得打開和合上蓋子都需要極高的精準控制——既要夠用力，又不能過猛，還要在不破壞結構的前提下完成穩定操作。

生命科學實驗挑戰賽則是最難的，其中的“螺紋對孔”和“透明試管”也極大考驗著機器人的精細操作和物體辨認能力，其中試管均為透明，增大了機器人辨識難度。而且許多生物實驗流程復雜，現有機器人末端執行器自由度又比較有限，難以模仿人手在操作生物樣品時所展現出的高柔韌性和靈巧性。

生命科學比賽中機器人需要將幾毫米直徑的兩個試管用螺紋旋轉的方式精準連接 圖源：WBCD

最后，我們感受到，這次WBCD在評分標準上明顯向“自主智能”傾斜。

算法能力的評估采用加權打分機制，分為“自主算法”“非現場遠程遙操作”“現場用擋板模擬遙操作”和“在場遙操作”四類，其中“自主算法”的權重最高（為16分），其余依次為8分、4分、1分。這一設計體現出評委對“去人化”和高度自動化方案的明確鼓勵。

但評委關注的不僅是最終成果，更在意方案背后的實現路徑——它是否高效？是否具備推廣價值？“完成任務的方法可以多種多樣，但在具體執行中，如何保障數據質量和系統穩定性，是必須面對的挑戰。”生命科學實驗挑戰賽的機械臂供應方、松靈機器人北美負責人曾逸恒說。

比賽也在刻意拉近“科研”與“應用”之間的距離。

在評審過程中，主辦方將參賽隊伍視為面向真實市場的創業公司，評估其方案是否具備商業可行性與持續迭代能力。

“我們在制定評分標準時會讓大家代入一個設想：如果你是這家創業公司，你會怎么解決客戶的真實痛點？”許倬說，“比如遙操作方案，聽起來好用，但你真的落地后，人力成本可能會吃掉全部優勢。很多看似能跑通的技術，最后卡的就是這個現實問題。”

WBCD并沒有做一場“炫技”的表演，而是要通過比賽來找到解決行業“真問題”的方法。

這也是我們這次ICRA之行最有收獲的地方。

（封面圖來源：「甲子光年」現場拍攝）