柔性具身智能崛起：擎羽如何让机器人身体成为新变量？

从人形到柔性：具身智能的另一种可能

过去两年，人形机器人赛道吸引了大量资本和人才，其核心逻辑在于：现实世界围绕人体尺度构建，人形机器人可以直接复用人类的基础设施。然而，人形机器人的通用性也带来了巨大的技术挑战，如动态平衡、高自由度控制、灵巧操作等，这些难题需要在一副身体上同时解决。

当机器人走向产业，一个关键问题浮现：通用机器人是否必须拥有通用身体？李飞飞在近期讨论中指出，人体形态是演化适应开放环境的结果，当任务边界明确时，最高效的身体形态可能完全不同。她以“爬树”为例，说明长期面对特定任务的生物，其身体形态会向任务优化。

擎羽科技（FEAGINE）正是基于这一洞察，选择了不同于人形的技术路线。由香港大学机器人学博士彭锐创立，团队来自斯坦福、清华、普林斯顿、大疆等机构，他们不复制人体，而是将“身体”作为可重新设计的变量。擎羽发布了FEAGINE A01、A02、A03三款仿生柔性机器人，以及第一代跨本体基础模型Fi0（Foundation Intelligence Across Embodiments）。前者探索机器人可以拥有怎样的身体，后者研究身体变化后智能如何延续。

柔性具身智能：定义与核心要素

柔性具身智能是以可连续形变、可顺应接触的机器人本体为物理基础，将身体的结构参数、实时形态、感知和驱动能力纳入模型上下文，使任务知识与世界理解能够跨越不同身体复用，并由模型为当前身体生成适配行动的一类具身智能系统。

擎羽认为，柔性本体能拓展近人交互与复杂动作的边界，连续构型为数据映射和跨本体泛化提供新基础。友善的本体、丰富的数据、泛化的模型，是机器人进入真实生活空间的三个核心要素。这条路线并不否定人形机器人的价值，而是提出另一种市场结构：未来机器人可能拥有多种身体，通用性由共享智能提供，每种身体围绕自身任务达到更高效率。

FEAGINE A01/A02/A03：全球首个量产绳驱柔性本体矩阵

FEAGINE A01、A02、A03构成了全球首个实现标准化量产交付的绳驱柔性本体产品矩阵，沿节段数量、自由度、长度和负载能力逐级展开。

• A01：一段柔性关节，2个自由度，整机重量750克，末端负载200克，适合移动底盘、巡检设备等轻量操作场景。
• A02：两段柔性关节，4个自由度，整臂长度30厘米，末端负载400克，最高移动速度0.78米/秒，适用于桌面操作、近人服务、狭窄空间作业。
• A03：三段柔性关节，6+1个自由度，整臂长度50厘米，末端负载600克，最高移动速度1.17米/秒，能绕过障碍、从复杂角度接近目标，承担更长距离、更高自由度的操作。

三款产品均支持ROS 1/2、Python与C++，A02和A03还配套GUI、MuJoCo与SAPIEN环境。这些产品不仅是标准机器人本体，也为Fi0提供了真实、连续的本体差异样本，用于理解身体变化如何改变行动。

Fi0：跨本体基础模型的技术架构

Fi0建立在基础判断上：机器人对任务和物理世界的理解应可跨身体复用，真正需要随身体变化的是行动。例如，“把方块放进碗里”的任务，无论使用A01还是A03，任务定义不变，但可达空间、动作维度、运动路径等需要重组。

Fi0的能力沿两个方向展开：新技能可通过上下文进入模型，已有技能可跨身体重新表达。其上下文包括语言、视觉、人类示范、世界状态和本体信息。

从上下文中学习技能

传统路径中，新技能需先变成数据，再训练部署。Fi0则将部分新任务适配放到推理阶段。对于训练覆盖之外的任务，人类可通过Ego头环提供一次示范，模型将示范作为技能上下文，理解任务结构，无需更新参数即可执行。这使机器人能带着通用能力进入场景，通过上下文补充长尾需求。

跨视角世界编码器

人类示范通常来自第一视角，机器人可能从腕部、机身等视角感知。Fi0引入Cross-view World Encoder，通过跨视角预测与表示对齐，学习共享世界表示，包含物体状态、空间关系、接触事件等。这使模型能从不同视角识别相同物理状态，如“方块已被抓住”，从而复用人类经验。

技能编码器

人类示范不仅包含手部轨迹，还包含任务结构和交互逻辑。Skill Encoder将示范编码为skill tokens，描述对象变化、任务阶段、关键接触等。这些tokens作为推理时的技能上下文，使不同身体能共享对技能的理解，再按自身条件执行。

本体图表示

Fi0将机器人表示为结构化的Embodiment Graph，通过Graph Encoder生成Body Tokens，包含拓扑、节段、尺度、感知方式等。这使模型能理解身体间的结构关系，如A01和A02的相似性，以及增加节段对可达空间的影响。柔性机器人因持续形变，身体状态成为世界状态的一部分，模型需同时理解外部环境和自身变化。

世界动力学模型与MAWA

Fi0不直接执行单一动作，而是先生成候选方案，再通过World Dynamics Model预测不同动作的未来状态，最后用MAWA（Multi-objective Action-World Assessment）评估任务进展、成功概率、物理风险等，选择最优动作。这使模型对物理世界的理解进入决策层，同一技能在不同身体上可产生不同动作方案。

迈向跨本体基础智能

Fi0的完整链路将任务、世界、身体和行动组织进同一框架。语言和示范提供任务上下文，共享世界表示描述物理状态，本体信息限定行动，未来预测用于决策。这使机器人经验能跨身体积累，新本体扩展模型接触的身体条件，真实执行反馈补充对动作后果的理解。

柔性本体为模型提供连续变化的本体空间，A01、A02、A03沿长度、节段、自由度递进，模型可观察身体参数变化如何影响可达空间、运动路径等。这种能力不局限于柔性机器人，制造、物流、医疗、家庭等场景需要形态各异的机器人，而任务与物理世界的知识可在这些身体间延续。

下一场具身智能竞争：身体之间的较量

人形机器人试图为通用智能找到通用身体，擎羽则提出另一个问题：当机器人拥有越来越多不同的身体，已获得的智能能否在它们之间继续积累。随着机器人进入产业，身体形态将围绕任务分化，行业需要解决如何避免每出现一种新身体就重新支付数据、训练和适配成本。

擎羽的技术路线通过标准化柔性本体、持续数据引入和跨本体模型，形成任务、身体与物理世界之间不断扩大的映射关系。柔性具身智能的含义超越了柔性机械结构本身：身体可围绕任务改变，智能则在变化之上持续积累。人形路线扩大通用身体的任务边界，擎羽则让通用智能逐渐摆脱对特定身体的依赖。当机器人世界从一种身体走向多种身体，真正具有复利效应的能力，是让每一副新身体都能继承此前对任务和世界的理解。