末端误差压进 2 厘米、会搬踏台自己登高：源策未来把「全身干活」拆成了小脑 S0 和大脑 S1
会跑会跳却干不了活，症结在于两个控制目标打架：要稳，手就晃；要手准，人就摔。这条路线给出的解法是把「小脑」和「大脑」分开做，再把末端误差压进 2 厘米这个及格线。
- 发布内容：源策未来发布以「全身智能」（Whole-Body Intelligence，WBI）为核心的人形基础模型系统，架构分两层——负责高频动态平衡与动作执行的运动控制基模 S0（小脑）、负责长程任务理解与拆解的智能基模 S1（大脑）。
- 关键指标：S0 把手部末端追踪误差压到 2 厘米区间；同时突破了过往全身控制方案仅适配平整地面的限制，把控制维度拓展到有高差的非平地，上台阶时可动态协调下肢落脚轨迹、躯干姿态与重心的平滑转移。
- 数据路线：S1 预训练阶段通过 WBI 数据平台自采 EgoBody 全身人类数据，记录人在生活场景中移动、调整姿态、接触环境与操作物体的经验；再结合 S0 在真机上沉淀的高精度示范与 DAgger 纠偏经验。
- 演示内容：扶起倒在地上的自行车（俯身弓腰、全身发力）、按下电饭煲启动键（精细按压）、够不到高处物品时自己搬来踏台放好再踏上平台抓取、以及跨地面高差进厨房完成取米加水、内胆取放、合盖按键的电饭锅全流程。
- 跨本体验证：这套路线已在宇树 G1 与加速进化 T2 两种构型上完成验证，两款机器人的身体比例、关节配置与运动约束并不相同。
- 判断：2 厘米是物理接触操作的及格线而非优秀线；这条路线真正的分水岭不是单点精度，而是「同一套模型能不能换一副身体继续用」——这正是跨本体验证比单机演示更值得关注的原因。
人形机器人过去几年的尴尬可以概括成一句话：跑跳翻跟头越来越好看，倒垃圾擦桌子依然磕磕绊绊。文章提出的解释是控制系统层面的目标冲突——双足机器人的底盘是动态的，为了稳，上半身必须跟着平衡策略摆动；为了让手准，身体就得锁死。两者天然打架。结果是绝大多数「干活」演示都发生在一个前提之下：机器人先走到工位，定住，锁死身体，再小心翼翼地伸手。
「如果双腿只负责把机器人送到任务面前，真正动手时它必须先站稳锁定身体，那它们不过是一对成本极高、极其脆弱的机械轮子。」这是文章里最锋利的一句。判断：这句话其实定义了人形形态存在的理由——如果干活时身体必须锁死，那轮式底盘加机械臂的性价比更高。人形的价值只有在「腿参与工作」时才成立。
报道给出的第一个突破是末端追踪精度：S0 把手部末端追踪误差压到了 2 厘米的区间。文章很克制地补了一句——「2 厘米放在更广阔的机器人坐标系里依然算不上精密，但压进 2 厘米，已经到了物理接触操作的及格线」。
判断：这个自我限定值得保留。在工业场景里，2 厘米意味着能完成「把杯子放到桌上」，但完不成「把插头插进插座」；能扶起自行车，但装不了精密件。所以更准确的说法是：这条路线跨过了「能碰东西」的门槛，还没有跨过「能装配」的门槛。它把「全身移动操作」（Loco-Manipulation）从演示层面推进到了可讨论的工程层面，但不要读成操作精度已经解决。
第二个突破更难，也更容易被忽略：过往主流方案有个平地缺陷，S0 把控制维度拓展到了有高差的非平地。上台阶时，下肢落脚轨迹、躯干姿态与重心的转移要同时协调；对弯腰这类大幅度动作的意图追踪也要映射得更准。判断：非平地才是腿的价值所在。楼梯、门槛、车厢、展台——真实场景里几乎没有绝对平整的地面。把这一步做通，才有可能谈「机器人自己走到任务点并且站着干活」。
报道里 S1 的训练路线值得单独拎出来看，因为它把两件事叠在了一起。一件是自采数据：通过 WBI 数据平台采集 EgoBody 全身人类数据，记录人在生活场景中移动、调整姿态、接触环境和操作物体的经验——目的是给模型建立身体、动作与环境关系的先验。另一件是真机数据：把 S0 在高精度示范和 DAgger 纠偏过程中沉淀的经验喂给 S1。
判断：这个组合的逻辑是「用人的数据解决泛化，用机器的数据解决精度」。纯人类视频数据缺少动作的力与接触信息，纯真机数据又太贵太少；两者拼接是目前人形基础模型比较务实的做法。但也正因为如此，数据配比会变成这类系统的关键超参，而报道没有披露任何采集规模。
真正体现这套架构的，是演示内容里最不炫技的那一段：机器人在现实工况下，环境会被它自己的动作不断重塑——前一步的结果必须直接作为下一步的约束。够不到高处的物品，它自己搬来一张踏台放下，再踏上平台抓取；这一串动作把搬运、支撑转换和高位操作连在了一起。判断：「自己搬踏台」比「扶起自行车」更能说明问题：前者是长程任务，中间任何一步失败都没法靠重试掩盖，属于 S1 的能力范畴；后者是一次性的全身发力，属于 S0 的范畴。演示同时覆盖这两类，说明发布方想证明的是架构分层本身，而不只是某一个动作。
为什么跨本体难：不同构型的身体比例、关节配置与运动约束都不同。宇树 G1 与加速进化 T2 并非同一套身体，同一套策略要同时适配，意味着模型学到的是「控制规律」而不是「某一台机器的动作记忆」。
为什么这件事重要：如果每换一副本体都要重训一遍，基础模型的经济性就不成立——它退化成了一个项目制的定制开发工具，而不是可复用资产。
所以这条消息里分量最重的一句话，是「已在宇树 G1 和加速进化 T2 两种构型上得到验证」。判断：对做集成和二次开发的一方来说，跨本体能力比单机精度更有商业意义。它决定了同一套软件能不能复用到不同品牌的设备上，也决定了「换机型」这件事的成本是一次性的还是每次都要付。国内在役的人形构型本来就分散，这个能力比任何单一机型的演示都更接近真实需求。
当然，验证强度需要打问号。报道只说「得到验证」，没有说明是同一套策略零适配直接迁移，还是每种构型各做了一轮微调。这两种情况的差别很大：前者说明学到了通用规律，后者只说明框架可迁移。判断：如果后续有第三方在第三种构型上复现，那这条路线才算真正立住。在那之前，它是一份完整且自洽的架构说明，还不是一份可核验的性能报告。
第一，人形机器人「会走会跳却不能干活」的症结，可以简化为两个控制目标的冲突；把高频平衡与长程规划分成 S0 与 S1 两层，是目前比较清晰的一种解法。第二，评价这套系统时不要只盯着 2 厘米——它是及格线，真正的观察点是「腿有没有参与操作」，也就是非平地站立作业与长程任务的完成度。第三，也是最实际的一条：跨本体验证的价值高于单机精度演示，因为前者直接决定软件能否复用到不同品牌的设备上。
判断：这条技术路线接下来的看点有三个，按重要性排序——能不能在第三种本体上复现、非平地操作的失败率是多少、以及长程任务的完成率与实际介入频次。这三个数字如果出现，人形机器人的「干活」才从演示变成了可比较的指标；如果一直不出现，那么读这类发布时，把它当作方向说明而非性能结论更稳妥。