快 28.6%，但没上过真机：腾讯让 AI 自己设计五指手，赢的是一场仿真里的考试
同一次发布里有两个数字：蛋白质模型快 57 倍，灵巧手在仿真里快 28.6%。前者有明确的对照基线和可复现的产物，后者只有一场仿真考试的成绩单——而这场考试的评分项，恰恰是硬件最难的那几项没法打分的。
- 发布内容：腾讯混元发布科研 Agent Hyra 2.0，目标从「解题」扩展到「研发可复用的科学模型、算法与验证工具」，成果将持续公开到 GitHub。
- 组织方式：系统接入企业微信、计算平台与代码仓库，由 Overall 协调目标与资源、Mission 管理研究路线、Worker 执行实验，任务队列保存进展；另设独立复核者检查代码、日志与原始结果，较大算力开销与共享知识同步仍需人工审批。
- 机器人侧的产出：结构探索得到一个五指「旋梯手」，在 DR5 仿真评测中，经相同预算的策略微调后，物体旋转速度比论文最优设计快 28.6%，尚未经过真机验证。
- 同批成果的对照：蛋白质逆折叠模型 HyInv 相比 ProteinMPNN 生成速度提高 57 倍，且生成序列与目标结构的吻合程度更好；另有 HyPLM-Flash、HyFF、HyQEC。
- 判断：57 倍和 28.6% 不是同一类证据。57 倍有明确基线、有可下载的产物、有第三方能复跑；28.6% 的分数来自仿真、受控变量是「相同的策略微调预算」、且作者自己写明没过真机。AI 造硬件的第一批成绩，会集中出现在「仿真里能打分」的指标上——而可制造性、回差、寿命、成本这几项，通常不在目标函数里。
先看一条容易被忽略的措辞：官方在描述那只手时，用了「尚未经过真机验证」这七个字。在一份同时宣布蛋白质模型快 57 倍的发布里，这七个字是全文最诚实的地方，也是最该被读懂的地方。
同一次发布里，腾讯给出了两组结果。一组是软件侧的：Hyra 2.0 从头完成 HyInv（蛋白质逆折叠模型）的训练与推理优化，相比 ProteinMPNN，生成速度提高 57 倍，生成序列与目标结构的吻合程度也更好。另一组是硬件侧的：系统在机器人结构探索中产出一个五指「旋梯手」，在 DR5 仿真评测里，经相同预算的策略微调后，物体旋转速度比论文最优设计快 28.6%。
这两个数字摆在同一个段落里，读起来像是同一种成就。其实不是。
57 倍这类数字为什么硬：它有明确基线（ProteinMPNN），有可下载的产物（模型权重、生成序列），有第三方能复跑的评测流程。任何人拿到代码和数据，都能验证它到底快不快、准不准。速度是可以被独立测量的物理量，不依赖评价者的主观判断。
28.6% 这类数字为什么软：它的分母是「论文最优设计」，分子是「相同策略微调预算下的物体旋转速度」。这两个条件都由提出者设定：设计空间怎么划、预算给多少、在哪个仿真器里跑、旋转任务怎么定义，都影响最终百分比。而且它没有真机数据可以校正。
判断：这不是说 28.6% 是假的，而是说它的证据等级比 57 倍低一档。仿真里的 28.6% 能证明「这个设计在给定的物理引擎和给定的训练预算下更好」，不能证明「这个设计在车间里更好」。这两句话的差别，决定了它是一篇论文，还是一个产品。
把这句话拆开看：设计一只手，然后用相同的策略训练预算去微调控制策略，再看这只手转动物体的速度。这意味着硬件设计和策略学习是被放在一起评分的——设计得好不好，取决于它好不好训。
这个设定在研究方法上是对的：手是给人（或给模型）用的，不是摆在展柜里的。一个更容易被策略学会的设计，实际价值可能高于一个理论最优但极难控制的设计。用「策略微调后能达到的性能」而不是「运动学理论极限」来评分，是把评价标准从「造得出来」推到「用得起来」。
但它同时带来一个副作用：凡是不能在仿真里打分的属性，都会被这套流程系统性地忽略。
| 属性 | DR5 仿真里能不能打分 | 真机上为什么重要 |
|---|---|---|
| 物体旋转速度 | 能，且是本次主指标 | 决定节拍，但只在任务匹配时成立 |
| 抓取成功率 | 能，但依赖仿真接触模型精度 | 接触力、摩擦、形变是最难仿的三件事 |
| 关节回差与传动精度 | 基本不能 | 决定重复定位精度，直接决定良率 |
| 腱绳／连杆寿命 | 不能 | 决定维护周期，决定单机年成本 |
| 可制造性与装配工时 | 不能 | 决定能不能做到月产千台 |
| BOM 成本 | 不能 | 决定卖不卖得出去 |
判断：AI 参与硬件设计的第一批成果，几乎必然集中在「仿真里能算、真机上难验」的交集里。这不是能力问题，是评价函数问题——优化器只会优化你写进目标函数的东西。想让 AI 设计出能上产线的手，得先把「寿命」「回差」「装配工时」变成可计算的项，而这需要大量真机实测数据做校准，恰恰是最贵的那部分。
这次发布里真正的工程学，不在那只手上，在 Hyra 2.0 的岗位表里。
系统被拆成三个角色：Overall 协调目标与资源，Mission 管理研究路线，Worker 执行实验。任务队列负责保存进展——也就是让一项可能持续数天到数周的研究，能在中断后接着跑。更关键的是第四类角色：独立复核者，专门检查代码、日志和原始结果。
这个设计值得单独拿出来说。一个能自己写代码、自己跑实验、自己调模型的系统，最大的风险不是「算错」，是「自己给自己判分」。加一个复核者，等于在流程里强制制造「执行者 ≠ 判断者」的分工。再加一道「较大算力开销与共享知识同步需人工审批」，等于把不可逆的动作交回给人。
第一，这只手会不会上真机。官方说成果将持续公开到 GitHub，那就有了一个明确的可验证节点：只要出现真机抓取视频、循环测试数据或第三方复现，28.6% 就能从仿真指标升级成工程结论。在那之前，它只是一个更好的设计候选。
第二，设计空间是怎么定义的。如果搜索空间里只允许改指节长度和连杆角度，那 28.6% 是参数优化；如果允许改驱动方案（腱驱、连杆、直驱）和自由度分配，那才是结构创新。这两件事的价值差一个数量级。
第三，也是最现实的一条：这套流程能不能反过来降本。灵巧手现在的贵，主要贵在量小——没有量，供应链不给你降价，传感器不给折扣，装配靠人工。如果 AI 能把「可装配性」写进目标函数，让一只手的零件数从三位数降到两位数，那才是对行业真正有意义的数字，比 28.6% 有用得多。
判断：对做交付的团队来说，这次发布现在还不构成选型依据，但构成一个方法论参考——先把评价函数写对，再让机器去搜索。评价函数写错了，搜得越快，偏得越远。