21 个自由度、26 个电机、1500 个触觉点：小米用 1827 个工位 SOP，把「手该长几个关节」算成了一道拐点题
从 2579 个标准作业程序里挑出 1827 个做动捕，先算人手的自由度利用率，再做仿真消融——这只手最值得看的不是参数，是它把「堆参数」的边际收益曲线画了出来：21 之后，再加不划算。
- 硬件参数：21 个自由度、26 个电机混合驱动（绳驱为主，5 个直驱自由度放在负载较低的关节）、1500 点高密度全掌触觉，手掌重量仅 324 克。
- 数据来源：从小米汽车智能制造部中试中心 16 个典型工段、2579 个 SOP 中选取 1827 个做视频与动捕采集，覆盖 70.8% 以上典型工段的人工作业工序。
- 拐点结论：仿真消融显示 17–21 自由度区间的平均稳定抓握成功率，比 6–15 自由度区间提升 15%–38%；继续提升到 23 自由度及以上，提升明显放缓。
- 细节指标：指间、指腹、指根触觉空间分辨率 1 毫米，掌心 2 毫米；自研热预测模型可在线预测未来 5–10 分钟温度分布，精度优于 3℃。
- 时间线：2026 年 3 月披露全掌触觉仿生手设计，7 月进小米汽车工厂做岗位测试，10 月 27 日公布完整采集方法与验证数据。
- 判断线索：这一轮灵巧手竞争的焦点不是谁的自由度更多，而是谁有资格用工厂 SOP 去定义末端执行器。
灵巧手这个赛道，过去两年的发布会节奏基本是同一个模板：先讲自由度数量，再讲触觉点数，最后放一段抓鸡蛋不倒、捏薯片不碎的慢镜头。小米这次披露的东西，模板没变，但顺序反了过来——它先讲怎么数人手，再讲为什么最后只做 21 个自由度。
小米机器人团队做的事很笨，也很扎实：把汽车工厂的作业拆成标准作业程序（SOP），然后一条条看人手在里面怎么动。16 个典型工段、2579 个 SOP，最终选了 1827 个做多角度视频与动作捕捉，覆盖 70.8% 以上工段的人工作业工序。
采完之后做的是分类、切片、清洗、重定向，再算每个自由度的利用率。结论是：在覆盖到的工序里，几乎所有被测自由度的利用率都超过 50%。这句话的意思是，工厂里的活确实用得上整只手，不是只有拇指食指在干活。同时也发现人手指关节存在天然耦合——这为欠驱动设计提供了依据，也就是不必每个关节都配一个电机。
这一步的价值常被低估。多数灵巧手是先定自由度，再去场景里找活干；这次是先统计场景要多少个自由度，再决定手长什么样。
真正有意思的是后面的仿真消融。团队在仿真里构建了工厂实际工具、零件与操作物的数字资产，对不同自由度配置做多角度抓握验证，得到一条相当清晰的曲线。
这条曲线解释了一个行业里长期含糊的问题：为什么很多高自由度灵巧手做出来了，却卖不动。答案不在技术，在账。每多一个自由度，意味着多一个电机、多一路驱动、多一组走线、多一份散热负担、多一层控制耦合——成本和故障率是线性往上走的，而抓握成功率在 21 之后就开始变平。
判断：21 这个数字本身不难，难的是有人愿意公开说「再多不划算」。在一堆把 26、30 自由度当卖点的宣传里，这句话反而是最有商业含金量的——它等于告诉客户，你不需要为用不上的自由度付钱。
第一个是重量。手掌 324 克，这个数字比自由度更影响实际表现。末端每重 100 克，机械臂在同样节拍下的惯性负载、定位误差、电机发热都会跟着变，长时间作业的稳定性直接受影响。把 26 个电机、1500 个触觉点塞进 324 克里，才是这只手最难的部分。
第二个是腱绳。腱驱的经典难题是蠕变——绳子用久了会被拉长，昨天标定好的抓握力，今天就不准了。团队的做法是加腱绳张力传感器，用张力而不是位置去闭环。这一点对工业客户的意义是维护周期：手不会因为「感觉变了」就得返厂重标。
第三个是散热。21 个自由度集成在一个手掌里，热量没地方跑。团队做了一个热预测模型，在线监测并预测未来 5–10 分钟的温度分布，精度优于 3℃。预测比测量更重要——它让系统可以在过热之前主动降载，而不是等保护触发停机。
把小米这只手和市面上其他高自由度灵巧手放在一起，硬件层面的差距可能没有参数表看起来那么大。真正的差别在数据侧：1827 个 SOP 的动捕、力位、装配时序记录，是一份场景化的私有资产。它既能训练手的操作策略，也能反哺更上层的模型，提升跨场景迁移能力。
判断：这条路走通之后，灵巧手的竞争会从「硬件参数战」变成「场景数据战」。谁手里的工厂工序数据更多、更细、更连续，谁就能把自由度、触觉密度、驱动方式这些参数调到恰好够用，而不是恰好够炫。反过来，只有手、没有场景数据的企业，会长期停留在给人做样机的生意里。
对本号长期观察的租赁与展演场景来说，这个思路同样成立。一台机器人在商演现场连续站四小时、握手两百次、和小朋友击掌三十次，这些动作的失败率、关节温升、维护间隔，本身就是一份别处买不到的数据。把它记下来，比多买两台机器更有复利。