作者：沙克    出品：人形机器人洞察研究

摩根士丹利（Morgan Stanley）于2026年3月6日发布的报告重点探讨了人形机器人走向大规模商业化应用的核心门槛——“操作能力”，并聚焦于灵巧手（Dexterous Hands）的发展现状与前景。

报告指出，虽然机器人在移动能力上已经取得了显著进展，但决定其能否实现大规模普及的关键，在于机器人能否可靠地操纵物理世界并大规模执行重复性任务。高灵活性的多指灵巧手对于机器人无缝使用最初为人类设计的工具、物体和用户界面至关重要。

本报告详细剖析了当前灵巧手在硬件设计、软件算法以及传感器集成方面所面临的瓶颈，并预测2026年将是灵巧手在特定场景中实现突破性应用的关键节点。

报告核心内容总结

务实的商业化节奏：在短期内，相比于高复杂度的灵巧手，功能性和效率更高的两指夹爪（Grippers）和特定任务末端执行器（如吸盘）仍是执行基础、高重复性任务（如搬运和分拣）的主流务实选择 。然而，随着行业在数据集、软硬件迭代上的大规模投入，预计到2026年，灵巧手将迎来采用上的突破，能够在受限的工业和服务环境中可靠地执行专业任务，并逐步提升渗透率。

硬件瓶颈与三大技术路线并存：灵巧手被认为是机械设计上的难题，因为必须在手掌大小的体积内集成电机、传动组件、传感器和布线，同时还要满足对功率密度、精度、耐用性和热管理的高要求 。目前行业广泛采用三种主要架构：线驱动（Tendon-driven）、连杆（Linkage）和直驱（Direct-drive） 。这三种方案在精度、强度和寿命上各有权衡（例如线驱动具有高自由度和高精度，但寿命较短），由于不同应用场景的需求各异，预计这些解决方案在短期内将共存。

软件迭代与数据稀缺的挑战：灵巧操作通常需要多模态感知和跨10个以上自由度的实时控制 。数据可用性是机器人算法的核心制约因素，而对于灵巧手而言这一挑战被进一步放大，因为带有丰富自由度标签的高保真手部数据集不仅收集成本高昂，而且极其稀缺 。不过，行业正通过使用带有第一人称摄像头的动作控制手套以及类似Nvidia EgoScale的转移框架来收集高质量操作数据，从而推动软件的逐步改进。

触觉传感器的关键赋能作用：触觉传感器是决定机器人操作质量和鲁棒性的关键，它使得机器人系统能够解析力学动态，这对于实现稳定抓取、滑动检测和与物体进行安全交互是必不可少的 。目前，触觉传感器的技术路线尚未统一，压阻式（强调成本效益和制造能力）、电容式（强调数据一致性和稳定性）和霍尔效应式（强调高灵敏度和高频响应）这三种技术方案正在激烈竞争。

资本与行业资源的加速倾斜：随着业界将“操作能力”视为主要壁垒，增量资本、工程资源和生态系统开发正加速向灵巧手领域转移 。数据显示，灵巧手占据了2025年该领域总融资活动的7%，并在2025年下半年和2026年初呈现出加速融资的趋势 。此外，特斯拉即将发布的Optimus Gen 3预计将在手部灵活性上带来提升，这有望为行业设定更高的标准，从而加速整个产业链的进步。

正文部分

操控性是实现大规模应用的关键门槛。运动技术已取得显著进展，能够实现类似人类的动作。然而，大规模应用最终取决于人形机器人能否可靠地操控物理世界并大规模执行可重复的任务。多指灵巧的手对于与最初为人类设计的工具、物体和用户界面进行无缝交互至关重要。

硬件难题依然存在；数据瓶颈依然存在；多种技术路径可能并行发展。我们认为，目前业界普遍采用三种架构——肌腱驱动、连杆和直接驱动——每种架构在精度、强度和寿命方面都存在权衡。由于不同应用场景的需求各不相同，我们认为这些解决方案在短期内可能会共存。我们预计即将发布的特斯拉Optimus Gen 3将提升人手的灵巧度，从而加速整个行业的进步。

到2026年，我们预计灵巧手将得到改进，能够在受限的工业和服务环境中可靠地执行专业任务，并逐步提高其普及率。我们看到，越来越多的资本、工程研发投入和生态系统建设将转向灵巧手领域。目前，主要的独立灵巧手公司包括Linkerbot、Inspire Robot和OY Motion（按2025年产量计算），更多的人形机器人集成商也在内部开发灵巧手。供应链组件和触觉传感器也将从中受益。

硬件瓶颈依然存在，尚未找到完美的解决方案。由于空间紧凑，灵巧手的机械设计难度较高。手部必须在掌心大小的空间内集成电机、传动部件（齿轮箱/螺丝/肌腱）、传感器和线路，同时还要满足功率密度、精度、耐用性和散热管理方面的高要求。目前灵巧手的机械结构主要有三种类型：肌腱驱动、连杆式和直接驱动式（详见图表1），每种类型都有其优缺点，尚未达到最佳平衡。例如，肌腱驱动式（特斯拉Optimus最新款灵巧手采用的就是这种结构）可以提供高自由度、良好的精度和相对轻巧的结构。缺点是肌腱容易磨损和拉伸，导致使用寿命较短。

在软件方面，灵巧操作通常需要多模态传感和跨10个以上自由度的实时控制。正如我们之前的报告中所述，数据可用性是机器人算法的核心制约因素，而对于手部模型而言，这一挑战尤为突出。具有丰富自由度标签的高保真手部数据集（例如具有27个自由度的人手）采集成本高昂且仍然稀缺。我们还观察到，相对于更广泛的人体层面基础模型研究，灵巧手部模型/软件的研究相对较少。

触觉传感是实现操作质量和鲁棒性的关键。触觉传感器使具身系统能够解读力动态，这对于稳定抓取、滑移检测以及与物体的安全交互至关重要。然而，目前业界尚未形成统一的技术路径，三种主要方法正在积极竞争：

压阻式传感器：以成本效益高和易于制造而著称。

电容式传感器：常因其数据一致性和稳定性而备受青睐。

霍尔效应传感器：通常与高力灵敏度、高频响应和耐用性相关。

短期内，机械手抓取器和特定任务末端执行器仍然是务实的选择……虽然灵巧的机械手是与“人性化”环境交互的理想解决方案，但我们认为，在短期内，其功能性、稳健性和效率仍然是制约因素。因此，对于诸如搬运箱子和拣货包装等基础性、高重复性任务，双指机械手抓取器和专用工具（例如吸盘式末端执行器）可能仍将是主流选择。

但我们预计，到 2026 年，灵巧的机械手将得到改进，能够在受限的工业和服务环境中可靠地执行特定任务，并逐步提高其普及率。随着行业认识到操作是关键障碍，我们预计，新增资本、工程投入和生态系统发展将转向灵巧的机械手。

不仅手部专家，而且人形机器人集成商和组件供应商也越来越关注灵巧的手：正如图表2中所讨论和展示的，越来越多的参与者正在开发灵巧的手，我们预计未来会有更多人参与。例如，小米聘请了特斯拉Optimus灵巧手团队的前成员卢泽宇来领导其灵巧手的研发。

资本关注度提升：灵巧手在2025年占总融资活动的7%。我们观察到，2025年下半年灵巧手的融资活动呈加速增长趋势，仅在2026年1月和2月，融资额就接近40亿元人民币，这清晰地表明该领域资本关注度正在逐步提升。

特斯拉树立了更高的标杆：我们预计，即将发布的特斯拉Optimus Gen 3在灵巧手性能方面的提升，将通过树立更高的标杆，加速整个行业的进步。

软件的逐步改进得益于更高质量的操作数据：与传统的远程操控数据采集方式相比，我们看到业界正在使用配备以自我为中心的摄像头的高保真运动控制手套来采集操作数据。此外英伟达推出了EgoScale，这是一个将人类灵巧操作迁移到机器人灵巧操作的框架，它将人类自我中心作为灵巧手部训练的重要资源。也就是说，我们预计多种硬件技术路径将继续并行发展。

正如前文所述，每种解决方案的机械特性各不相同，各有优缺点，适用于不同的应用场景。短期内，我们认为联动技术可能会在一些基本的抓取和放置任务中得到更广泛的应用（受限于大脑兼容性）。

资料来源：摩根士丹利