事件
人形機器人新創公司 1X 在 2026 年 7 月公開了其人形機器人 NEO 的新一代機器手。這雙手具備 25 個自由度（degrees of freedom, DOF），接近人手的 27 個自由度，採用類似人體肌腱的驅動設計。根據報導，NEO 的機器手能夠執行高難度精密動作：撿起錢包裡的硬幣、旋轉並裝上燈泡、拉起外套拉鍊，並能即時感知物品滑落並調整抓握。
1X 創始團隊將這雙手定位為「通往物理世界的應用程式介面（API）」。這個表述隱含著一個大膽的視角：機器手不只是動作執行器，而是連接數位世界（大型語言模型、視覺系統、決策引擎）與物理世界的翻譯層。
核心洞察
1X 自己的敘事中藏著一個隱喻：他們公開宣稱開發目標是「移除限制人形機器人能力的硬體上限，讓資料成為能力擴張的主要障礙」。換句話說，他們明確承認：一旦手部問題被解決，下一個瓶頸會立刻浮現——那個瓶頸叫「資料」或「演算法」。
這正是約束理論（Theory of Constraints, TOC）在機器人領域的現場應用。
能力瓶頸遷移的三層機制
第一層：硬體瓶頸時代（1950s-2020s）
傳統機器人學的 70 年歷史，機器人學家面對一個無解的工程困境：人手有 27 個自由度、27 組肌肉協調、無數感覺神經。要機械複製這套系統，需要極高的材料科學、驅動系統、感測器密度。成本和複雜度指數增長。所以業界採用了「繞過」策略——工業機器臂只做重複單一動作，人形機器人停留在演示階段，實用性機器人被限制在「固定流程」的場景（工廠裝配線、物流分揀的單一維度）。
在這個時代，「手」就是瓶頸。所以人人都在躲避它。
第二層：硬體突破後的瓶頸轉移（2020s-2030s）
1X 的 25 自由度機器手代表硬體瓶頸開始鬆動。但一旦手部被解決，什麼會成為新瓶頸？根據 1X 自己的陳述，答案是「資料與演算法」。具體來說：
- **感知瓶頸**：機器手要知道「現在應該做什麼」，需要視覺系統識別環境、理解物體屬性。這依賴高質量的訓練資料與多模態感知模型。
- **決策瓶頸**：看到一個陌生環境（例如進入客戶家中），機器人要規劃「怎麼做」。這涉及常識推理、環境適應、即時學習。當前大型語言模型在物理世界常識上仍有巨大缺口。
- **協調瓶頸**：25 個自由度如何協調成流暢動作？這不只是運動學問題，還涉及力控（force control）、觸覺反饋、能量效率。
這些都無法通過「更好的馬達」或「更精密的機械」來解決，而需要資料、演算法、與神經網絡訓練的投入。
第三層：瓶頸鏈（Constraint Chain）的預測
如果資料/演算法瓶頸也被解決，下一個瓶頸是什麼？根據 TOC 邏輯，序列會是：
1. 硬體（已鬆動）→ 2. 感知/決策資料（2026-2030 年的焦點）→ 3. 能源密度（25 自由度持續運動需要功率）→ 4. 可靠性與安全認證（企業不敢用故障機器人）→ 5. 人類信任與倫理框架（社會層面）
為什麼這很重要
1X 的「手」突破不是終點、而是一個信號：人形機器人產業的瓶頸正式從「我們能否造出靈活的手」遷移到「我們能否用足夠的資料訓練足夠聰明的大腦」。
這意味著： - 未來 5 年，真正的競爭力不在硬體，而在誰能累積最多「機器人執行任務」的視頻資料、誰的模型最能從少量示範中泛化。 - 資本配置會改變：硬體新創可能被大型科技公司（擁有資料與計算能力的玩家）收購或邊緣化。 - 開源與資料成為新護城河：OpenAI、Google、Meta 的 robotics 投入不是在造更好的馬達，而是在累積訓練資料與開源模型。
歷史類比
這個模式不是新的。看看汽車工業： - 1900s：瓶頸是「能否造出可靠的內燃機」（Gottlieb Daimler, Karl Benz）→ 技術成熟 - 1920s：瓶頸遷移到「能否大規模製造」（Ford 流水線）→ 解決 - 1950s：瓶頸遷移到「電子系統與安全」（晶體管、ABS、安全帶）→ 解決 - 2010s：瓶頸遷移到「自動駕駛軟體」（感知、規劃、決策）→ 仍未完全解決