98%——这个数字乍看平平无奇，可放在人形机器人干拧螺母这件事上，真不是靠‘多练几遍’就能刷出来的。小米机器人在自家汽车工厂压铸车间干了4个月，从最初每千次失误近百次，硬是压到只剩20次。差那1%，不是手抖，是力觉和视觉在毫秒级里‘商量’错了半拍：自攻螺母内侧花键姿态不固定，定位销还有磁吸干扰，机器人得一边‘看见’，一边‘摸着’对准，再轻轻一压——力气大了滑丝，小了打不进，歪了直接报废。没有专用夹具，全靠自己调姿态、控力度、实时纠错。
66个自由度，一半堆在手上。这不是炫技，是刚需。你让一个只有12个自由度的机械臂去捏住薄如纸片的塑料盖板、再左右换手塞进料格？早变形了。而小米的手，指关节能独立屈伸，掌心能微调压力，连拇指和食指尖的夹持力都能差出0.3牛——相当于捏起一颗葡萄不破皮。中控台侧盖板排序、料箱折叠回收这些新岗位，全是柔性件、非标动作、长时连续作业，没这双手，光有‘大脑’也白搭。
但98%还不是终点。向迪昀说，模型像黑盒，出问题时不知道该补数据、调结构，还是重配训练比例；雷军也直言，家庭场景比工厂难十倍：家里没标准工位，沙发会挪、猫会窜、光照忽明忽暗，一个指令‘把衣服叠好’背后藏着上百种可能路径。工厂容错率低但规则清晰，家庭泛化要求高却没法‘重训一遍’。所以小米先闷头在产线跑满3小时、接进MES系统、跟工人同节拍干活——不是为了造个玩具，是先把‘能用’钉死在钢板上。
这背后其实是条看不见的“产线淬火”路径。工厂不是实验室，更不是发布会舞台——压铸车间温度常年40℃以上，油污、金属碎屑、电磁干扰全在空气中飘着。机器人得扛住热胀冷缩带来的关节间隙变化，还得在机械臂高速运动时稳住视觉识别帧率。有工程师拍过一段对比视频：同一台机器，刚出厂时在恒温实验室拧螺母成功率92%，拉进车间头三天掉到83%；等它自己学会用红外补偿热漂移、用振动信号反推夹爪打滑，两周后才重新爬回95%。这不是算法调参，是机器人真正在“出汗”。
更关键的是，它没走“单点突破”老路。市面上不少机器人靠换专用末端执行器应付不同任务，小米却把66个自由度和力觉-视觉闭环全塞进一套硬件里。拧螺母、分拣PCB板、插拔车载USB接口，用的都是同一双手、同一套底层控制逻辑。这意味着模型学到的不是“某个动作”，而是“怎么应对不确定”。就像老师傅摸一摸零件温度就知道该加几丝压力，机器人也在学这种“手感迁移”——上一个工位压紧了垫片，下一个工位就自动减少0.1N力，不用人工重写一行代码。
当然，也有人问：工厂跑通了，离进家门还有多远？答案可能比想象中实在。小米内部测试发现，家庭场景里最难的不是“叠衣服”，而是“找衣服”：柜门半开、衣物堆叠、布料反光……这些让视觉误判的细节，在工厂里早被标准化规避了。但反过来看，产线积累的实时纠错能力，正悄悄反哺家用端——比如机器人识别出沙发挪了位置，会先暂停指令，用激光雷达扫一圈再规划新路径；猫突然窜过镜头，系统不报错、不卡死，而是跳过那帧图像继续追踪目标。这种“不崩溃”的韧性，恰恰是从压铸车间4个月、上万次失败里长出来的。
说到底，人形机器人不是要取代谁，而是先把自己锤炼成一块“能扛事的钢板”。雷军那句“先钉死‘能用’”，钉的不是参数表上的数字，是机器人真正踩进现实泥地里的第一只脚印。
盛达优配提示：文章来自网络，不代表本站观点。
