泓君：特斯拉是哪种方案？
陶一伟：特斯拉是单向拉绳的方案。然后就说到单向拉绳，这也是一个主流的方案。单向拉绳好处就是说，对于腱绳材料的蠕变它不是那么的敏感，它可以通过算法的方式相对容易地去克服这个事情。但它的缺点就是说它的伸直运动是没有主动的力，相当于是靠弹簧去实现伸直。这个弹簧伸直的过程中，一是这个力相对来说还是比较小的，如果你想要尽量去优化你的抓握力的话，因为你在抓握过程中实际上是跟你的弹簧力一个对抗，你有更强的伸展力，你就浪费掉你的抓握力。但是有的时候人在一些精细的操作，人用手的过程中，反向地推这样的力，的确也会有它的作用，但是现在这个阶段我们还是在解决抓握的事情。
泓君：就没有想到张开的事情，是吧？
陶一伟：对，张开的的确还用得并不是那么多。反向推，你可以想象你如果去闭着眼睛在你的书包里掏一些东西，你可能需要把其他东西拨开。这个的确是需要一个推的动作，但是更多的还是要整手的触觉，这个确实是非常难的一个问题了，现在大家都没有去考虑这个事情。
泓君：对，那业界现在大家在向哪几个方向收敛呢？
陶一伟：从我看来，硬件上业界现在主要是朝着直驱和单向拉绳这个方向去收敛，包括特斯拉还有我们都是这样的一个方式。直驱的话也是非常惊艳的，连杆的手可能相对高自由度的做的公司会少一些。
泓君：Figure AI他们用的是什么方案？还有Physical Intelligence。
陶一伟：Figure AI，我简单看了一下他们的专利，它可能是一个六自由度的，或许是连杆，或者是其他的一些方案的一个手。
图片来源：Figure
泓君：浩之有什么补充的？讲讲你作为使用者的体验。
齐浩之：我自己是用过连杆和直驱电机的这两种，我确实没有用过绳驱动的手。
我们现在去做"机器人+AI"，大概有两种比较主流的方式。第一种方式就是先用遥操作采数据，然后去训练一个神经网络去完成某些任务。在这种情况下，比较经典的代表可能是Aloha，还有像Physical Intelligence的这条路径。
另外一条比较主流的路径是在一个物理的模拟器中，去用强化学习去训练这么一个网络，就直接把这个网络从仿真器里面迁移到真实世界。比较成功的案例就是基本上所有大家看到的四足机器人、双足机器人跳舞、走路都是走的这条技术方案。
灵巧手的话，任何一种方案在现在这个时间点都有它的缺陷。但是其中的这套从仿真器中训练一个网络，再迁移到真实世界也是非常流行的。所以这个就有一个问题，就是我们在选择灵巧手的时候会去衡量它有多容易被仿真。之前我们比如说比较连杆的手以及直驱的手，我们会觉得直驱的手相比于连杆的手，会容易仿真很多，所以在我们做一些需要高自由度，需要一些用强化学习才能学到的这种灵巧操作的时候，就会选择用直驱的这个手。在之前这种直驱的手，就像刚才Evan说的，它最大的缺陷是当时的电机非常大，也是在最近几年这个电机才做得越来越小，比如说Sharpa。
