最近发布的高性能 AI-native 人形机器人 Bridge" 小桥 " 火了。

官方数据显示，9 月 2 日开售首日销量就突破 600 台，登上了京东人形机器人销量榜第一名。

小桥 8888 元的价格格外吸睛，但如果只把它理解成一次人形机器人价格下探，可能低估了元点机器人真正想做的事。

当下具身智能已经逐渐成为共识，会是物理 AI 的终局形态之一，但依然有两个问题没有解决：

1. 当下依然只有少数人才能训练机器人，怎么让所有人一起训练机器人，让更多的创意、想法一起循环，加速物理 AI 到来的速度

2. 怎么让机器人更拟人、比例跟人更像，才能够把今天海量的人类数据更好地映射到机器人之上，提升效率

而这两个问题耦合在一起就更难了，解决一台普及的机器人，需要体积小、重量轻，但是一旦机器人做小，受限于零部件，就做的更不像人类尺寸了。

但这次，元点机器人的小桥机器人，让人看到的不仅是一台小机器人，更是一台保持高性能的小机器人，而且是一台保持人体比例、还保持高性能的小机器人。

所以他既能依靠尺寸跟重量优势满足普及的需求，也通过高性能保证了开发者的需求可以一起创造，更通过保持人体比例让大量人类数据可以更好的映射。

那么他们到底是怎么做到的？我们一直非常好奇，直到今天，他们释放了关于小桥机器人的两篇论文，从其中能找到一些线索。

Physical AI 时代，机器人的 " 身体怎么造 " 需要重新考虑

为什么机器人连 " 身体怎么造 " 都要重新考虑？出发点很直接：进入 Physical AI 时代，机器人想学会越来越多真实世界中的运动和任务能力，人类积累的大量动作数据，正在成为重要的学习来源。但这些动作并不能天然落到机器人身上。

语言模型可以把网页、书籍和代码转换成 token，再交给相对统一的模型架构处理。但到了机器人这里，人类动作和机器人动作之间，还缺少一个足够统一的 " 翻译层 "。

人的身体比例、关节结构、活动范围和发力方式，与机器人并不相同；不同机器人之间，本体结构也各不相同。同一个抬腿、转身甚至下蹲动作，映射到不同机器人身上，都可能因为腿长、关节轴、活动范围或者电机能力不同而变形甚至失稳。

这意味着，机器人想从人类动作中学习，问题不能只停留在 " 算法怎么把动作映射过去 "。还要反过来问：什么样的身体，才能更好地承接这些数据和学习型控制？

当机器人开始依赖越来越多的人类动作数据进行训练，身体本身也就不再是一个预先固定的条件，而逐渐变成了需要重新优化的变量。

Bridge 要解决的，正是这个问题。

Bridge 的解法：让身体和控制进入同一个优化循环

为了实现这一点，Bridge 采用了 " 形态与控制协同设计 "（Morphology-Control Co-Design）：让身体设计和控制策略从一开始就进入同一个优化循环。在 Bridge 的研发过程中，这套 Co-Design 贯穿自由度压缩、执行器感知的本体生成、基于动作的控制评估和由失败驱动的硬件改进四个环节。

简单理解，就是先从人类动作出发设计候选身体，再把真实执行器的尺寸、质量、惯量以及扭矩、速度边界带入模型，让控制策略在这些真实物理条件下完成动作。说得更直白一点，就是让机器人先在仿真世界里 " 试穿 " 很多副身体。

每一副候选身体都要先接受动作映射，再由控制策略在真实物理约束下参加考试。某个动作失败后，系统不会立刻把问题归咎于算法，而是检查具体关节是否反复触及扭矩或速度上限。只有放宽该执行器限制后动作能够成功，硬件瓶颈才会被确认。

随后，新的硬件参数重新进入机器人模型，控制策略再次训练，整套动作重新验证。于是，训练结果不再只是用来优化算法，也会反过来修改机器人的身体。

从本体结构、关节驱动，到运动控制和最终的真机验证，机械、控制与 AI 在同一套研发过程中持续彼此校准。

这也是将 Bridge 定义为 AI-native 本体的原因，并不是在传统机器人完成之后接入一个大模型，而是让数据和训练结果成为设计身体的反馈信号。

AI 不只运行在这副身体上，训练中暴露出来的问题，也会反过来影响这副身体应该怎样被造出来。

对于训练具身模型的研究者，它提供了一副更容易映射人类动作、也更适合学习型控制算法运行和验证的身体；对于应用开发者，它提供了一个已经完成基础运控和系统集成的真实载体，可以直接验证模型在物理世界中的表现。

目前，小桥可以完成稳定双足行走、避障、舞蹈和后空翻等高动态动作，并支持手柄、VR 和动作捕捉设备进行全身遥操作。高动态动作具有传播效果，也承担着更实际的工程证明：关节输出、结构刚度、散热和全身控制需要同时工作，机器人才能在快速运动中保持稳定。

小桥现阶段更像一台 " 具身智能开发机 "，价值首先体现在降低模型进入真实世界的门槛。

它没有试图把所有工业和应用场景都预先定义好，而是选择先把一台更轻、更容易搬运和部署、也更容易被开发者获得的真实本体交出去。

约 13 公斤的整机重量和 8888 元的首发价格，也都是这条路线的一部分：让机器人不再只能待在大型实验室和专业场地里，而可以进入更多高校、开发团队甚至个人创作者的工作空间，被反复调试、修改和验证。

这也对应着元点对 Bridge 的另一层判断：机器人未来能做什么，不应该全部由一家厂商提前写好答案。小桥负责提供身体和基础能力，更多场景和 Skill，则交给开发者在真实世界里继续探索。

对一个还在寻找 Scaling 路径的行业来说，一台能被更多研究者获得、修改和反复试错的真实本体，本身就是让模型和机器人能力继续扩展的基础设施。

OpenBridge，让能力继续流动

如果说 Bridge 解决的是模型应该落在一副怎样的身体上，OpenBridge 想解决的，则是能力怎么在更多开发者之间流动起来。

具身智能想形成类似语言模型的 Scaling 效应，还有一个现实障碍：大量研发成果仍然分散在不同硬件和实验室里。换一台机器，接口、数据和控制系统往往都要重做；一个团队训练出的动作，也很难被另一个团队直接复用。单靠一家公司收集数据、开发技能，很难覆盖真实世界近乎无限的任务和场景。

按照元点的规划，OpenBridge 将开放小桥的 SDK、运动控制接口和训练资源，并通过 Skill Hub 承载模型、数据与动作链。开发者可以接入传感器、动捕和 VR 设备，在同一套本体上训练和验证能力，再把结果交给其他人调用、修改和继续迭代。

这让小桥获得了硬件之外的意义。较低的价格让更多高校、研究者和开发者拥有真实本体，开放接口则让每台机器都可能成为模型测试、技能生产和数据反馈的节点。小桥提供身体，OpenBridge 再把分散的探索连接成持续运转的开发闭环。

它能否成为真正的生态，还要取决于代码和文档是否完整、技能能否稳定复用，以及开发者是否愿意长期参与。

具身智能真正需要解决的，是如何让模型、本体和数据开始一起 Scale，元点试图补上的，正是具身智能从研究走向规模化应用所缺少的闭环。