OpenArm 是由东京公司 Enactic 开发的一款完全开源、7 自由度（7DOF）的人形机械臂，专为物理 AI 研究和接触密集型环境的部署而设计。它旨在提供一个标准化、可复现的硬件平台，以推动全球在物理 AI 领域的研究与合作。
核心特性与定位
- 设计理念：OpenArm 的设计核心是安全的人机交互。它具备高反向驱动性（high backdrivability）和柔顺性（compliance），能够在与人或环境发生意外接触时做出缓冲，同时保持实际应用所需的负载能力。
- 人类尺度比例：其尺寸和结构参考了人类手臂的比例，适合身高约160-165厘米的人进行遥操作和数据采集，便于将人类的操作技能直接迁移到机器人上。
- 标准化研究环境：项目配套了 OpenArm Cell 标准化环境，统一了背景、光照和摄像头位置。这确保了世界各地的研究人员能在一致的条件下进行实验，使研究结果更具可比性和可复现性。
技术规格与成本
- 自由度：7 自由度（7DOF），模拟人类手臂的灵活性。
- 完整双臂系统价格：一套完整的双臂系统定价为 6,500 美元，旨在降低物理 AI 研究的硬件门槛。
- 应用平台：该平台支持遥操作、模仿学习、仿真以及真实世界的数据采集，特别适用于接触密集型任务。
一台永远不能替你洗碗的机械臂，正在让全球最顶尖的AI实验室排队下单！
你听说过“物理AI”这个词吗？简单说，就是让机器人在真实世界里学会动手做事。但训练这种机器人，最缺的从来不是聪明的算法，而是能稳定复现实验的硬件平台！
OpenArm是一套完全开源的7自由度人形机械臂，双臂整套只卖6500美元，硬件图纸和软件代码全部公开。它不让你拿它去端茶倒水，而是给你一个全世界研究者都能复现实验条件的标准物理AI训练场！
开源硬件便宜货，凭什么让英伟达抢着用
2010年代中期，研究机器人手臂的实验室都面临一个扎心的现实：买得起一台Franka Emika Panda的企业或高校，要么申请到几百万的经费，要么背后有工业巨头的赞助。那台手臂售价两万到四万美元，整套系统装下来够买一辆不错的车。绝大多数做具身智能研究的博士生，连碰都碰不到。
日本东京一家名叫Enactic的初创公司决定换个玩法，他们把一套双臂人形机械臂的全部设计图纸、电机固件、控制代码打包开源，整套物料成本压到6500美元。创始人山本泰豊只有24岁，他给公司定的方向不是卖机器人赚钱，而是让尽可能多的人用上能复现的硬件。
结果出乎很多人意料。英伟达和斯坦福大学率先把OpenArm搬进了实验室。一个日本小公司的开源项目，成了顶尖机构做物理AI研究的标配工具。事情还没完！
便宜必然粗糙，6500美元背后藏了什么妥协
任何工程师看到6500美元这个数字，第一反应都是怀疑。一套7自由度的双臂系统，每个关节都要有独立的电机、减速器、编码器和控制板，光零件采购成本就不止这个数。
但OpenArm的定价恰恰卡在一个微妙的平衡点上。它的额定负载是4.1公斤，峰值负载能到6公斤。这是什么概念？市面上大量低价开源机械臂的有效负载只有200到500克，拿个苹果都费劲。OpenArm能抓起一桶4升的矿泉水，同时手臂本身足够轻，操作员可以徒手拖拽它示教轨迹。
更关键的是它的关节采用了QDD（准直驱）电机方案。这种电机的减速比很低，意味着你反向推它的时候阻力很小，手臂像漂在水里一样轻。传统工业机械臂用高减速比齿轮，力量大但极其僵硬，人碰一下就可能被夹伤。OpenArm的设计优先保证的恰恰是反向驱动性，也就是安全的人机交互能力。
但是，这种设计取向带来了一个严重的代价。你没法用OpenArm去做精密装配，它的重复定位精度远远比不上Franka Panda那类工业级研究平台。
精度差五倍，为什么研究者根本不介意
OpenArm的重复定位精度大约在正负0.5毫米，Franka Panda是正负0.1毫米。差了五倍，这在精密制造领域是致命的短板。任何一个做模仿学习的研究者看到这个数字，都应该扭头就走才对。
但事实恰恰相反。他们不仅没走，还排着队下单。
原因藏在模仿学习的工作方式里。模仿学习的核心逻辑是让机器人观察人类演示，学会一个动作策略，然后用这个策略去控制手臂完成任务。整个过程中，策略是在闭环里运行的，机器人会不断观察当前状态并修正动作。0.5毫米的误差在一次抓取动作里会被后续的反馈控制自动消化掉。
真正要命的问题从来不在精度上。一个做模仿学习的研究团队，最怕的不是手臂不够准，而是三个月后想复现实验时发现，当初用的那台定制机械臂已经停产了，零件买不到了，代码跑不通了。
OpenArm从根上解决了这个问题。所有CAD图纸、物料清单、控制代码全部公开，任何实验室都可以自己造一台，或者从认证厂商买一套现成的。你三年前写的策略代码，三年后还能在另一台OpenArm上原封不动地跑起来。对研究者来说，这种可复现性比0.4毫米的精度差距重要一百倍！
力反馈遥操作，摸到机器人的“痛觉”
做机器人数据采集最尴尬的场景，是操作员握着手柄指挥机械臂去抓东西。机械臂撞到桌角了，操作员屏幕上能看到，但手上什么都感觉不到。采集出来的数据，缺少了接触力这个维度，训练出来的策略永远学不会“轻拿轻放”。
OpenArm配套开源了一套双边力反馈遥操作方案。你握住主臂做动作，从臂实时跟随，从臂碰到物体时产生的阻力会立刻反弹回你的手心。你用多大的力捏杯子，手上的阻力就是多大。这听起来很简单，但在低价开源机械臂里几乎是独一份的配置。
实现这个功能需要整条控制链路的延迟极低。OpenArm的底层控制频率做到了1千赫兹，也就是每毫秒发出一次控制指令。从你手上的动作到从臂的实际响应，再到力反馈传回你手心，中间的延迟必须压缩到人能感知的阈值以下。延迟稍微大一点，操作员就会觉得像在遥控一台坏了的游戏手柄。
这种力反馈能力直接改变了数据采集的质量。采集到的数据里不仅有位置和速度，还有每个时刻的关节扭矩信息。策略模型学到的不仅仅是“把手移到这个位置”，还包括“用多大的力接触这个物体”。这才是物理AI真正需要的数据维度。
标准实验笼子，让全球实验室跑同一道题
2025年以前，具身智能领域有一个公开的秘密：几乎所有论文里报告的“某某策略在某某任务上取得了SOTA效果”，都没法被其他实验室复现。不是因为算法造假，而是因为每家的实验环境都不一样。光照不同、摄像头角度不同、桌面高度不同，甚至背景墙的颜色不同，都会显著影响视觉策略的表现。
Enactic在发布OpenArm 2.0的时候，同步推出了一个叫OpenArm Cell的东西。它本质上是一个标准化的实验笼子：固定了背景、灯光、摄像头位置和手臂安装位。任何一个实验室，只要在OpenArm Cell里跑实验，得到的评估条件就和世界上其他所有用OpenArm Cell的实验室完全一致。
这个看似朴素的设计，解决的是物理AI研究中最根本的信任问题。过去你说你的策略成功率90%，别人没法验证；现在你说在OpenArm Cell上成功率90%，任何人都能搭一个同样的Cell，下载你的模型权重，跑出可对比的数字。研究结果从“口头声明”变成了“可交叉验证的基准数据”。
开源硬件不赚钱，24岁CEO到底图什么
山本泰豊给Enactic定的商业路径和大部分机器人公司完全不同。他把OpenArm整套硬件方案白送出去，目标不是卖手臂，而是让世界上尽可能多的实验室用上同一套标准硬件，从而产生大量格式统一、条件可复现的真实操作数据。
Enactic真正要做的产品，是能在日本养老院里洗碗、叠衣服的人形机器人。做这种机器人，最大的瓶颈不是硬件，而是数据。养老院的环境混乱且不断变化，机器人的每一个动作都需要在真实的接触场景里反复学习。靠Enactic一家公司采集数据，速度太慢，成本太高。
让全球几百个实验室用OpenArm采集数据，这些数据反过来能喂养Enactic自己的基础模型，加速他们护理机器人的训练。OpenArm是鱼饵，真正要钓的是物理AI的基础模型能力。
这个策略能不能跑通，现在还不好说。OpenArm在GitHub上有三千多颗星，文档还在持续完善，社区里已经有人反馈不同厂商生产的OpenArm质量参差不齐。6500美元的门槛已经设好了，现在就看有多少实验室愿意真金白银下单，然后一起踩坑、一起填坑。
你愿意花6500美元，成为这个全球实验网络的一个节点吗？还是继续等着别人把机器人送进你家厨房？