机器人学会撕茶包了？听起来像是科幻片里的日常，但这次是真的——而且不是那种“走过去、立定、再动手”的僵硬流程。
报道
机器人学会撕茶包了。
不是先走过去、立定，再用手执行动作；而是在同一套策略中，把行走、姿态调整、躯干协同和手部精细操作统一起来——
一个模型，同时完成移动与精细操作。
今天，Current Robotics发布全身灵巧操作模型Curr-0。
通过Single Policy，Curr-0能够在同一个模型中耦合移动、全身姿态协调与手部精细操作，实现全程自主执行。这也是Current Robotics在机器人数据基础设施与具身智能全栈训练系统上的最新成果。
在Curr-0的Demo中，机器人完成了撕茶包、点香、盖章、捡起揉皱纸团，甚至抱着玩具穿过门口、蹲下放进篮子等任务。这些看似简单的动作，难点在于全身与手必须同时参与：站姿决定抓取，躯干决定可达性，身体重心影响施力方式。
人类弯腰捡东西时，双脚、膝盖、腰部、肩膀和手指都在同时调整。这是一个动作，不是五个。
但机器人过去通常是这样的：
走过去 → 停下 → 操作 → 再移动
这套逻辑在工厂流水线上还能用，在真实世界里却行不通。因为抓取的稳定性还取决于站姿，能不能够得着还得看身体怎么配合。所以手足够灵巧还不够，还得看机器人的整个身体能不能和手一起协调起来。
对于机器人来说，移动与操作从来不是两个独立问题，而是一个统一问题。Curr-0所解决的，正是这种全身灵巧操作（Loco-Dexterous Manipulation）能力。
Curr-0的实现关键，在于不是把移动控制、全身姿态协调和手部精细操作视作三个独立的模块，而是将其作为一个统一问题端到端训练。
机器人不需要“先想好再动”，而是在运动过程中让全身与手实时耦合调整。单一模型，共享权重，全程自主。
同一个Policy同时负责身体移动、姿态稳定与精细操作，从而让机器人真正具备全身协同完成任务的能力。
Curr-0基于21,000小时真实人类行为数据训练，其中包含2,800小时全身示教数据。
这些数据来自HumanEx——一套由Current Robotics自研的全身外骨骼数据采集系统。
不同于直接操控机器人的遥操作方案，HumanEx让人类穿戴外骨骼设备，在真实场景中自然完成任务。
由于无需控制机器人本体，HumanEx可以直接部署在工厂、实验室、办公室等真实场景中进行数据采集，系统同步记录全身姿态、关节运动、手部动作、本体感知、肌电信号和环境交互数据，并转化为机器人可学习的训练素材。
这类数据不仅记录了“手怎么动”，更关键的是记住了“全身如何配合手完成任务”：脚如何站稳，躯干如何调整，身体如何施力，手指如何在接触瞬间完成精细控制。
Current Robotics认为，数据并不是训练模型的副产品，而是具身智能系统的核心基础设施。
HumanEx将数据规模的增长路径从“机器人部署小时数”切换为“人类任务小时数”——数据飞轮不再受制于机器人的部署数量，而是随真实人类任务持续增长。
Current Robotics认为，仅靠真实机器人训练并不足以支撑大规模迭代。物理世界不能规模化——一台机器人每次测试都消耗硬件、能源和人力，失败无法回滚，场景无法按需重置。
因此，该团队正在构建覆盖视觉、本体感知、力觉等物理信号的多物理模态交互世界模型，希望将评测、后训练和部署验证从真实硬件迁移到可扩展的数字环境中。
在此基础上，Current Robotics提出Human-in-the-World-Model框架：人类可以直接在世界模型中介入修正策略，修正结果随即用于后续训练，从而降低后训练对真实机器人部署和人工干预的依赖。
从HumanEx采集真实人类数据，到Curr-0端到端训练，再到世界模型评测，最后到Human-in-the-World-Model后训练与部署——数据、模型、评测、部署四个环节在同一套体系内持续迭代。
由此可见Current Robotics真正想要做的不是单点突破，而是全栈闭合。
随着人类行为数据的持续积累，模型能力可以不断提升，而不依赖机器人Fleet的规模扩张。
当行业开始从“让机器人看懂世界”走向“让机器人真正改变世界”，全身灵巧操作正在成为下一代人形机器人的核心能力之一。
从数据采集到模型训练，再到世界模型和部署验证，Current Robotics正在尝试构建一套完整的具身智能基础设施。
而Curr-0，是Current Robotics全栈路线的一次阶段性成果展示。
技术报告：
current-robotics.com/blog/curr-0
客观来看，Curr-0的价值不仅在于展示了机器人能撕茶包，而是将“移动-操作”两阶段范式压缩为单一策略，这直接提升了机器人在非结构化场景中的实用潜力。相比之下，传统方案需要分别训练导航、抓取和操作模块，再通过规则或高层规划串联，复杂度高、泛化性差。Curr-0的单一模型架构降低了系统耦合成本，也为后续人形机器人进入家庭、服务等场景提供了可落地的技术路径。不过，目前展示的任务仍属于实验室验证，距离复杂工业或极端环境的大规模部署仍有距离，数据采集系统的外骨骼方案能否在成本与效率之间找到平衡，也是值得关注的变量。
