物理 AI 的复现难题，往往不在模型仓库里，而在实验室的桌子上：代码可以下载，机械臂却是另一套电机、夹爪和装配方式。OpenArm 尝试补上这块缺口。根据来源摘要，它是一套全开源的 7 自由度人形机械臂方案，整套双臂系统价格为 6500 美元，目标不只是完成抓取，而是为不同实验室提供可复现的研究硬件基础。
这里真正值得关注的，不只是价格，而是一个问题：拿到相同的软件之后，别人能不能搭出足够接近的实验条件？
双臂平台的价值，不只是多了一只手
双臂操作适合研究需要协作的任务，例如一只手固定物体，另一只手调整位置，或者两只手共同搬动物体。这些是这类平台可以探索的方向，并不代表来源已经证明 OpenArm 完成了这些任务。
7 自由度则为机械臂提供了更丰富的姿态选择。不过，自由度多不等于控制容易：同一个末端目标可能对应不同关节姿态，规划器还要处理关节限制、自碰撞和两臂之间的干涉。
对研究团队而言，统一硬件的意义是减少实验变量。否则，一次策略迁移失败，很难判断原因究竟来自：
- 模型或训练数据；
- 关节响应和控制频率；
- 夹爪结构与接触方式；
- 相机位置、坐标系或标定误差。
OpenArm 的定位，是把硬件也纳入可共享的实验条件，而不是让每个团队从头造一套自己的机械系统。
“全开源”是起点，复现还需要版本和标定
摘要将 OpenArm 描述为全开源硬件，但没有列出具体的开放文件、许可证、控制接口或性能指标。因此，不能仅凭这个标签，就推断它已经具备完整的生产部署能力。
评估这类项目，可以检查四层材料：
| 层次 | 应检查的内容 | 缺失后的影响 |
|---|---|---|
| 机械 | 图纸、物料清单、装配说明、版本记录 | 能买到零件，却未必装得一致 |
| 电气 | 接线、供电、驱动配置 | 故障难排查，安全边界不明确 |
| 控制 | 固件、接口、关节限制、标定流程 | 相同指令可能产生不同动作 |
| 实验 | 任务定义、初始状态、成功标准、日志 | 演示可观看，结果难比较 |
其中，标定尤其容易被低估。两台按相同图纸装配的机械臂，仍然可能存在零位、安装和传动误差。硬件开源可以缩小差异，但不会自动消除差异。
可复现的对象应该是“硬件版本 + 标定结果 + 控制配置 + 实验协议”，而不只是一个型号名称。
可以这样实践：先给实验建立一份机器可读清单
来源没有提供 OpenArm 的真实 SDK 或命令接口。下面是一个与具体驱动无关的最小实践示例：用 Python 生成实验清单，并检查关键材料是否齐全。它不连接机械臂，也不发送运动指令。
运行前，将脚本中的 REPLACE_ME 改为实际版本号或文件路径；路径对应的文件应由你的装配、标定和实验流程生成。
保存为 experiment_manifest.py，使用 Python 3 运行：
import json
from pathlib import Path
manifest = {
"platform": "OpenArm",
"hardware_revision": "REPLACE_ME",
"firmware_revision": "REPLACE_ME",
"controller_revision": "REPLACE_ME",
"artifacts": {
"left_arm_calibration": "REPLACE_ME",
"right_arm_calibration": "REPLACE_ME",
"camera_calibration": "REPLACE_ME",
"task_protocol": "REPLACE_ME",
"safety_checklist": "REPLACE_ME",
},
}
problems = []
for key in (
"hardware_revision",
"firmware_revision",
"controller_revision",
):
if manifest[key] == "REPLACE_ME":
problems.append(f"{key}: missing revision")
for name, filename in manifest["artifacts"].items():
if filename == "REPLACE_ME" or not Path(filename).is_file():
problems.append(f"{name}: missing file ({filename})")
output = Path("experiment_manifest.json")
output.write_text(
json.dumps(manifest, ensure_ascii=False, indent=2),
encoding="utf-8",
)
print(f"Manifest written to {output}")
if problems:
print("Incomplete experiment package:")
for problem in problems:
print(f"- {problem}")
raise SystemExit(1)
print("Required revisions and files are present.")
print("This does not certify motion safety or calibration quality.")
运行命令：
python3 experiment_manifest.py
默认配置会生成清单并返回非零退出码，提示哪些内容尚未补齐。这样做的价值是把“实验材料应该都在”变成可以检查的条件。
下一步可以将这份清单与每次运行的日志一起归档，并扩展记录随机种子、对象型号、初始位置和成功判定规则。需要注意：文件存在不代表标定正确，清单检查也不能替代真实硬件的安全检查。
6500 美元之外，还要算哪些成本？
摘要给出的 6500 美元，是整套双臂系统的价格信息，不应直接视为实验室的最终落地预算。采购前还需要确认报价包含哪些部件，以及运输、税费、装配工具、视觉设备、计算设备和备件是否另计。
更重要的是时间成本：谁负责装配，谁维护标定，谁定位偶发故障，谁在升级固件后重新验证实验？
对于准备采用这类平台的团队，可以先做一个范围明确的验证：
- 选一个简单、低速、接触风险较低的任务；
- 固定硬件与软件版本，保存标定材料；
- 明确成功标准，而不是只录一段成功视频；
- 检查急停、限位和工作区域隔离；
- 在重新上电、重新初始化后重复实验，观察结果是否稳定。
OpenArm 值得关注的地方，是它尝试把物理 AI 的硬件门槛从“实验室定制资产”变成“其他团队也能获得的研究基础”。但真正的复现能力，仍要靠完整文档、明确版本、可靠标定和公开实验协议来兑现。6500 美元降低的是进入门槛；把结果变成可比较的科学实验，还需要工程纪律。