Meta人形机器人Max：三个月亮相，真正值得关注的是“视听交互”

人形机器人的竞争，正在从“能不能走”转向“能不能被自然地问候、理解与回应”。Meta与傅利叶合作推出的原型机Max，把这个变化摆到了台面上。

据外媒报道，Meta已与中国机器人企业傅利叶合作，仅用约三个月便完成了一台名为Max的人形机器人原型，并已于今年9月启动第二代产品Max 2的研发。Max身高约1.5米，重约48公斤，搭载英伟达Jetson Thor芯片，面部配有可模拟人类表情的显示屏，胸口内置两个扬声器，双手为五指设计。

Meta人形机器人Max：三个月亮相，真正值得关注的是“视听交互” — 扎克伯格与傅利叶GR-3概念机器人

Meta对Max的期待，不只是一台能执行动作的机器。知情人士透露，Max需要在5米外识别声音，3米外识别手势和挥手，保持眼神接触，并通过状态信号表达“倾听、思考、说话、不确定”等交互状态。这些指标本身就在说明一件事：人形机器人的“身体”，首先是一个视听感知与表达系统。

三个月造出原型，Max承担的是什么任务

Max的核心目标，与Meta的AI智能体Muse直接相关。Meta首席技术官安德鲁·博斯沃思曾在内部将人形机器人称为Muse的“物理载体”。换言之，Meta希望AI不只是通过对话回答问题，而是借助一副可靠的身体，在真实环境中感知、判断并行动。

从公开信息看，Max的定位是内部研究和实验平台，Meta明确表示没有销售这些机器人的计划。但研发并未停在单台原型上：Max 2计划重新设计躯干、改进手部操作能力，增加投影仪和额外传感器，以支持上下楼梯等更复杂的任务。Meta同时在上海招聘供应商开发工程师、在深圳招聘产品设计工程师和技术项目经理，工作内容涉及从原型到量产的准备。

一条“原型—迭代—供应链”的路径正在成形。而这条路径上，视听交互是绕不开的技术门槛。

5米识声、3米识手势：人形机器人的“视听底座”

把Max的交互要求拆开来看，每一项都指向智能视听领域的核心命题。

远场声音识别要求在5米距离上稳定拾取人声，这涉及麦克风阵列、降噪、声源定位与语音唤醒的协同。家庭环境不是安静的实验室，电视声、多人交谈、厨房噪音都会成为干扰。机器人需要在嘈杂中分清“谁在对它说话”。

手势与挥手识别要求在3米外理解肢体动作。视觉系统不仅要检测到“有人在动”，还要区分挥手、指向、示意停止等不同意图，并与语音指令形成互补或校验。

眼神接触与表情显示则把交互从“功能层”推向“表达层”。Max的面部屏幕可以模拟眼睛和嘴巴的动作。这意味着机器人需要用视觉信号向人传递“我在听”“我在想”“我不确定”——这些恰恰是人与人交流中大量存在、却极少被写进语音指令的信息。

状态信号输出进一步说明，Meta在设计的不是一台“指令—执行”机器，而是一个具备多模态交互节奏的实体。当AI进入物理世界，视觉、语音、表情、动作需要在时间上对齐，在语义上一致。这种“对齐”能力，正是智能视听技术从内容领域走向具身场景的关键延伸。

美国做AI，中国做硬件：分工背后的产业信号

Meta选择傅利叶，不是偶然。傅利叶早期专注外骨骼和康复机器人，其GR系列人形机器人经过多代迭代，在双足运动、灵巧手和触觉感知等方面积累了工程经验。Meta基于傅利叶已有硬件平台进行定制，调整了身高、身体比例、头部结构、显示屏和摄像头，并修改了手部和鞋部设计。Meta机器人产品副总裁李晨·米勒曾在傅利叶上海工厂工作近两个月，与当地团队共同推进研发。

这件事释放的信号比一台原型机本身更值得留意：美国企业在AI模型和计算资源上领先，中国企业在硬件研发、制造供应链和工业场景上具备系统能力。人形机器人涉及电机、减速器、传感器、结构件和控制系统的完整链条，中国拥有较为齐备的制造配套和大量可提供测试环境的工厂与工业客户。2026年上半年，中国具身智能企业在322笔交易中获得935亿元融资，约合130亿美元，是去年同期的五倍，投资范围已从整机制造延伸到机器人AI模型、训练数据和软件系统。

对于智能视听领域而言，这意味着竞争维度正在变化：不再是单一的算法指标或硬件参数，而是“感知—交互—行动”闭环在真实场景中的完成度。谁能在多模态信号的时间对齐、场景自适应和交互自然度上建立可复现、可评测的方法，谁就更有可能在具身智能的下一阶段掌握话语权。

从原型到产品，缺的不只是“身体”

Max也暴露出这一阶段人形机器人的共同现实。其任务完成率、续航时间、负载能力以及执行过程中需要多少人工协助，均未公布。增加手部和楼梯传感器，也不等于复杂物体操作和楼梯通行问题已经解决。家庭场景对可靠性、安全性和成本的要求，远比一次内部演示苛刻。

但方向是清楚的。当AI开始进入物理世界，决定产品竞争力的将不只是模型有多聪明，还包括它能否通过一副“能听、能看、能表达”的身体，把理解转化为行动。对智能视听研究而言，Max提供了一个具体的观察样本：人形机器人的交互质量，正在成为视听技术从“看得清、听得懂”走向“回应得自然、协作得可靠”的新考场。