蚂蚁灵波：5000小时数据如何破解机器人手感难题？

通用大模型频频亮出本事，可机器人真正缺的，是那只手上的“感觉”。

这几天，AI圈子又被机器人相关内容占满了屏幕。Anthropic 最新的旗舰模型 Fable 5.2 在演示中把魔方复原、瓶盖拧开，还画出了机器人。RoboDojo 基准测试里，它跑出 64.9% 的成绩，压过不少专攻机器人控制的 AI 系统。

从 GPT-6 Astra 一路到 Claude Fable 5.2，这些通用模型其实在说明一件事：将来机器人或许不必每个动作都单独写一套代码，交给一个“大脑”统一指挥就行。

可演示视频里的顺滑，跟现实环境中的稳定操作，中间还差着一道坎。这道坎，就是物理世界里那些细小的变化。

就说拧瓶盖，人干这活儿想都不用想，机器人做起来却难如登天。手指先得摸到该抓的位置，劲儿使大了瓶身会变形，使小了就打滑拧不动。指尖挪动几毫米、受力稍微抖一下，成败就在此一举。光靠眼睛看（视觉）和脑子算（空间规划）不够用，还得有“手感”，也就是触觉。

具身智能的一个要害痛点也就在这里：怎么让机器人拿到跟人一样通用、一样细腻的触觉？

蚂蚁灵波（Ant Group Lingbo）这支国内团队选择的路，是做“具身原生”的基础模型。他们今天推出触觉基础模型 LingBot-Touch，想攻克的就是不同机器人、不同传感器之间“手感”无法通用这个难题。

机器人的“手感”，为什么没法共享？

触觉这词听着不复杂，无非是知道碰没碰上、使了多大劲。但落到工程上，坑大得很。

头一个问题是传感器种类太杂。眼下主流的技术路线，起码有以下三种：

1. 视触觉：在指尖装一颗微型摄像头，观测弹性皮肤如何变形，据此推算出接触的位置和形状。
2. 磁触觉：靠软质磁性材料变形后引发的磁场变化，感知有没有接触、受了多少力。
3. 压阻式：利用材料受压后电阻发生的变化，把压力分布测出来。

这三种传感器工作机理各走各的路，输出信号的格式也完全对不上。输出的东西有的是图像，有的是磁场数值，还有的是电阻值。更头疼的是，各家品牌的灵巧手在传感器数量、摆放位置、采样频率上又各不相同。

要是每种传感器都单独训一个模型，那每换一只手、每换一种传感器，都得推倒重来。成本高不说，先前攒下的经验也全白费。A 机器人练成的“轻捏鸡蛋”手感，B 机器人压根用不上。

蚂蚁灵波团队想做的，是把这些异构数据“翻译”成同一种语言，让模型掌握背后共通的物理规律，而非死记某一类传感器的信号。

近5000小时真实数据，统一“触觉语言”

团队为此收集了近5000小时的真实触觉数据，覆盖46万多个交互片段、约13.3亿帧。放在触觉领域，这个量级相当可观。

数据来源分两块：三分之二由佩戴触觉手套的人类操作员贡献，他们在日常中完成各种抓握、旋转、滑动；三分之一来自遥操作机器人，用搭载Sharpa Wave灵巧手的双臂系统采集。人机混合的采集方式，既保证了多样性，也补上了机器人特定硬件下的真实交互信息。

数据到位之后，接着是处理。团队设计了一套基于JEPA（联合嵌入预测架构）的训练方法，取名Tactile-JEPA。

核心思路分两步。

第一步是空间对齐。

不同传感器的感知单元（Taxel）数量和位置各不相同。团队建立了一个统一的标准化指尖几何坐标系，把所有传感器的感知单元映射进这个三维空间。每个触觉信号Token都带上“五维地址”：时间、手指编号，以及三维空间坐标。这样一来，模型就能知道信号来自哪根手指的哪个位置、发生在什么时候。

第二步是统一编码。

团队没有硬把三种传感器的原始信号改成一样，而是给每种传感器配了轻量级的Tokenizer（分词器），转成统一接口的触觉Token。随后这些Token进入同一个共享主干网络（Haptic Transformer，简称HaT）学习。

这样做的好处是：底层保留各传感器的特性，高层学习通用的接触规律。比如视触觉看到的皮肤凹陷，和压阻式感受到的压力增加，在高层特征里都对应“接触发生”这一物理事实。

训练策略上用的是潜在空间预测。模型会遮住部分触觉信号，再根据剩下的信息去预测被遮挡部分的特征。触觉数据大部分时间是“零”（没接触），直接重建原始信号的话，模型会偷懒去预测背景噪声；放到潜在空间里预测，就能逼它去学真正有意义的接触动态变化。

真机测试：成功率大幅提升

理论再漂亮，也得上手试。团队在Sharpa Wave和XHand1两款不同的灵巧手上做了大规模验证。

先看模型懂不懂触觉。

冻结编码器的评估中，LingBot-Touch表现不错：30-50N测力范围内，接触力预测误差低于2N；接触中心定位误差达到亚毫米级；还能准确预测未来时刻的受力变化。可视化结果显示，模型学到的特征能平滑反映接触过程的动态演变，说明它确实“理解”了触觉的时间连续性。

再看能不能干活。

团队选了26项真机操作任务，涵盖物体旋转、精细抓取、易碎品操作等，把LingBot-Touch作为触觉模块，接入Diffusion Policy、π0.5、LingBot-VLA和T-Rex四种不同的动作模型。

结果很直观：加上LingBot-Touch之后，所有动作模型的成功率都涨了。

以Sharpa Wave为例，π0.5的平均成功率从47.56%跳升到68.58%；LingBot-VLA从45.60%提升到72.51%。在XHand1上提升同样明显，π0.5从49.71%涨到74.17%。

这说明LingBot-Touch提取的触觉表征是通用的，下游换成什么控制算法都能受益。不必为每个新算法重新训练触觉编码器，这点对工程落地很关键。

仿真环境下的极限挑战也值得一看。

12项仿真任务中，LingBot-Touch平均成功率达到68.95%，比不用触觉的方案高出47.53个百分点。需要持续调整的任务里优势尤其大：盘子旋转任务成功率高达97.4%，比基线高出14.5个百分点；球体平衡这种高难度任务，没有触觉的策略成功率是0%，用了LingBot-Touch后，Sharpa Wave达到67.7%。

训练曲线也显示，引入LingBot-Touch后，强化学习策略在早期就能拿到更高的累计回报，收敛更快、更稳。这意味着高质量的触觉表征降低了策略学习的难度。

对比竞品与规模效应

现有触觉模型FTP-1被拿来做了横向比较，LingBot-Touch在各项指标上均占优。接触力恢复任务里，误差从FTP-1的2.31N降到0.81N；空间感知方面，接触中心定位误差则由2.19mm收窄到0.12mm，精度提升了一个数量级。

落到真实机器人操作上，接入LingBot-Touch的策略平均成功率达到82.2%，接入FTP-1的则为67.5%。

团队同时验证了“大力出奇迹”是否成立，也就是Scaling Law。预训练数据从1000小时加到4000小时，模型性能一路往上走。可到了5000小时，小模型HaT-Tiny的性能开始趋于饱和；这时换上更大的模型骨干HaT-Small，性能又能随数据增加继续提升。

这说明触觉基础模型同样遵循规模法则——数据越多、模型越大，效果越好。后续想靠扩大数据规模来提升机器人智力，这条路也因此有了方向。

具身原生的未来：寻找共享的物理规律

回到最初的问题：机器人如何获得通用的物理操作能力？

蚂蚁灵波给出的答案是“具身原生”。在他们看来，机器人的身体结构、传感器布局虽然千差万别，可所处的物理世界遵循相同的规律，摩擦力、重力、形变这些物理量在不同机器人身上是相通的。

LingBot-Touch的价值，正是把这些跨硬件的通用触觉规律提炼了出来。以后机器人换个手、换个传感器，不必从头教它怎么“感觉”，微调即可。这与LingBot-VLA实现的“一脑多机”思路一脉相承，区别在于这次攻克的是更难标准化的触觉模态。

当然，眼下的验证主要还集中在两款灵巧手上，电容式传感器等其他类型尚未覆盖，长程复杂任务也有待进一步测试。不过这一步迈出去，意味着具身智能正在从“专用定制”走向“通用基础”。

当机器人不再需要为每一次抓握重新学习“手感”，它们离真正走进家庭、工厂，或许就不远了。