蚂蚁灵波开源LingBot-Touch：机器人触觉感知有了统一底座

机器人能“摸”懂世界了，最后一块拼图补上了

过去聊机器人智能，大家的目光大多落在“眼睛”和“大脑”上。视觉识别越来越准，大模型推理也越来越强，机器人好像已经会看环境、会做计划。可放到真实的物理世界里，光看得清、想得明白并不够。伸手去拿一只光滑的玻璃杯，或者去拧一个生了锈的瓶盖，成败常常不在能不能看清，而在手指能不能感觉到那一点滑动、那一点压力变化、那一点材质纹理。

触觉感知的价值就在这里。11月10日，蚂蚁灵波科技把触觉基础模型 LingBot-Touch 开源了。它不是简单的驱动，也不是传感器接口，而是一个真正的基础模型。它要解的，是具身智能领域长期存在的一道难题：怎么让机器人像人一样，靠指尖的触感去调整动作，而且这套能力能跨不同硬件平台通用。

这次开源很快引来行业关注，原因是机器人感知从“宏观视觉”往“微观触觉”推进了一步。对正在摸索具身智能落地的开发者来说，这意味着不必再为每一款新的灵巧手或传感器重写底层触觉处理代码。

视觉为什么搞不定“拧瓶盖”？

要说清 LingBot-Touch 的必要性，看一个最简单的例子就够了：拧瓶盖。

只靠视觉的话，摄像头能看清瓶盖在哪，机械臂也能准确移到目标点，手指合拢抓住瓶盖。可一开始转，问题就来了。瓶盖是松是紧？手指是在打滑，还是已经咬住了棱角？这些关键信息，视觉很难给出来。手指和物体接触的部位常常被挡住，微小的形变和力反馈在二维图像里几乎看不出来。

结果机器人往往掉进两种困境：要么使劲太大把瓶子捏碎，要么力气不够一直空转。要解决这个问题，就得把触觉引进来。指尖碰在哪、受力多大、随时间怎么变，成了判断下一步动作的关键依据。

蚂蚁灵波团队在 Sharpa Wave 和 XHand1 两款不同的灵巧手上做了26项真机测试，任务包括翻书页、拧瓶盖、辨识麻将牌这些需要精细操作的场景。测试结果很直观：接入 LingBot-Touch 之前，只靠视觉和预设策略，机器人的任务成功率参差不齐；接入之后，包括 LingBot-VLA、π0.5、Diffusion Policy 和 T-Rex 在内的四种主流动作模型，平均任务成功率提升了14%到26%。

拿 T-Rex 控制 Sharpa Wave 拧瓶盖来说，不用触觉时成功率只有56.25%，就算直接输入传感器原始信号，成功率也只有62.5%。改用 LingBot-Touch 提取出的统一触觉表征后，成功率跳到了90%。这近30个百分点的提升，正好说明“统一触觉表征”比“原始信号堆砌”更管用。

打破硬件壁垒：从“专用驱动”到“通用语言”

给机器人装上触觉传感器不算难，难的是让这些数据变得通用。眼下触觉传感器的技术路线五花八门，主流的有磁触觉、视触觉和压阻式。每种都有各自的短板：视触觉分辨率高，但容易受光照影响；磁触觉耐用，却可能存在非线性；压阻式成本低，精度却有限。

传感器不同，输出数据的格式也五花八门，这才是更难办的地方。手指碰到桌面这一个动作，磁传感器给出的是磁场变化值，视触觉摄像头记录的是图像像素，压阻式传感器拿到的则是电阻电压值。模型一旦针对某种传感器完成训练，硬件一换，先前训练出来的成果几乎等于白费，数据要重新采集、模型要重新训练。硬件把技术绑死，触觉技术想上规模就快不起来，整机厂商和算法团队要做的适配也得多花不少钱。

LingBot-Touch 的核心创新，就是立起了一套“通用语言”。它不直接处理原始信号，而是针对不同类型传感器设计了编码入口。不管输入的是磁场数据、图像还是电压值，模型先把它映射到统一的指尖坐标空间，再交给共享的主干网络去学接触位置、受力及其动态变化，最后输出统一的触觉 Token。

这种架构带来的最大好处是“解耦”。传感器厂商可以专心提升硬件性能，算法团队可以专心优化动作策略，中间的触觉感知层交给 LingBot-Touch 统一提供。更要紧的是，它支持跨硬件复用。

测试里，团队用了一款名为 XHand1 的灵巧手，它采用的磁触觉传感器型号并不在预训练数据集中。按说模型应该认不出这种新传感器。可实际上，模型把之前从人类佩戴触觉手套采集的数据里学到的磁触觉经验，成功迁移到了 XHand1 上。团队只保持 LingBot-Touch 参数不变，用 XHand 的操作示范微调动作模型，就拿到了不错的触觉感知效果。

这意味着，以后开发者不必为每一款新上市的灵巧手重新训练触觉模型。只要硬件符合基本接口规范，积累下来的触觉能力就能直接复用。对加快具身智能迭代来说，这一点很关键。

轻量化设计：端侧部署不再是瓶颈

机器人领域里，算力始终是稀缺资源。复杂的感知模型一旦体积过大，就会占用宝贵的端侧计算资源，拖累实时控制的性能。所以 LingBot-Touch 在设计之初就把轻量化考虑了进去。

这次开源放出了两个版本：LingBot-Touch-Tiny 和 LingBot-Touch-Small。26项真机测试中，团队用的是约530万参数的 Tiny 版本。这个参数量级很小，接进 LingBot-VLA、π0.5 或 T-Rex 等动作模型后，整体参数量只增加约0.13%至0.16%。换句话说，额外的计算负担几乎可以忽略，机器人却能拿到明显的触觉提升。

当然，小模型也有极限。容量更大的 Small 版本在感知测试中表现出了更高的上限。预训练数据从几千小时增加到近5000小时时，Small 模型依然能从中受益，性能持续往上走。这说明触觉预训练是个有规模效应的领域，数据越积越多，模型的感知能力还有很大挖掘空间。

日常的精细操作，大多数场景用 Tiny 版本就能应付。要是碰上对触觉精度要求特别高的工业场景，开发者可以选 Small 版本，也可以拿开源代码接着做微调。

具身原生：和通用大模型是配合，不是谁取代谁

通用大模型（LLM）这几年跑得很快，不少人觉得只要模型够聪明，机器人什么问题都能解决。蚂蚁灵波 CEO 朱兴不这么看。他的判断是，GPT-6 Astra、Claude Fable 这类数字世界的大模型在任务推理和环境理解上确实强，可它们对物理世界没有直接感知，也控制不了动作。

朱兴说：“模态输入的质量很大程度上决定了动作输出的质量。”物理感知输入不行，推理模型再强也生不出正确的动作指令。所以通用大模型和具身基础模型之间不是替代关系，而是协同关系——前者管“想得明白”，做高层任务规划和逻辑推理；后者管“做得利索”，负责底层的物理感知和闭环控制。

这种“1+1＞2”的配合，被蚂蚁灵波看作具身智能接下来的方向。走“具身原生”路线，意味着他们会持续投资源去啃物理操作里的硬骨头，触觉、力控、多模态对齐都算。这次开源 LingBot-Touch，只是其中一步。

LingBot-Touch 的技术报告、模型权重和代码，眼下已经挂在 Hugging Face、GitHub 和魔搭社区上。对开发者来说，这是个能直接上手的工具，也是个开放的起点。加入的人多起来，基于统一触觉表征的应用生态有望加快成形，机器人也就能从“实验室演示”往“真实场景落地”走。

往后或许会出现这样的画面：机器人不光看得懂复杂指令，还能像老工匠那样，靠指尖的触感判断零件配合得怎么样，凭轻微的阻力变化调整装配力度。这种对物理世界的细腻感知，会是机器人和人协作的关键桥梁。