机器人翻动书页时，手指会贴着纸边慢慢挪，它得分辨带起来的是一张纸还是两张。

拧瓶盖也一样：手腕转过的角度相同，瓶盖或许已经跟着转，或许只是指尖在盖沿打滑。

画面里看着差不多的动作，落到手指和物体的接触上，对应的状态可能完全两样。

精细操作最难啃的地方，恰恰藏在这些细微差别里。

视觉能帮机器人找到物体、判断位置和远近，可手指一旦碰上物体，接触点落在哪儿、受力有多重、有没有打滑，常常被遮挡，光看画面很难说清。

想把动作做稳，机器人除了看得见，还得知道自己摸到了什么。

灵巧手接下的精细活越来越多，机器人要解决的已不只是怎么抓住物体，还包括碰到之后怎么感知、怎么判断、怎么及时调整。

触觉就这样成了机器人感知体系里越来越要紧的一环。

问题也跟着冒出来：触觉传感器的技术路线还没收敛，各设备采的数据很难直接互通，在一款硬件上学到的触觉经验，也很难顺顺当当搬到另一款灵巧手上。

蚂蚁灵波最近发布的触觉预训练基础模型 LingBot-Touch，盯上的就是这道鸿沟。

它想把不同触觉传感器产生的信号转成统一、可复用的表征，让不同灵巧手和动作模型共享对接触信息的理解，同时给灵波的机器人通用大脑补上触觉感知这一环。

看得更清楚、想得更明白、干得更利索之外，机器人还得摸得更灵敏。

硬件在分叉，能力要收敛

眼下的触觉传感器，没有一条现成的标准答案。各类方案在感知精度、覆盖面积、响应速度、安装空间和成本之间各有取舍，厂商通常要照着灵巧手的结构和目标任务来挑。

目前比较典型的方案主要有三类：视触觉、磁触觉和压阻式：

三条路线各有各的长处：指尖要分辨细微形变，掌面要覆盖更大的接触区域，不同任务对压力、滑动和受力方向的要求也不一样。

硬件多样化是工程上的现实选择，麻烦的是它带来的数据差异。

拿抓握杯子来说，视触觉记的是形变图像，磁触觉读的是磁场变化，压阻式输出的则是电阻变化。各设备的触点排布、采样频率、数据维度和标定方式也都不一样。

对动作模型来说，这些信号很难直接摆到一起理解。换一次传感器，往往就得重新处理接口、标定和信号解算，上游模型所需的数据量因此减少，下游策略重新适配特定数据的工作量反倒增加。

时间一长，不同厂商和团队就容易形成各自割裂的数据与算法链条。

为了解开这个结，研究界开始试着建立更通用的触觉表征，研究重点也从单一传感器的特征提取，慢慢转向跨传感器学习。

Meta 等团队推出的 Sparsh，用超过 46 万张触觉图像做自监督预训练，主要面向视触觉传感器；T3 则把 13 种相机式触觉传感器、11 类任务的数据整合进 FoTa 数据集，靠共享 Transformer 学习跨传感器、跨任务表征。

这两项探索的范围，大体仍集中在视触觉领域。

图像、阵列和状态这几类触觉输入也被 FTP-1 纳入进来，信号先经不同编码器映射到同一个潜在空间，随后由共享触觉专家接手处理。预训练数据规模约 3000 小时，涉及 21 种传感器、26 个数据来源。

但碰到没见过的新传感器，还是得单独训练一套专属编码器，换硬件并不等于拿起来就能用。

TACTX 走得更远一些，尝试把视触觉、磁触觉和压阻式三类信号对齐，用成对接触数据学习共享表征，并检验跨传感器迁移是否可行。

这些研究的模型定位和实验设置其实各不相同：有的侧重解决视触觉传感器之间的泛化，有的把多种触觉信号纳入通用动作策略，还有的专门探索跨感知机理的表征对齐，因此不能简单按实验结果排出高低。

LingBot-Touch 的切入方式不一样：它把触觉理解能力单独训练成一个表征模块，供不同动作模型调用，从而减少对特定传感器和单一动作策略的绑定。

道理不复杂：机器人可以用不同的手，任务可以采用不同的动作策略，但碰到了什么、接触位置在哪里、受力如何变化、物体是否正在滑动，这些信息它们都得理解。

与其等硬件路线收敛，不如先在模型层建立一套共同语言。

触觉理解一旦能逐步摆脱对特定传感器的依赖，一款设备积累的经验，才有机会成为另一款设备继续学习的起点。

蚂蚁灵波之所以把触觉能力做成独立基础模型，出发点也在这里。

通用触觉底座的真考验：能迁移，也得真管用

要撑起这样的公共层，首先得有足够规模、足够多样的真实数据。

LingBot-Touch 用了 4983 小时的真实触觉记录，包含 464431 段交互、约 13.3 亿帧，覆盖抓握、旋转、滑动、擦拭、装配、双手配合以及操作易碎易变形物体等 24 类任务。

数据来自两条路径：

• 一条是人戴着压阻式和磁触觉手套做日常操作，大部分时长由这条路径贡献；

• 另一条是人遥操作搭载 Sharpa Wave 的双臂机器人，用来补充视触觉数据。

前者不依赖机器人本体，能覆盖更丰富的日常交互；后者提供的交互经验则更接近实际部署的硬件。

两类数据在任务类别上做了匹配，同时保留传感原理、布局和采样率上的差异。

数据越异构，就越需要一个能接住差异的公共层，而不是让每家厂商各攒一套互不相通的经验。

模型设计上，LingBot-Touch 主要做了三件事。

第一，为每个有效测点打上时间、手指身份和三维位置的标签，再把各类传感器的触点统一映射到指尖坐标空间里，使来源不同的信号能在一个共同的空间参照下对齐。

第二，不同原理的信号先经过各自的浅层编码器，再进入共享的 Haptic Transformer（触觉 Transformer），从统一的时空表征中提取接触特征。

训练方式也针对触觉信号的特点做了调整。触觉数据里有大量没有发生接触的时刻，原始读数往往接近零。如果只要求模型还原输入，它很可能靠预测大量无接触数据拿到较低的训练误差，却没有真正学会判断接触。

为此，LingBot-Touch 选用 Tactile-JEPA，不逐点重建原始信号，而是在潜在特征空间里推断被遮挡区域的接触情况。触点密度和位置也会被模型加入扰动，从而减少对固定传感器布局的依赖。

它真正想学到的，是接触发生在哪里、受力如何变化，以及这些变化随时间呈现出怎样的规律。

不过，模型设计有没有效，最终还要看换了传感器和灵巧手之后，这套能力能否继续发挥作用。

测试用的两只手分别是 Sharpa Wave 和 XHand。

Sharpa Wave 搭载的是预训练阶段接触过的视触觉传感器；XHand 身上的磁触觉传感器型号没在训练数据里出现过，分辨率、采样频率、触点布局也都对不上。

团队没去动已经训好的 LingBot-Touch 参数，直接拿它给 XHand 提触觉表征，然后只用这只手的任务示范去训下游动作策略。

结果说明，同一套表征能跨过传感器型号和灵巧手结构的差异。

边界得说清楚：复用的是理解接触的那部分能力，至于怎么控制一只新手，还是得靠任务示范去学。

换个说法，手换了，控制要重学，但“触觉怎么理解”这一课不用从头再上。

跨硬件迁移检验的是表征的通用性。另一项实验要看的则是：不同动作模型能不能把这套表征真正用起来。

两款手上加起来跑了 26 项真机任务，Sharpa Wave 占 20 项、XHand 占 6 项，翻页、拧瓶盖、拉拉链、插吸管、搬运易变形的杯子都在里面。参与的动作模型有 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex。

每一组都摆三种输入做对照：不给触觉、把原始触觉信号直接喂进去、用 LingBot-Touch 提取的特征。

两款手上的四种模型，平均成功率都在用 Touch 特征时排到第一。

平均分只是敲门砖，更该盯的是同一套特征能不能被不同策略稳稳调起来。

Sharpa Wave 配 π0.5 的拉拉链实验最说明问题：没有触觉时成功率 39%，直接把原始触觉信号输进去反而掉到 15%，换成 LingBot-Touch 特征后升到 59%。

拧瓶盖等任务也有类似的对照，结论是有信号不等于会用。原始读数里混着传感器自身的噪声、跟任务无关的维度，还有设备之间的分布差异，不处理就塞给动作模型，有时候反倒添乱。

从原始信号到决策真正需要的物理信息，中间缺一层适合模型理解的表征。触觉硬件管的是测得到，表征模型管的是用得上。

当然，提升幅度并非每个任务都一样大。有些任务上 Touch 带来的增益比较有限，跟直接输入原始信号的差距也不明显。

这意味着结论还需要更多真机验证，也需要更宽的任务分布来观察。

但跨手、跨策略的整体表现已经放出积极信号：把接触理解抽成一个独立模块，再接到现有动作模型上，这条路值得接着探。

部分任务上的差异同样在提醒，公共表征不是万能钥匙，效果还得看具体任务和传感器分布。

真机之外，团队还在 12 项仿真接触丰富任务里做了强化学习验证。

LingBot-Touch 平均成功率 68.95%，CNN 触觉特征为 45.59%，无触觉输入只有 21.42%；转盘子、转笔、平衡球这类接触持续变化、需要协调控制的任务，差距拉得最开。

仿真结果起补充作用，说明这套表征在不同接触动态下也能给出有效信息。

另外，从实验室走到真机，计算开销绕不开。

触觉的价值有一部分在于及时反馈：杯子刚沿指腹滑动时，机器人还有机会收紧手指；等物体已经脱手，再准地判断滑动状态也没用了。

与此同时，真机上视觉、空间感知和动作模型都要跑，能分给触觉模块的算力并不多。

为此，LingBot-Touch 分成 Tiny 和 Small 两个版本。Tiny 大约 532 万参数，论文里 26 项真机测试用的全是它。接到 LingBot-VLA、π0.5 和 T-Rex 上之后，模型参数量各自只多了约 0.13%、0.15% 和 0.16%。说到底，触觉表征光在实验里证明有效还不够，得足够轻，才进得了算力吃紧的机器人系统。

触觉基础模型怎么走到更多机器人上去？

一套触觉表征如果能跨不同传感器、灵巧手和动作模型复用，变的不只是模型怎么接，硬件、数据和算法之间的活儿也得分重新划。以前硬件厂商得围着自己的传感器做标定、降噪和信号解算，机器人团队还得按具体手型和操作任务去训策略。

环节与环节之间堆着大量适配工作，某套硬件攒下的数据和经验，别的团队未必拿得走。通用触觉表征则给出了另一种分工的可能：传感器厂商接着把精度、稳定性、耐用性和成本做上去，灵巧手厂商按应用挑感知方案，算法团队直接在现成的触觉表征上开发动作策略。

它替代不了传感器标定、器件补偿和本体控制，也不等于不同硬件一接上模型就能把所有任务干完。不过，共性的接触理解能力一旦能独立复用，团队就有机会少做重复的底层表征工作，把精力挪到硬件适配和具体任务上。

这还会让灵巧手在传感器配置上更放得开。指尖要识别微小接触形变，可以上视触觉；指腹和掌面要覆盖更大面积，压阻式阵列可以考虑；其他位置也能加磁触觉或柔性电子皮肤。未来一只灵巧手上同时装多种传感器，各管各更擅长的感知任务，再交给统一表征层整合，或许会成为一种新的设计思路。

对模型厂商和整机团队来说，独立的触觉表征同样多了一条接入路径。实验里，LingBot-Touch 不只接了灵波自家的 LingBot-VLA，也接了 π0.5、Diffusion Policy 和 T-Rex。也就是说，触觉能力有希望作为相对独立的模块，被不同技术路线的动作模型调用。

对蚂蚁灵波自己来说，LingBot-Touch 是具身原生通用大脑里又补上的一块。这套体系此前已经有负责空间感知的 Vision 和 Depth 2.0、理解环境变化的 Video 和 World 2.0、生成动作的 VLA 2.0 和 VA 2.0。

从构建思路看，这套体系是把机器人完成物理任务所需的能力一项项拆开、分别验证，再慢慢连成从感知、预测到执行的闭环。触觉补的，正是接触之后的感知与反馈。

眼下，蚂蚁灵波也在和乐聚、钛虎等本体伙伴，以及国大药房、隆盛等场景伙伴一起，围绕零售分拣、物流和工业场景做测试，推着这些能力从实验验证走向真实应用。

这也是具身原生模型和通用大模型在技术侧重上的一个差别：前者得直接处理物理交互中产生的力、形变和接触动态，再把这些信息变成机器人能用的决策依据。

当然，触觉技术不会因为一款模型发布就走向统一。不同传感器还会在分辨率、覆盖面积、响应速度和成本上继续演进，灵巧手也会按任务挑不同的硬件组合。

但有个问题必须解决：让这些设备攒下的接触经验不再彼此隔绝。LingBot-Touch 给了一个值得验证的方向——硬件保持多样，模型去学共同的接触表征，再交给不同的动作策略。

现在拿出的结果，还得靠更多本体、更多种类的传感器以及更多真实场景去检验。

不过它至少把一个关键问题推到了前台：具身智能的通用性，能不能从动作模型的复用，再往前走到物理交互经验的复用？

从物理世界的真实需要出发，把共性的能力沉淀成公共层，让不同团队在这个基础上继续摸索各自的硬件与任务——触觉基础模型更长远的价值，或许就落在这里。