蚂蚁灵波开源触觉模型LingBot-Touch：三类传感器统一成触觉Token

这几天Claude Fable 5.2的动静不小，真机演示里拧瓶盖、解魔方、画画一整套动作连贯完成，双臂泛化成功率被推到64.9%，比Astra高出一倍还多。

差不多同一时间，蚂蚁灵波科技把触觉基础模型LingBot-Touch开源了。磁触觉、视触觉、压阻式三类传感器信号原本各不相同，这套模型把它们统一成同一套“触觉Token”，不同灵巧手和动作模型都能调用。机器人光“看得清楚、想得明白”还不够，精细操作缺的那块触觉感知，由此补上。

通用大模型能不能“降维打击”具身智能？这两条技术路线怎么相处，眼下正是具身智能行业议论的焦点。蚂蚁灵波给出的判断是：通用大模型和具身基础模型更接近1+1＞2的协同关系——前者把任务和环境的理解、推理做得更强，后者补上物理感知与闭环操作能力，两边齐头并进，具身产业才能更快成熟。

蚂蚁灵波首席科学家沈宇军对近期市场异动的看法有点犀利，他直言：“能用的工具，不等于最合适的工具。”他想要的是一个“不大不小”的工具：关键能力没有短板，非必要能力尽量不浪费。这里说的大小不是参数规模，而是能力配置。具身模型不必把编程能力媲美Fable、Astra当成目标，完整的软件工程能力并不是机器人作业的刚需；反过来，距离、触觉这些物理模态的感知与理解，数字世界模型并不原生具备，机器人要做高精度复杂操作却少不了。

触觉这件事，不是选择题，是必答题

过去三年，具身智能被视觉和语言模态带着一路狂奔，行业里产出了一个个精彩的Demo。可机器人一进真实世界，往往就倒在精细操作这一关。

在大量落地实践中，行业里慢慢意识到：视觉和语言模态解决的是“接触之前”的思考，触觉解决的是“接触之后”的状态。具身智能的“知”和“行”之间鸿沟摆在那里，触觉已经不是选择题，而是必答题。

机器人能不能拿稳一件东西，往往要等手指碰到它之后，才见分晓。

触觉这一全新模态，逐渐走向行业舞台。只是过去几年，它也走过弯路。比如曾经的主流判断是：加入触觉，是不是反而给模型带来噪声、降低质量？触觉模态是不是应该等传感器路线完全明确再说？

近几个月，关于触觉模态的共识正在迅速反转。不过，必要性形成共识，不等于行业已经找到统一的解决方案。目前触觉传感器依旧存在三条不同的岔路——视触觉、磁触觉、压阻式触觉。

三种路线各有优缺点。视触觉靠观察柔性表面的形变获取接触信息，能捕捉较丰富的接触形态，但难免受帧率拖累；磁触觉利用磁场变化感知受力，好处是薄、快，却怕铁磁干扰；压阻式通过电阻变化测量压力，优势是便宜、也易铺大面积，但分辨率低、久用容易漂移。

技术路线不收敛，也衍生出了大量行业痛点。缺少一个对三类异构触觉信号统一建模的触觉基座，没法生成通用的表征，行业研发效率极低。

打个比方，某款机器人眼下已经掌握了“怎样识别手指打滑”，可一旦明天换成别的灵巧手或触觉传感器，这套经验便归零。有工程师就开玩笑说，每种触觉传感器都讲自己的“方言”，彼此根本对不上话。

灵波此次发布的LingBot-Touch，正是试图粉碎这一痛点，其最大的特点是：通用、兼容。

灵波方面向我们大致介绍了整个触觉模型的训练过程。

数据主要来自两类真实操作：一类由人佩戴触觉手套进行操作，采集了2197小时的压阻触觉数据、1136小时的磁触觉数据；另一类通过遥操作Sharpa Wave双臂机器人，采集了1650小时的视触觉数据。

接下来的训练过程可以简要概括为三步：

第一步，研究团队把全部触点都映射到统一的标准指尖坐标系里，好让模型能一致地理解各种传感器给出的触觉信号；第二步，压阻、磁触、视触觉这些传感原理各不相同，团队便各自设计专用的Tokenizer（编码器）；第三步，原始信号被转成模型能处理的Token，最后送进同一个Transformer去训练。

整套训练思路，说白了有点像让模型做“填空题”：随机把一部分指尖触觉信息盖住，再让它依据别处接触的变化，去推断被盖住的地方出了什么状况。只是模型并不需要精确复现传感器记下的原始数据，它要预测的是其中更有意义的特征——比如这些数值背后对应着什么接触状态、什么物理变化。

最终达到的效果是，LingBot-Touch直接打通了过去传感器、灵巧手、任务、动作模型之间的层层阻碍。

比方说，要换的是同原理的不同触觉传感器，新型号无需重训练。假如要换灵巧手，哪怕新手上面装的是预训练阶段没见过的传感器，也能直接接进来用。

再说换手部任务，翻页也好、拧盖也好，都用不着另训一套触觉模型，给少量示范，动作模型就能学会新的操作方式。哪怕连底层动作模型都要换，同一套触觉信息照样能接着用。

真机测试也验证了这一点。

以拧瓶盖为例，Sharpa Wave在没有触觉模型时，成功率只有56.25%——在接入LingBot-Touch后，机器人能够感知瓶盖即将打滑、及时调整力度，成功率提升至90%。

换句话说，全行业还在为触觉该怎么做、值不值得做争论不休时，灵波已经把这件事故到了“底座能力”的层面，不再是选哪个传感器的问题。棋走到这一步，接下来要回答的就不是要不要触觉，而是触觉接进来之后，大脑撑不撑得住。

基模猛攻，灵波为何还坚持具身原生？

搞清楚触觉有多重要之后，一种看法很容易冒出来：直接往基模里灌触觉，机器人落地不就顺理成章了？事情远没这么简单。

有一类玩家把通用大模型当现成的大脑用，再补上动作数据和触觉信息，作品出得很快。他们的判断很现实：与其砸大钱自研大脑，不如直接“投诚”。也有做法更婉转的，语义层面借基模的力，物理智能却不盲目嫁接。

灵波走的是另一条路，更长坡厚雪，也更彻底——死磕具身原生模型。前面说的触觉模型，其实只是灵波大脑模型矩阵里的一个感官。

过去几年，灵波LingBot家族早就铺开了一条颇具纵深的具身原生脉络，触觉之外，空间感知、世界预测、指令理解、动作生成也都在其中。

在灵波首席科学家沈宇军看来，基模和真实世界之间横着至少三道鸿沟。

头一道是数据鸿沟。人不可能靠看上万次费德勒打网球就变成费德勒。互联网数据又多又便宜，可真实世界的数据维度更杂——握网球拍要用多少牛的力，手腕和指腹怎么随着球路变化调整姿态，这类数据只存在于真实的接触和练习里。

第二道，物理世界不会暂停等你。Fable 5.2在仿真环境里思考和拆任务都很强，实际执行起来速度却很慢；此前GPT-6 Astra的原视频也长达三个小时。真机要的是毫秒级的变化，云端大模型一个动作要琢磨好几分钟，放到任务里早就出问题了。

第三道，把新的触觉模态简单粗暴地喂进基模，未必1+1＞2。灵波内部测过一个例子：以Sharpa Wave拉拉链为例，不输入触觉模态时成功率是39%；硬塞触觉信息进去，成功率反而掉到15%，触觉成了干扰模型的“脏数据”。

于是灵波反共识地提出“具身原生”：理想的机器人不该是“聪明的基础大模型配上触觉模态和机械臂”，而得一杆子插到底——语义智能扎根数字世界，物理智能也要有自己的根，掌握真实世界的数据、自己的感官、自己的预训练方式。

蛰伏这几年，灵波大脑2.0已经把一套完整的原生技术栈搭了起来。叫它原生，是因为它没有简单地把通用基础大模型的语言、视觉能力搬到机器人身上，而是围绕物理世界里的感知、理解与行动，另建了一套具身原生的模型体系。

按灵波方面的介绍，灵波大脑2.0的空间感知层由LingBot-Vision与Depth 2.0构成，机器人不光能认出物体是什么，还能判断它的空间边界、距离和几何关系。

碰上透明杯、反光金属或者堆叠的杂物，机器人不再只靠二维图像猜轮廓，而要真正弄明白物体在三维空间里的位置与形态。

动态交互层靠LingBot-Video与World 2.0，让机器人进一步理解物理世界的动态变化：不光知道眼前有什么，还能预判自己的动作会把环境改成什么样。推一扇门，除了知道门在哪，还得预判门怎么转、阻力多大、松手会不会回弹。

触觉感知层由LingBot-Touch补上视觉感知不到的信息，让机器人能判断接触位置、作用力和滑移状态，相当于给大脑装了一层皮下神经，物体是不是在往下滑、抓取力度合不合适，它都能感觉到。

操作执行层则由LingBot-VLA 2.0与VA 2.0构成，把前面这些感知和预测能力落成实际动作，机器人在执行中能持续推演、反馈和调整，而不是像传统模型那样根据输入一次性生成动作指令。

四层模型矩阵之间的关系不是简单的“1+1+1+1=4”，而是共享物理表征之后的“大于4”。Touch提取的力觉信息会反哺VLA的抓取决策，World模型借助接触反馈校验预测，VLA的空间先验又帮Touch消除分歧。

拿“机器人端起装满水的碗”来理解或许更直观——Depth告诉它碗沿在哪，Touch发现指腹开始打滑、碗在倾斜，World模型预判再不收力汤就洒了，VLA立刻把力的分配从“捏紧”改成“托底”。

坚持具身原生的灵波其实算不上“少数派”。海外已经有一批公司不跟着基模走，放弃了“把LLM调成机器人”的方向。

灵波的不同在于，它不只做力控，也不只做世界模型，而是更成体系，把种种模态做成“具身原生”的一根根神经，交织成能跨硬件复用的物理大脑。

为具身智能行业修路搭桥

把视角拉回产业，LingBot-Touch只是一个切口。灵波大脑2.0的四层架构——空间感知、触觉感知、动态交互、灵巧操作，想解决的是一个更大的问题：机器人能不能有一套通用的智能底座，不用每换一种硬件、每进一个新场景就从头训练一遍？

这件事要是能做成，对整个行业至少有三方面的影响。

先说第一点，机器人硬件和智能算法以后不用再死死绑在一起。

以往机器人公司挑好一款灵巧手、传感器和本体，接下来多半得围着这套硬件把感知模型和动作模型重新训一遍。硬件一换，不少算法也得推倒重来。灵波要做的，是把视觉、深度、触觉这些感知能力从具体硬件里抽出来，做成能单独调用的模块。

这样一来，本体厂商可以把心思更多花在机械结构和运动控制上，传感器厂商也不用从零搭算法体系。各家把自己擅长的那块做好，再靠统一的智能底座串起来协同。

第二点，机器人采集的数据要能持续攒下来，而不是跟着项目走。

行业里做数据采集的公司其实不少，真正卡住的是数据往往跟特定硬件、特定任务捆在一起。一个项目做完，换台机器人、换个操作对象，之前的数据就未必还能直接用。灵波的办法是用统一的表征方式，把不同设备、不同模态采到的物理交互数据转成可复用的训练素材。

这样机器人在一个场景里学到的东西，才有机会搬到另一台设备、另一种任务上。数据也不再是用完就扔的消耗品，能随着训练和应用一点点积累。

第三点，机器人的精细操作要更容易走出实验室。

空间感知让机器人看清环境，触觉感知让它感受到接触和受力，动态交互帮它理解物体和环境的变化，灵巧操作再把这些信息变成实际动作。这几层能力配合起来，机器人才可能从跑完一段预设动作，走到能应付真实世界里各种说不准的情况。

对应用方来说，零售分拣、物流搬运、工业装配这些场景，以后或许不用再让工程师针对每个任务反复调参，在通用模型基础上做少量适配就能部署到新场景。

三件事合在一起看，灵波想做的并不只是一套机器人模型，而是产业链中间的一层智能基础设施：往上接任务和动作模型，往下适配不同的机器人本体与传感器，让视觉、触觉、力觉这些能力协同起来干活。目前灵波正在和乐聚、钛虎等本体厂商，以及国大药房、隆盛等场景方做真实场景测试。

这套架构能不能真跑通，说到底还要看它在不同硬件和任务之间能不能稳定迁移。

沈宇军打了个有意思的比方：具身智能可以借鉴数字世界那套“预训练—微调”的路子，但大模型的发展路径不能照搬。

拿特斯拉训练FSD来说，驾驶能力并不是从GPT里蒸馏出来的。汽车对碰撞、惯性、路况以及其他车辆行为的理解，归根到底还得靠真实驾驶数据不断积累。

机器人将来也一样。通用大模型能帮它理解任务，但要知道“…片在指尖将要滑落时该如何调整力度”，还是得靠真实物理世界里的训练。

等机器人从展示柜走进工厂和仓库，真正拉开差距的，可能不再是谁能做出更炫的Demo，而是谁能让智能在真实世界里不断积累，并把已经学会的能力迁移到更多硬件和场景中去。

灵波“具身原生”策略真正让人期待的地方或许也在这里——它不只是让机器人变聪明，还想给整个行业建一套能反复复用、持续进化的基础设施。