蚂蚁开源触觉基础模型：灵巧手终于有了分寸感-知了AI

一、发生了什么

1.1 一次开源，补的是感知层的短板

11月10日，蚂蚁灵波把 LingBot-Touch 以 Apache-2.0 协议开源，官方定位是「触觉基础模型」。这个词听着学术，指向却很具体：它要解决的不是机器人怎么走、怎么抓得动，而是手指贴上去之后那几百毫秒里的事——压多深、滑没滑、该不该加力。

稀奇的地方不在又出了一个模型，而在于它被单独拎出来做。过去几年资源几乎都堆在视觉与语言侧，触觉则是硬件附属物：谁的传感器谁写解码，换一款手，攒下的经验就作废。

可以下的判断是：一种感知被单独建模、单独开源，就具备了被反复调用的可能。视觉走完了从各自标数据到直接调预训练主干的路，触觉现在站在同一起点。这是推断，但从命名与许可看，意图并不含糊。

1.2 两款手、26 项任务，两个很难看的起点

验证放在 Sharpa Wave 与 XHand1 两款灵巧手上，26 项真机任务，接入后平均成功率提升 14 到 26 个百分点。区间跨度不小，说明效果与任务类型、手型结构强相关。

更有信息量的是两个具体任务：T-Rex 拧瓶盖从 56.25% 到 90%，抓喷雾瓶从 42.50% 到 87.50%。42.50% 这个起点说明，纯视觉条件下这类任务一半以上尝试是失败的——不是偶尔失手，是大概率失败。很多演示里机器人抓东西显得笨，不是算法不聪明，是它不知道自己用了几分力。

1.3 三类信号，一个底座

训练数据是近 5000 小时真实触觉，并且把磁传感、视触觉、压阻三类长期互不相通的信号放进同一体系。三者物理原理、采样率、噪声特性完全不同，能一起训练，是这件事最费力也最难复制的部分。

它明确不绑定自研动作模型，作为通用层接入；Tiny 版仅 532 万参数，给动作模型增加的参数只有 0.13% 到 0.16%。必须配自家策略才能跑，那叫套件；可插拔的一层，才叫标准。

二、关键数字怎么读

2.1 近 5000 小时：那个「近」字值得盯

5000 小时是真实设备采集的接触时长，不是视频，也不是仿真。按连续采集折算，相当于两百多天不间断地让手去摸东西。这个量级在触觉领域罕见——视觉数据能从互联网上扒，触觉只能靠真手一寸寸摸，每小时都对应设备折旧与人工成本。

但「近」字留了口子。LingBot-Touch 的公开材料没说清这 5000 小时里重复采集占多少、失败样本占多少。同样是一次「抓住杯子」，成功样本告诉你什么可行，失败样本告诉你边界在哪。后者占比低，模型学到的就只是「怎么做成」。

2.2 14–26 个百分点：区间宽度本身是信息

LingBot-Touch 报出的区间跨度 12 个点。如果所有任务同等受益，官方本可以只报一个均值；给出区间，说明分布不均：越依赖力反馈的任务提升越大，越能靠视觉凑合的提升越小。真实收益取决于自家任务库里有多少属于「看不见但摸得着」的类型。

2.3 532 万参数与 0.13%：反推动作模型的体量

做个除法：532 万除以 0.0016 约 33 亿，除以 0.0013 约 41 亿。也就是说，LingBot-Touch 所对接的动作模型大致在 30 亿到 40 亿参数这个量级，对端侧部署友好。参数少不等于能力弱——一次接触的决策窗口常常只有几十毫秒，模型再大也来不及跑，小在这里是工程必然，不是妥协。

2.4 56.25% 到 90%：涨了 33.75 个点，离产线仍差一段

33.75 个百分点很漂亮。换个角度，90% 意味着十次里还有一次失败。实验室里这叫基本可用，产线上叫不可接受——工业场景通常要求连续数千次不出错。正确的读法是：它证明了触觉补齐一块关键短板，不等于灵巧手可以上岗。

三、技术与产品细节

3.1 三类信号进同一个体系，难在哪

磁传感测磁场变化，本质在测位移；视触觉用微型相机拍弹性体形变，输出是图像；压阻测电阻随压力的变化，输出是一维电压序列。三者失效模式也不同：磁传感怕外部磁场干扰，视触觉怕光照与遮挡，压阻怕迟滞和漂移。

统一它们，工程上至少解决三件事。一是时间对齐，传感器延迟差异会让「同一时刻的接触」错位。二是标定归一，同一句「5 牛顿」在三套硬件上必须指向同一个物理量。三是缺失容忍，装不齐三类传感器时也得能工作。官方没披露这三件事各自怎么做，只给了「统一」这个结论。

3.2 触觉 token 化，才是可复用的技术前提

所谓 token 化，是把连续的接触信号切成离散片段，让它们能像词一样被序列模型处理。这一步改变的不只是表示形式。

其一，长度可变。一次抓取可能持续 200 毫秒，也可能持续 3 秒，切成 token 后能进同一个上下文窗口。其二，可混合。触觉 token 能和视觉 token、指令 token 拼在一起，让策略网络在同一序列里联合推理。其三，可预训练。变成 token 就能做自监督学习，先在无标注接触数据上学会「什么样的接触是稳的」。

这里需要标明是推断：官方未公开预训练目标与分词策略。但若没有这层离散化，LingBot-Touch 很难同时覆盖三类硬件、两款手、26 项任务。

3.3 和上一代触觉方案差在哪

3.3.1 数据侧：从一机一采到一次采集、多处复用

上一代是任务定制：做拧瓶盖就采一批拧瓶盖的数据，训个小模型绑在特定的手上；换任务、换手、换传感器全部重来。天花板不在算法，在数据成本。把数据做成底座后，具体任务只需少量微调：前者是项目制，成本随场景线性增长；后者是资产制，边际成本递减。

3.3.2 模型侧：从感知附属到独立一层

上一代的触觉模块嵌在控制回路里，输出直接是「加力」或「松手」，与策略耦合。好处是响应快，坏处是不可迁移。做成独立表示层后，输出的是接触状态的描述，动作模型自己决定怎么用。代价是多一次表示转换，端到端优化不再彻底。

3.4 「不绑定自研动作模型」这六个字的分量

行业里有太多全套方案：传感器、模型、控制器、本体，缺一不可，接口私有。这种模式对厂商有利，对客户是锁定。蚂蚁灵波并不做灵巧手本体，绑定动作模型没有直接收益；开放最容易被锁定的那一层，让做手的和做策略的都能接，是把技术优势换成生态位。

四、为什么是现在

4.1 视觉这一侧的边际收益正在变钝

过去三年，视觉-语言-动作模型进步很大：能听懂指令、认出物体、规划路径。但落到手上，精细程度始终上不去。视觉给的是外部视角，看不进接触面，两个物体贴在一起后，相机能拍到的只有遮挡和阴影。继续堆视觉数据，改善的是「去哪抓」，改善不了「抓多紧」。

4.2 采集成本刚降到可以做底座的量级

触觉数据贵在硬件和人工。前几年一只带触觉的灵巧手价格高、寿命短，采一天可能就得换易损件；采集还得有人反复演示，一个动作重复几百次。传感器便宜了、耐用了、流程标准化了，「先攒一个通用底座」才在经济上成立。不是想法新，是成本刚够。

4.3 竞争位置：谁定义接口，谁拿到下游

做具身智能的团队分成做本体、做大脑、做数据、做零部件几类。触觉此前是零部件的附属功能，没有「层」的概念。Apache-2.0 允许商用、允许修改、不要求回馈，代价是放弃对下游的控制——用许可换采用率，是典型的抢接口打法。推断：收益不在模型本身，而在后续的数据回流与工具链。

五、谁最受影响

5.1 开发者：少了一个从零采数据的理由

对中小团队，最贵的不是算力，是数据。做一个拧螺丝的 demo，过去要先买手、搭采集台、找人演示、标注、训模型，周期以月计；现在起点变成「先接上去看看」。新的依赖也随之而来：底层表示与微调的天花板都由别人设定。

5.2 企业：评估口径要改

制造业客户习惯问「成功率多少」，更该问的是「在我这条产线的节拍下，失败的那一成出现在哪」。接入 LingBot-Touch 之后，提升往往集中在特定工步，整线效率取决于瓶颈工步是否被覆盖。灵活的另一面，是接口适配与时序对齐落在客户侧。

5.3 投资人：看的是层，不是点

单点技术的估值逻辑是「能卖多少台」，层的逻辑是「有多少人绕不开」。触觉基础模型属于后者，但层的价值需要采用率支撑，开源之后很难直接收钱。判断这条线是否成立，看两个指标：接入的第三方本体数量，以及有没有人在它之上做出自己训不出来的效果。

5.4 普通用户：短期无感，中期改变「笨」的印象

家庭场景里，机器人最常被吐槽的不是不会走路，是拿东西毛手毛脚：捏碎鸡蛋、掉了杯子、拧不开瓶盖，这些恰恰是触觉问题。但家用对可靠性的要求比工厂更苛刻，工厂可以围栏隔离，家庭不行，所以更可能先在仓储、装配、实验室自动化落地。

六、横向对比

把 LingBot-Touch 放进主流方案里看，它处在一个特殊位置：其他几家做的是「大脑」，它做的是「皮肤到大脑之间的那段神经」。维度不同，没法简单比分。

对象	覆盖模态	触觉信号处理	是否绑定自家动作模型	参数规模	真机验证规模	许可方式
LingBot-Touch（蚂蚁灵波）	触觉为主，含三类接触信号	统一磁传感、视触觉、压阻	不绑定，作为通用层接入	Tiny 版 532 万，增量 0.13%–0.16%	两款手、26 项任务	Apache-2.0 开源
Gemini Robotics 2.5（谷歌 DeepMind）	视觉、语言、动作	未把触觉作为独立模态公开	与自家模型体系配套	未公开	未公开统一口径	未开源
GR00T 2（英伟达）	视觉、语言、动作	以视觉与仿真数据为主	面向自家平台生态	未公开	未公开统一口径	部分开放权重
π 系列（Physical Intelligence）	视觉、语言、动作	以视觉与本体感知为主	与自研策略强耦合	未公开	未公开统一口径	未开源
无触觉基线	纯视觉	无	不适用	不适用	26 项任务中的对照组	不适用

最该注意的不是谁强谁弱，而是最后一列的差异：三家海外方案都没把触觉单独做成开放层，它们卖的是整套智能，单独开放反而削弱整体价值。另一处是「未公开」的频率——不是没有相关工作，而是口径里没有可比数字，跨方案的成功率对比基本不可信。

七、中国视角

国内做触觉的团队不少，大多集中在传感器和单一任务算法两端，中间那层「通用表示」长期空缺：做传感器的更懂硬件，做算法的更懂任务，两边都缺少把近 5000 小时数据攒起来的动机与资金。

类型	主攻环节	数据是否对外开放	与动作模型的关系	商业化路径	公开验证程度
蚂蚁灵波 LingBot-Touch	触觉表示层	模型开源，训练数据未开放	解耦，可插拔	生态与基础设施	两款手、26 项任务
国内触觉传感器厂商	敏感材料与器件	否	提供原始信号	卖硬件与模组	以器件指标为主
国内人形机器人整机厂	本体与整机策略	否	自研或采购，强耦合	卖整机与解决方案	以整机演示为主
海外触觉初创	视触觉传感器与配套算法	部分开放 SDK	多为专用配套	卖传感器加软件授权	以实验室任务为主

优势在场景。中国制造业密度高，装配、分拣、包装这些需要精细接触的工步大量存在，采集场景的多样性比海外更好，近 5000 小时这种规模在场景稀薄的地方很难凑出来。短板在器件：高端传感器的材料、工艺、一致性仍有差距，视触觉的核心器件依赖进口比例不低。模型层可以先跑一步，底层跟不上，统一的表示最终会被硬件噪声吃掉。

还有一点容易被忽略：LingBot-Touch 开源的是模型，不是数据。国内团队能站在同一起跑线上使用这层能力，但没人能靠它建立数据壁垒。真正的分化会发生在「谁能在自己场景里补上那几万小时专有数据」这一层。

八、争议与风险

8.1 「近 5000 小时」没有第三方核验

这是自报数据集的通病：小时数只统计采集时长，不区分有效接触、空转、重复动作。反复摩擦同一块布料的采集，和覆盖上百种物体的采集，在小时数上等价，信息量却差一个数量级。反方说法很直接：没有采样协议与失败样本比例，这个数字只能当宣传口径。

8.2 26 项任务，覆盖面够不够

26 项听起来不少，但灵巧手的操作类型可以拆到上百种。若集中在抓取与旋转，对装配类任务的外推就要打折扣，而任务清单的分布并未公布。另一处是硬件：Sharpa Wave 与 XHand1 都属较高端的灵巧手，市面大量在用的是低自由度夹爪，LingBot-Touch 在那类硬件上还剩多少效果，没有数据可查。

8.3 跨硬件泛化，可能没那么彻底

统一三类信号是个强假设：假设不同厂商的压阻传感器标定后可互换，假设视触觉的形变图像能跨弹性体迁移。物理上这只在有限范围内成立——弹性体的硬度、厚度、老化都会改变图像与力的映射。训练时硬件多样性不足，模型学到的可能是「这几款手的手感」，而不是「接触的物理规律」。

8.4 反方：触觉未必是最紧的瓶颈

一种值得认真对待的说法是：灵巧手失败的主因不是缺触觉，而是缺好的策略与足够的数据覆盖，给了力反馈、策略不会用，照样失败。支撑它的是——LingBot-Touch 报出的 14 到 26 个百分点里，有多少来自感知、有多少来自联合训练的正则效应，很难拆开。要拆开需要消融实验：只把触觉输入换成随机噪声，看成功率掉多少。