今年 9 月，GPT-6 Astra 发布之后，具身智能圈经历了一次集体的“压力测试”。
在论文《An Unexpected Robot Policy》中，研究人员将GPT-6 Astra直接作为机器人动作策略使用。在没有经过针对性任务微调的情况下，它在RoboDojo的42项仿真操作任务中，取得了22.48%的平均成功率和28.97的综合得分，排名超过榜单上的全部40个公开策略模型。
数字世界大模型理解任务、拆解步骤、规划路径的能力，正在延伸到机器人身上。
一时间，“通用大模型会不会吃掉具身大脑”成为投资人和创业者反复追问的问题。但如果把这批测试报告读到最后，会发现它同样清楚地划出了数字大模型的能力边界——手碰到物体之后。
第一道边界是时间。在一项仿真行走测试中，机器人行走 30 秒，需要调用模型 250 次，每次平均耗时近 40 秒。仿真里可以暂停等模型想完，但现实世界中杯子开始下滑的那一刻，没有任何机器人有 40 秒的思考时间。
第二道边界是接触。同一批测试显示，Astra 的优势集中在泛化、记忆这类依赖语义理解的任务上；在高精度操作类任务中，它的成功率只有 4.00%。真机正式评测还因模型给出危险动作、造成设备损坏而中止。换句话说，视觉可以解决“把手伸到正确位置”的问题，但手指一旦碰到物体，遮挡、打滑、形变等问题就接踵而来。
这正是当下具身智能产业的真实分野：即便推理与规划可以站在数字巨人的肩膀上，但从传感器信号到动作输出的物理闭环，必须由具身基础模型自己来完成。
对此，蚂蚁灵波 CEO 朱兴给出了一个清晰的判断：“数字世界大语言模型的进展确实让机器人的复杂任务推理能力更强。但产业一线的实践告诉我们，要真正跑通操作闭环，物理操作泛化性这块硬骨头还是绕不开，很大程度上仍要靠具身基础模型自身的突破。”
这个判断背后，是灵波自成立起就坚持的“具身原生”技术路线。前两天，蚂蚁灵波正式发布并开源了面向灵巧操作的触觉预训练基础模型 LingBot-Touch。它瞄准的，正是 GPT-6 Astra 们无法绕过的硬骨头——让机器人在手碰到物体之后，真正“摸得明白”。
LingBot-Touch 将多源、异构、稀疏的触觉信号统一为可复用的表征，服务于触觉理解、模仿学习与强化学习等下游任务。图源：LingBot-Touch 技术报告
从空间感知到物理接触，通用大脑的另一块拼图
要理解 LingBot-Touch，需要把它放回蚂蚁灵波的整条技术路线中看。
蚂蚁灵波成立于 2024 年底，从一开始就定位不造本体，只做机器人的通用大脑。
今年 1 月底，灵波连续几天密集开源了 LingBot-Depth、LingBot-VLA、LingBot-World 和 LingBot-VA，覆盖空间感知、动作生成、世界预测与世界动作建模。到今年 7 月发布大脑全栈 2.0 时， LingBot-VLA 2.0已经适配 17 家机器人厂商的 20 余种构型。
蚂蚁灵波“大脑全栈 2.0”按看得更清楚、摸得更灵敏、想得更明白、干得更利索四种能力组织，LingBot-Touch 补上了其中的精密触觉感知。
灵波把这条路线明确为“具身原生”：回到第一性原理，从机器人在物理世界里感知环境、预测变化、执行任务的真实需求出发，决定该统一什么、模型怎么设计、用什么数据训练。这也是灵波一直坚持以真机数据为主的原因。
用一个最普通的任务，就能看清这套能力是怎样组织起来的。假设机器人要把桌上的一只玻璃杯拿起来，放到指定位置。在伸手之前，机器人首先要看得更清楚，LingBot-Vision 与 LingBot-Depth 2.0 负责的正是这一层，让机器人从“看见物体”走向“理解空间”。
手指碰到杯壁之后，视觉会受到影响。指腹挡住了接触区域，摄像头很难判断杯子有没有握稳、指尖是否在滑动、再加力会不会把薄壁杯捏变形。这一段需要机器人摸得更灵敏，也正是此次 LingBot-Touch 补上的能力：从接触信号中读出受力状态及其变化。
杯子被拿起时如果发生倾斜，或者放置区域突然出现障碍，机器人还要想得更明白，预判环境会怎样变化，再调整下一步。世界模型 LingBot-World 2.0 与视频生成基础模型 LingBot-Video 承担的，就是这种对物理世界的动态建模。
最终，所有感知和预测都要落到动作上。机器人的手臂往哪里移、手指收多紧，都要在执行中不断根据反馈修正。LingBot-VLA 2.0 负责理解指令、生成动作并跨构型迁移，LingBot-VA 2.0 则把世界预测和动作生成统一起来，让机器人边推演、边行动、边调整。
搭载蚂蚁灵波通用大脑的机器人在药房场景中拣选商品。
如今 LingBot-Touch 已与 LingBot-VLA 融合，用于精细操作。对此，朱兴的总结是：模态输入的质量很大程度上决定了动作输出的上限。
当机器人进入越来越多的复杂任务场景，这些任务对物理感知的要求也会同步抬高。灵波先把机器人需要的关键能力拆开研发、分别验证，成熟后再合龙为更统一的具身原生大脑，正是对这一产业趋势的前瞻回应。
而谁先把物理闭环跑通，谁就握住下半场的主动权。
拆解 LingBot-Touch：如何用一套模型“翻译”千差万别的物理手感
给灵巧手装上触觉传感器，只是让机器人有了“感官”。要让它真正拥有“手感”，难点在于整个行业目前还没有一种共同的语言。
当前主流触觉传感器至少有三条路线。
视触觉用指尖内的微型相机拍下弹性表面的形变，擅长分辨细微的接触位置和轮廓，代表产品有 Sharpa Wave 灵巧手；
磁触觉通过软质磁性材料受力后的磁场变化感知多个方向的力，结构薄、响应快，星动纪元的 XHand、帕西尼的 PX6AX GEN3 都属于这一路线；
压阻式则利用材料受压后的电阻变化测量压力，成本低、容易做成大面积阵列覆盖手掌，强脑科技的 Revo 2 触觉版是其代表。
三条路线在精度、速度、覆盖面积、成本和耐用性上各有取舍，并行发展几乎是必然。
这种多样性给模型训练带来了困难。同样一次按压，视触觉记录的是图像，磁触觉记录的是磁场，压阻式记录的是电阻，描述的是同一种物理接触，原始数据却无法直接合并。这意味着，行业只能一种传感器配一套模型，硬件越丰富，重复投入越多，一款手积累的经验很难沿用到下一款手上。
面对这个问题，灵波关注的是不同硬件背后共同的物理规律，即手指碰在哪、受力多大、有没有在滑。它把“理解接触”从具体任务和具体硬件中剥离出来，作为独立的基础能力进行预训练，再供不同灵巧手和动作模型复用。这与灵波做通用大脑的思路一脉相承。
围绕这一判断，LingBot-Touch 需要回答三个问题。
第一，数据从哪里来。接触经验不会在互联网上，只能在真实交互中采集。LingBot-Touch 的预训练数据共 4983 小时，其中压阻式约 2197 小时、视触觉约 1650 小时、磁触觉约 1136 小时，合计 46.4 万段交互、约 13.3 亿帧，覆盖抓握、旋转、滑动、擦拭、装配、双手配合以及易碎易变形物体的操作。
其中三分之二来自人佩戴压阻式和磁触觉手套在日常环境中的操作，剩下三分之一来自指尖搭载视触觉传感器的 Sharpa Wave 双臂遥操作。手套数据的价值在实验中得到了印证：预训练用到的磁触觉数据全部来自人手手套，而 XHand 所用的磁触觉传感器型号从未出现在预训练数据中，参数固定的 LingBot-Touch 接上 XHand 后，依然能帮助动作模型明显提升成功率。这说明人手积累的“手感”可以帮助机器人读懂自己的触觉信号，而手套采集不依赖机器人本体，为触觉数据的规模化打开了一条可行通路。
LingBot-Touch 预训练数据共 4983 小时、46.4 万段交互、13.3 亿帧，其中压阻式与磁触觉数据由人佩戴触觉手套采集，视触觉数据来自灵巧手遥操作。图源：LingBot-Touch 技术报告
第二，不同信号怎样进入同一个模型（表征）。LingBot-Touch 按传感原理而非产品型号设置编码入口，磁触觉、压阻式和视触觉信号各自编码后，进入共享的 Haptic Transformer 学习共同规律。所有触点被映射到同一个标准化的三维指尖坐标系，每个触觉 Token 都记录时间、手指编号和空间位置；训练时再刻意改变触点密度、扰动触点位置，避免模型“死记”某一款传感器的排布。
由此，同一传感原理下的新型号可以直接使用，异构数据也从障碍变成了养料。对照实验显示，保持某类数据不变、再加入其他类型数据联合预训练后，模型对接触位置、面积和受力变化的判断都有所改善。
LingBot-Touch 模型架构。三类触觉信号被映射到统一的标准化指尖空间，经分模态编码后进入共享的 Haptic Transformer，在特征空间中预测被遮挡区域的接触信息。图源：LingBot-Touch 技术报告
第三，怎样学到真正有用的接触规律。触觉信号极度稀疏，手指大部分时间并未接触物体，读数为零或接近零。若沿用重建原始信号的训练方式，算力会大量消耗在这些“空白”上。灵波采用基于 JEPA（联合嵌入预测架构）的自监督方法：遮住一段记录中的部分触点，让模型根据其余触点和前后时间的变化，在特征空间里推断被遮住区域的接触状态，而不是逐项还原原始读数。训练所需的参照来自记录本身，无需人工标注。
LingBot-Touch 的对照实验显示，在同样 1000 小时的数据上，这种方法的接触中心定位误差为 0.90 毫米，而沿用信号重建思路的 VAE 和 MAE 都在 3 毫米以上。在 Sharpa Wave 上判断指尖接触中心时，LingBot-Touch 的平均定位误差为 0.12 毫米，而使用平台专用适配器的 FTP-1 为 2.19 毫米。在预训练从未见过其传感器型号的 XHand 上，差距更加明显：LingBot-Touch 在编码器完全冻结的情况下误差仅 0.16 毫米，FTP-1 为 5.89 毫米，两者精度相差三十余倍。
LingBot-Touch 与 FTP-1 在 Sharpa Wave（上）和 XHand（下）上的触觉理解能力对比，涵盖受力大小、接触中心、接触面积、未来受力预测与视触觉检索五项指标。XHand 的传感器型号未出现在 LingBot-Touch 的预训练数据中。图源：LingBot-Touch 技术报告
此外还有一道物理世界独有的约束：时延。杯子刚开始滑动时，判断再准，送达太晚也会错过调整握力的时机，而触觉处理只能分到机器人有限算力中的一小份。这正是 GPT-6 Astra 这类大模型难以跨越的“时间边界”。为此，灵波提供了两个版本。LingBot-Touch-Tiny 仅约 546 万参数，接入 LingBot-VLA、π0.5 和 T-Rex 后，模型参数量只分别增加 0.13%、0.15% 和 0.16%，此次 26 项真机任务全部由它完成。容量更大的 Small 版则展现出更好的数据扩展性：Tiny 版在约 4000 小时数据后趋于饱和，Small 版在近 5000 小时的数据上仍在提升。前者回答了能不能实时使用，后者说明触觉同样存在规模化收益，数据越多，模型越懂“手感”。
从数据、表征、训练到部署，LingBot-Touch 的设计都对应着行业在触觉上共同面对的卡点。这也是灵波“具身原生”主张最具体的落点：从机器人在物理世界里把活干好的需求出发，决定统一什么、怎样设计、用什么数据训练。触觉这个最难攻克的环节之一，被灵波做成了可以跨硬件、跨厂商共用的底座——通用大脑的边界，由此又向前推了一步。
结语：具身智能下半场，比拼的是对物理世界的敬畏
GPT-6 Astra 引发的那场讨论，其实已经有了答案。
通用大模型不会吃掉具身大脑，两者也不是二选一的路线。数字大模型越强，机器人能接下的任务就越多、越复杂。而任务越复杂，就越需要用真实物理数据训练、能够实时运行的感知与执行能力。数字大模型的每一次进步，都会放大具身基础模型的价值。
这正是灵波这条路线的分量所在。从年初集中开源空间感知、动作生成和世界预测模型，到 7 月发布大脑全栈 2.0，再到如今的 LingBot-Touch，这种路线上的连续性，比任何单次发布都更值得关注。
可以看到，具身智能正在形成与自动驾驶、智能手机相似的分工：本体和零部件高度多样、快速迭代，而真正具备规模经济的，正是可以跨硬件复用的智能层。海外的 Physical Intelligence、Skild AI 估值已达到或冲击百亿美元量级，与国内资本向大脑公司集中的趋势互相印证，这一分工逻辑正在得到资本市场的验证。
对中国产业而言，这还有一层特殊意义。中国拥有全球最丰富的灵巧手与传感器供应链，过去这种多样性是算法适配的负担；如今不同硬件采到的数据可以共同训练，学到的能力又能回到不同机器人上，多样性有机会从负担变成数据资产。
这条路还在继续走。按照灵波 CEO 朱兴的说法，灵波未来不会止步于视觉、深度和触觉，还会持续补充力觉、温度等更多物理感知模态，为动作模型提供更高质量的输入。
具身智能的下半场，比拼的不再是更炫酷的 Demo，而是谁对物理世界更加敬畏。谁能把这些跨构型、跨模态的底层能力做得最扎实、最易复用，谁就有机会成为具身智能规模化时代的“水电煤”。在这场竞赛里，灵波交出的是一张正在逐步补全的通用大脑地图，而触觉，是其中刚刚落下的一块。
