蚂蚁灵波布局具身智能灵巧手赛道

/ 01 /

灵巧手百花齐放，触觉数据却成了一座座孤岛

对于人来说，触觉是一种非常自然的能力。拿起一个杯子，我们几乎不需要思考，就能根据手指感受到的压力，判断杯子有没有拿稳、是否需要增加握力。

但机器人不一样。它需要依赖安装在灵巧手上的传感器，获取手指与物体接触时的各种物理信息，再由模型判断下一步应该怎么操作。

问题在于，当前机器人触觉行业，还没有形成统一的技术路线。

目前，行业主流的触觉传感器主要包括视触觉、磁触觉和压阻式触觉三种。

视触觉主要通过观察接触表面的形变，判断物体的接触位置和形状；磁触觉通过磁场变化感知受力；压阻式触觉则利用材料受压后的电阻变化，测量接触压力。

三种方案各有优势，也存在不同的局限。

比如，视触觉适合感知细微的接触变化，但往往需要安装摄像头和光学结构；压阻式传感器容易覆盖更大的面积，成本也有优势，但精细感知能力相对有限。

因此，在相当长一段时间里，行业可能都会维持多条技术路线并行发展的局面。这原本是正常的技术竞争，但放到机器人模型训练上，就产生了一个很大的问题。

不同传感器采集的数据，很难直接放在一起使用。

举个例子，同样是机器人用手指按压一个杯子，视触觉传感器记录的是接触表面的形变，磁触觉传感器记录的是磁场变化，压阻式传感器记录的则是电阻变化。

它们经历的是同一种物理接触，产生的却是两种完全不同的数据。

虽然它们感知的是同一个动作，但产生的数据完全不同。对于模型来说，就像三个人用不同的语言描述同一件事，很难直接放在一起学习。

更麻烦的是，当灵巧手厂商升级硬件、更换传感器，或者机器人企业切换动作模型时，原来训练出来的能力往往难以直接沿用。

结果就是，大家都在重复解决一些非常基础的问题。对具身智能产业而言，这种重复投入的代价其实很高。

因为机器人训练不像互联网模型，可以直接从海量公开内容中获取数据。高质量触觉数据需要真实的物理交互，要么让人穿戴传感设备反复操作，要么通过遥操作机器人采集。这意味着，每增加一批数据，背后都需要相应的设备、人力和时间投入。

如果这些投入只能服务于某一款灵巧手、某一套动作模型，那么随着硬件种类和应用场景不断增加，整个行业的研发成本也会持续上升。

所以，机器人触觉当前真正需要解决的问题，已经不只是如何提高传感器精度。更重要的是，如何让不同硬件、不同任务积累的触觉经验，转化为整个行业都能复用的基础能力。

这正是蚂蚁灵波LingBot-Touch 的核心价值。

无论传感器记录的是磁场变化、表面形变，还是电阻变化，LingBot-Touch 都能从这些不同的信号中，提取接触位置、受力及其变化等信息，再转换成统一的触觉 Token，供下游动作模型使用。

这样一来，动作模型就不必每次都从原始信号中学习如何理解接触，而是可以直接利用已经训练好的触觉感知能力。

当然，要做到这一点并不容易。

因为不同传感器不仅测量原理不同，触点数量、排列位置和采样频率也存在很大差异。即便记录的是同一种物理接触，产生的数据也可能完全不同。

灵波的解决办法，是先对不同传感器的信号分别进行编码，再交给同一个模型学习，从中寻找共同的物理规律。

举个例子，无论传感器记录的是磁场变化还是表面形变，当机器人握住杯子时，都会产生相应的接触变化。模型要学习的，就是如何从这些不同的信号中，理解手指是否接触物体、受力如何变化，以及物体是否可能滑动。

为了让模型真正掌握这些规律，灵波还采用了一种类似“填空题”的训练方法：随机隐藏部分触觉数据，让模型根据剩余信息，预测被遮挡部分的接触特征。

经过大量训练，模型逐渐掌握了不同硬件都需要理解的物理接触规律。这也是 LingBot-Touch 能够跨传感器、跨灵巧手复用的关键。

为了训练这套模型，灵波还积累了相当规模的真实数据。

根据技术报告，LingBot-Touch 使用了4983小时真实触觉数据进行预训练，覆盖约46.44万段交互记录，累计约13.3亿帧数据。其中，约三分之二来自人类佩戴触觉手套完成的真实操作，其余来自遥操作机器人。

那么，这套方法的实际效果如何？

为了验证模型的通用性，蚂蚁灵波选择了两款不同类型的灵巧手进行真机测试，分别是自由度较高的 Sharpa Wave，以及自由度相对较低的 XHand。

测试覆盖26项真实操作任务，并搭配 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex 四种不同的动作模型。

团队还设计了三组对照实验：完全不使用触觉、直接输入原始触觉信号，以及使用 LingBot-Touch 提取的触觉信息。

结果相当明显。在两款灵巧手上，四种动作模型接入 LingBot-Touch 后，平均任务成功率均达到三组实验中的最高水平。

以 LingBot-VLA 为例，在 Sharpa Wave 上，接入 LingBot-Touch 后，平均任务成功率从无触觉时的44%提升至72.51%；在 XHand 上，相较于直接输入原始触觉信号，成功率也从57.21%提升至75.04%。

更有意思的是，XHand 使用的磁触觉传感器型号，并未出现在 LingBot-Touch 的预训练数据中。而模型训练所使用的磁触觉数据，全部来自人类佩戴触觉手套完成的真实操作。

这意味着，人类操作积累的触觉经验，也可以迁移到机器人上，帮助不同硬件理解接触信息。

这一点同样具有产业价值。相比依赖机器人遥操作采集数据，让人佩戴触觉手套进行日常操作，不仅降低了对特定机器人本体的依赖，也为规模化采集真实触觉数据提供了新的路径。

这种让不同硬件共享基础能力的思路，并不局限于触觉领域，而是贯穿了蚂蚁灵波整个具身智能技术布局。

从 LingBot-Vision、LingBot-Depth 2.0，到 LingBot-World 2.0，再到 LingBot-VLA 2.0、LingBot-VA 2.0，灵波始终在围绕机器人进入物理世界所需要的基础能力展开研发。

视觉和深度模型负责理解空间，世界模型负责预测环境变化，动作模型负责生成操作，而 LingBot-Touch 则进一步补上了接触感知这一环。

这些模型看似解决不同的问题，背后却遵循着同一套逻辑：从真实物理交互的需求出发，把不同机器人共同需要的能力，沉淀为可以复用的基础模型。

这条技术路线有着很强的现实意义。今年9月，GPT-6 Astra 发布后，通用大模型已经展现出直接控制机器人的潜力，甚至引发了具身基础模型是否还有必要存在的讨论。

但从现有实验来看，通用大模型虽然擅长理解任务、规划动作，在精细控制、动态操作和实时反馈等方面，依然存在明显短板。

原因并不复杂，理解物理世界和真正与物理世界交互，是两回事。

比如，模型可以理解如何拧开瓶盖，但手指接触瓶盖后，究竟应该施加多大的力、什么时候调整握姿，却需要从真实物理交互中学习。

更何况，现实世界不会停下来等待模型完成推理。因此通用大模型越是向复杂物理操作延伸，对物理感知、实时反馈和操作泛化能力的要求反而越高。

从这个角度看，通用大模型的进步，并不意味着具身基础模型失去了价值。相反，如何从真实物理交互中学习，并把这些经验迁移到不同机器人上，正在成为具身智能发展的重要方向。

而这种跨硬件、跨任务的能力复用，也有望改变具身智能产业的研发模式。

过去，不同灵巧手使用的触觉传感器各不相同，算法企业往往需要针对不同硬件，重复开发和训练感知模型。不仅研发成本高，不同厂商积累的数据也很难共享。

而 LingBot-Touch 展示了另一种可能。

灵巧手厂商可以专注于提高硬件性能，动作模型厂商可以继续完善控制策略，双方都能复用已经训练好的触觉能力，把更多研发资源投入到具体任务和应用场景中。

更重要的是，当不同硬件的数据能够共同参与训练，整个行业就有机会形成新的正向循环：更多机器人积累更多物理交互数据，更多数据训练出更强的基础模型，再反过来提升更多机器人的操作能力。

从这个角度看，蚂蚁灵波坚持的“具身原生”路线，也与 AI 领域著名的“苦涩的教训”有着相似的底层逻辑。

“苦涩的教训”认为，长期来看，能够持续利用更多数据和算力的通用学习方法，往往比针对特定任务设计的专用方案更具扩展潜力。

具身智能同样如此。决定产业发展上限的，不只是机器人能完成多少复杂动作，更在于这些动作背后的物理经验，能否沉淀为可积累、可迁移、可复用的基础能力。

这也是蚂蚁灵波坚持具身原生路线的深层价值：通过学习真实世界的物理规律，让不同机器人能够共享这些经验，并在此基础上持续提升操作能力。

当一台机器人积累的经验，能够成为更多机器人学习的起点，具身智能才有望摆脱单一硬件和场景的限制，真正形成规模化发展的能力基础。