作者 | 毛心如
机器人翻书时，手指沿着纸页边缘轻轻移动；它需要判断自己带起的是一页，还是两页。
拧瓶盖时，手腕转过相同的角度，瓶盖可能已经开始旋转，也可能只是指尖在盖沿打滑。
镜头里看起来相似的动作，落到手指与物体的接触上，可能对应完全不同的状态。
这些细微差异，恰恰是精细操作最难处理的部分。
视觉可以帮助机器人找到物体、判断位置和距离，但手指真正碰到物体之后，接触点在哪里、受力有多大、物体有没有滑动，往往会受到遮挡，也很难只凭画面判断。
机器人要把动作做稳，除了看见，还得知道自己摸到了什么。
随着灵巧手承担越来越多的精细操作任务，机器人需要解决的已经不只是如何抓住物体，还包括接触之后如何感知、判断和及时调整。
触觉因此成为机器人感知体系中越来越重要的一环。
但问题也同时暴露：触觉传感器技术路线尚未收敛，不同设备采集的数据难以直接互通，针对某一款硬件学到的触觉经验，也很难自然迁移到另一款灵巧手上。
蚂蚁灵波最近发布的触觉预训练基础模型 LingBot-Touch，瞄准的就是这道鸿沟。
它尝试将不同触觉传感器产生的信号转化为统一、可复用的表征，让不同灵巧手和动作模型能够共享对接触信息的理解，也为灵波的机器人通用大脑补上触觉感知这一环。
在看得更清楚、想得更明白、干得更利索之外，机器人还需要摸得更灵敏。
硬件在分叉，能力要收敛当下，触觉传感器没有一条现成的标准答案。不同方案在感知精度、覆盖面积、响应速度、安装空间和成本之间各有取舍，厂商往往要根据灵巧手结构和目标任务做选择。
目前，比较典型的方案主要有视触觉、磁触觉和压阻式三类：
三条路线各有所长：指尖需要分辨细微形变，掌面需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。
硬件多样化是现实的工程选择，但棘手的是由此带来的数据差异。
以抓握杯子为例，视触觉记录的是形变图像，磁触觉读取的是磁场变化，压阻式则输出电阻变化。不同设备的触点排布、采样频率、数据维度和标定方式也不相同。
对动作模型而言，这些信号很难直接放在一起理解。更换传感器，往往意味着重新处理接口、标定和信号解算，这样不仅减少了上游模型所需的数据量，更增加了下游策略重新适配特定数据的工作量。
久而久之，不同厂商和团队容易形成彼此割裂的数据与算法链条。
为解决这一问题，研究界开始尝试建立更通用的触觉表征，研究重点也逐渐从单一传感器的特征提取，转向跨传感器学习。
Meta 等团队推出的 Sparsh，基于超过 46 万张触觉图像进行自监督预训练，重点面向视触觉传感器；T3 则将 13 种相机式触觉传感器、11 类任务的数据整合进 FoTa 数据集，利用共享 Transformer 学习跨传感器、跨任务表征。
这两项探索的主要范围仍集中在视触觉领域。
FTP-1 进一步纳入图像、阵列和状态类触觉输入，使用不同编码器将信号映射到统一的潜在空间，再由共享触觉专家处理。其预训练数据约 3000 小时，覆盖 21 种传感器和 26 个数据来源。
不过，面对未见过的新传感器，仍需训练对应的专属编码器，并不是换上硬件就能即插即用。
TACTX 则进一步尝试对齐视触觉、磁触觉和压阻式三类信号，通过成对接触数据学习共享表征，并验证跨传感器迁移的可能性。
需要说明的是，这些研究的模型定位和实验设置并不相同：有的重点解决视触觉传感器之间的泛化，有的将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，不能简单按照实验结果排出高低。
LingBot-Touch 选择的是另一种切入方式：将触觉理解能力独立训练为一个可供不同动作模型调用的表征模块，减少对特定传感器和单一动作策略的绑定。
这背后的思路并不复杂：不同机器人可以使用不同的手，不同任务也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，都是它们共同需要理解的信息。
与其等待硬件路线收敛，不如先在模型层建立一套共同语言。
当触觉理解能够逐渐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。
这也是蚂蚁灵波选择将触觉能力做成独立基础模型的出发点。
通用触觉底座的真考验：能迁移，也得真管用要支撑这样的公共层，首先需要足够规模、足够多样的真实数据。
LingBot-Touch 使用了 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：
人戴着压阻式和磁触觉手套进行日常操作，这贡献了大部分时长；
人遥操作搭载 Sharpa Wave 的双臂机器人，补充视触觉数据。
前者不依赖机器人本体，能够覆盖更丰富的日常交互；后者则提供了与实际部署硬件更接近的交互经验。
两类数据在任务类别上进行匹配，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。
在模型设计上，LingBot-Touch 主要做了三件事。
第一，将不同传感器的触点映射到统一的指尖坐标空间，为每个有效测点标注时间、手指身份和三维位置信息，让不同来源的信号拥有可以对齐的空间参照。
第二，让不同原理的信号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进行了调整。触觉数据中有大量没有发生接触的时刻，原始读数往往接近零。如果只是要求模型还原输入，它很可能通过预测大量无接触数据获得较低的训练误差，却没有真正学会判断接触。
为此，LingBot-Touch 采用 Tactile-JEPA，在潜在特征空间预测被遮挡部分的接触信息，而非逐点还原原始信号。同时，模型还会对触点密度和位置进行扰动，降低对固定传感器布局的依赖。
它真正希望学到的，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，模型设计是否有效，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。
实验选择了 Sharpa Wave 和 XHand 进行测试。
前者使用预训练阶段见过的视触觉传感器，后者则搭载了训练数据中未出现过的磁触觉传感器型号，在分辨率、采样频率和触点布局上也存在差异。
面对 XHand，团队没有重新调整已经训练好的 LingBot-Touch 参数，直接用它提取触觉表征，再用这只手的任务示范训练下游动作策略。
结果表明，同一套表征可以跨越不同传感器型号和灵巧手结构。
这里需要厘清一个边界：复用的是理解接触的能力，具体如何控制新的手，仍然需要通过任务示范学习。
换句话说，换手之后要重新学控制，但不必从头学习如何理解触觉。
跨硬件迁移验证的是表征的通用性，另一项实验则进一步考察：不同动作模型能否真正用好这套表征。
团队在两款手上共测试了 26 项真机任务，其中 Sharpa Wave 20 项、XHand 6 项，覆盖翻页、拧瓶盖、拉拉链、插吸管、搬运易变形杯子等。动作模型包括 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex。
每组都设置三种输入：不使用触觉、直接输入原始触觉信号、使用 LingBot-Touch 提取的特征。
结果显示，两款手上的四种模型，平均成功率均在使用 Touch 特征时达到最高。
平均成绩只是入口，真正要看的是同一套特征能否被不同策略稳定调用。
这里面最能说明问题的，是 Sharpa Wave 搭配 π0.5 的拉拉链实验：无触觉时成功率为 39%，直接输入原始触觉信号反而降到 15%，使用 LingBot-Touch 特征后升至 59%。
拧瓶盖等任务也出现类似对照：有信号不等于会用。原始读数中包含传感器自身的噪声、与任务无关的维度以及不同设备之间的分布差异，未经处理就直接输入动作模型，有时反而会成为干扰。
从原始信号到决策真正需要的物理信息，中间还需要一层适合模型理解的表征。触觉硬件解决的是测得到，表征模型要解决的则是用得上。
当然，并不是所有任务都出现同等幅度的提升。部分任务上，Touch 带来的增益相对有限，或者与直接输入原始信号的差距并不显著。
这说明结果仍需要更多真机验证和更广泛的任务分布来观察。
但跨手、跨策略的整体表现已经提供了一个积极信号：将接触理解抽象为独立模块，再接入现有动作模型，是一条值得继续探索的路径。
部分任务上的差异也提醒我们，公共表征并非万能钥匙，其效果仍取决于具体任务和传感器分布。
除了真机，团队还在 12 项仿真接触丰富任务中做了强化学习验证。
LingBot-Touch 平均成功率 68.95%，高于 CNN 触觉特征的 45.59% 和无触觉输入的 21.42%；在转盘子、转笔、平衡球这类接触持续变化、需要协调控制的任务，差距最明显。
仿真结果作为补充，说明这套表征在不同接触动态下也能提供有效信息。
此外，从实验室走向真机，还必须考虑计算开销。
触觉的一部分价值在于及时反馈：杯子刚开始沿指腹滑动时，机器人还有机会收紧手指；等物体已经脱手，再准确地判断滑动状态也无济于事。
与此同时，真机还要运行视觉、空间感知和动作模型，留给触觉模块的计算资源有限。
为此，LingBot-Touch 提供了 Tiny 和 Small 两个版本。其中，Tiny 约 532 万参数，论文中的 26 项真机测试全部使用这一版本；接入 LingBot-VLA、π0.5 和 T-Rex 后，模型参数量分别只增加约 0.13%、0.15% 和 0.16%。
这意味着，触觉表征不仅要在实验中证明有效，还要尽可能轻量，才能真正进入资源有限的机器人系统。
触觉基础模型如何走向更多机器人？如果一套触觉表征能够在不同传感器、灵巧手和动作模型之间复用，改变的就不只是模型的接入方式，还有硬件、数据和算法之间的分工。
过去，硬件厂商需要围绕自身传感器完成标定、降噪和信号解算，机器人团队还要针对具体手型和操作任务训练策略。
不同环节之间有大量适配工作，某一套硬件积累的数据和经验也未必能被其他团队直接使用。
通用触觉表征提供了一种新的分工可能：传感器厂商继续把精度、稳定性、耐用性和成本做好，灵巧手厂商根据应用选择感知方案，算法团队则可以在已有触觉表征上开发动作策略。
它不会取代传感器标定、器件补偿和本体控制，也不意味着不同硬件接上模型就能立即完成所有任务。
但如果共性的接触理解能力能够独立复用，团队就有机会减少重复的底层表征工作，把更多精力投入硬件适配和具体任务。
同时，这种分工可能让灵巧手在传感器配置上拥有更大自由度。
指尖需要识别微小接触形变，可以采用视触觉；指腹和掌面需要覆盖更大面积，可以考虑压阻式阵列；其他位置也可能加入磁触觉或柔性电子皮肤。
未来，一只灵巧手上同时采用多种传感器，各自负责更擅长的感知任务，再由统一表征层整合信息，或许会成为一种新的设计思路。
对于模型厂商和整机团队来说，独立的触觉表征同样提供了新的接入方式。
LingBot-Touch 在实验中不仅接入灵波自己的 LingBot-VLA，也接入π0.5、Diffusion Policy 和 T-Rex。这意味着触觉能力有机会作为相对独立的模块，被不同技术路线的动作模型调用。
对蚂蚁灵波自己而言，LingBot-Touch 是其具身原生通用大脑里补上的又一块拼图。
此前，这套体系里已有负责空间感知的 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。
从这套体系的构建思路来看，其正在将机器人完成物理任务所需的能力逐项拆解、分别验证，再逐渐形成从感知、预测到执行的闭环。
触觉补上的，就是接触之后的感知与反馈。
目前，蚂蚁灵波也在与乐聚、钛虎等本体伙伴，以及国大药房、隆盛等场景伙伴，围绕零售分拣、物流和工业场景开展测试，推动相关能力从实验验证走向真实应用。
这也是具身原生模型与通用大模型在技术侧重点上的一个区别：前者需要直接处理物理交互中产生的力、形变和接触动态，并将这些信息转化为机器人能够使用的决策依据。
当然，触觉技术的发展，不会因为一款模型发布就走向统一。
不同传感器仍会围绕分辨率、覆盖面积、响应速度和成本继续演进，灵巧手也会根据任务选择不同的硬件组合。
但必须解决的问题是，让这些设备积累的接触经验不再彼此隔绝。
LingBot-Touch 提供了一个值得验证的方向：硬件可以保持多样，模型可以尝试学习共同的接触表征，再把它交给不同的动作策略。
目前的结果仍需要更多本体、更多传感器类型和更多真实场景的验证。
但至少，它把一个值得关注的问题摆到了台前：具身智能的通用性，能否从动作模型的复用，进一步延伸到物理交互经验的复用？
从物理世界的实际需求出发，把共性的能力做成公共层，让不同团队在此基础上继续探索各自的硬件和任务，这或许才是触觉基础模型更长远的价值。
