---
title: "AIGC内容产业｜蚂蚁灵波开源触觉模型，让机器手指学会\"手感\""
date: 2026-11-18
category: AIGC内容
site: 脑机网
canonical: https://aiai.cafe/a/njw-22cd04
language: zh-CN
---

# AIGC内容产业｜蚂蚁灵波开源触觉模型，让机器手指学会"手感"

> 机器人能把瓶盖看得清清楚楚，却仍拧不开它。指尖一接触，决定成败的信息——用了多大力、何时打滑、阻力怎么变——全藏在手指背后，摄像头看不到。11月10日，蚂蚁集团旗下灵波科技开源了补这个缺口的LingBot-Touch：用

机器人能把瓶盖看得清清楚楚，却仍拧不开它。指尖一接触，决定成败的信息——用了多大力、何时打滑、阻力怎么变——全藏在手指背后，摄像头看不到。11月10日，蚂蚁集团旗下灵波科技开源了补这个缺口的LingBot-Touch：用近5000小时真实触觉数据预训练的触觉基础模型，也是最早让"手感"跨机器人、传感器和策略复用的方案之一。

## 触觉是一种碎片化的语言
触觉本该是最容易论证的感觉。翻书页、认麻将牌、精细装配这些活里，接触状态决定成败，镜头恰好在最关键的瞬间被挡住。可市面上的触觉传感器至少分三种互不兼容的原理：磁式、视触觉和压阻式，在测量物理、通道定义、接触布局和采样率上都不同。在一种传感器上采的数据没法训练另一种模型，每换一次硬件往往要重新采数据、重新训练。就在行业极度渴求触觉数据时，这种碎片化把它顶得很贵——真机采集常每小时数百元，约合70美元上下，触觉数据更难。

LingBot-Touch的架构正是对此的回答。模型为每种感知原理分配独立编码入口，分开处理原始信号，再把接触布局映射到标准化指尖坐标系。一个共享表征网络学习接触位置、力度大小及两者如何随时间演化，输出统一的"触觉词元"，任何动作模型都能用。因为编码器彼此独立，人戴触觉手套采的数据和遥操作灵巧手采的数据能训练同一个模型，也留了接入新传感器的余地。

## 真机测试说明了什么
灵波在Sharpa Wave和星动纪元XHand1（一款全直驱五指手）两只灵巧手上验证了模型，共26项真实操作任务，从翻页、拧瓶盖到分辨麻将牌。接上LingBot-Touch后，四个动作模型——LingBot-VLA、π0.5、Diffusion Policy和T-Rex——成功率比无触觉基线平均提升14到26个百分点。

一个案例讲透了机制。用T-Rex控制Sharpa Wave拧瓶盖：无触觉输入成功率56.25%；原始传感器信号直接喂给策略，62.5%；用LingBot-Touch表征，90%。跃升不靠更多数据而靠更好的表征——触觉模型揽下解读原始接触信号的活，让动作策略专心做动作。

还有两个结果扎眼。跨硬件迁移成立了：XHand1的磁式传感器不在预训练数据里，磁触觉经验全来自戴手套的人采数据，可在冻结编码器、只用XHand1演示训策略时系统仍有提升。部署也轻：26项测试全跑在约530万参数的Tiny版上，只给宿主模型增约0.13%到0.16%体量。权重、代码、报告已上线Hugging Face、GitHub和魔搭。伙伴帕西尼为预训练贡献1136小时真实磁触觉数据和超29.4万条交互记录。

## 开放数据的赌注
这次发布赶上一股潮流：真机数据成了具身智能的紧约束，开放的触觉数据集和模型正浮成公共基础设施。灵波的LingBot系列开源九个月，累计拿到GitHub三万多颗星和220万次下载，LingBot-VLA通用大脑已适配17家厂商的20种机器人。同一周开放权重有了国际回响：Runway的Praxis-1世界动作模型按Apache 2.0协议在11月11日发布，给开发者提供了一个可下载的270亿参数动作底座。两边都押注开放生态比闭源长得更快。

灵波CEO朱兴把策略讲得很直白：通用数字世界模型在改进任务推理，但可泛化的物理操作仍要靠具身基础模型本身，输入质量决定输出质量。公司计划把深度、温度等更多物理模态对齐进同一模型。

## 关键要点

- 11月10日，蚂蚁旗下灵波开源LingBot-Touch，用近5000小时真实触觉数据预训练。
- 把磁式、视触觉、压阻式统一成"触觉词元"表征，可跨硬件和策略复用。
- 26项真机任务上，四个动作模型比无触觉基线平均提升14到26个百分点。
- 拧瓶盖成功率从56.25%、62.5%提到90%；Tiny版约530万参数，仅增0.13%至0.16%体量。
- 权重、代码、报告已上线；帕西尼贡献1136小时数据和29.4万余条交互记录。

## 诚实的局限

- 性能数字出自灵波自己的技术报告，在两只特定灵巧手、26项挑选任务上自测；其他硬件或非结构化环境未验证。
- 14到26个百分点对比团队自己的无触觉基线，基线怎么选强烈影响差值。
- 跨硬件结论只靠XHand1一个案例，样本量为一次迁移。
- 触觉传感器成熟度仍是行业瓶颈，模型不会超过喂给它的传感器保真度；真产线的长期可靠性、故障恢复和维护成本还没有证据。

## 普通人现在能做什么

- 复现基线：方法、数据、权重全开放，最快的办法是拿自己的接触密集任务跑一遍Tiny版，和现有策略比。
- 审查传感器栈有没有"表征锁定"：若触觉策略绑死在单一传感器上，就在下次采购前先试这类统一表征模型。
- 把触觉接到规划层而不只是策略层：最清晰的收益出现在接触反馈会改变任务中途决策的地方，如抓取、拧、插入，集成时先盯这些决策点。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-22cd04
本内容仅供参考，不构成投资建议。
