--- title: "机器人抓得住杯子，为什么拧不开瓶盖？" date: 2026-11-11 category: 智能机器人 site: 脑机网 canonical: https://aiai.cafe/a/njw-lingbot-touch-1111 language: zh-CN --- # 机器人抓得住杯子，为什么拧不开瓶盖？ > 机器人能走能抓的视频很多，拧瓶盖一直难。一个开源模型把「手感」做成了可复用的底座。 一个数字值得盯着看：T-Rex 用 Sharpa Wave 手拧瓶盖，成功率从 56.25% 提升到 90%。同一只手，同一个瓶盖，改的只是有没有接上一个触觉模型。56.25% 意味着每十次里有四次多打滑，成了的那几次也未必稳。 这个数字放在今天的机器人视频里显得刺眼。会走、会跳、会抓杯子的演示天天有，可拧瓶盖、系鞋带这类活儿，一直是最难拍成片的部分。不是没人拍，是成功率撑不起一条能反复播放的片子。 ## 看不见的那部分力气 差别在力的闭环。走路靠平衡，抓取靠位置和形状，这两件事摄像头基本能对付。拧瓶盖不一样，要用多大力、什么时候该松、滑了怎么补，全靠手指尖上的反馈。 视觉解决的是「看见」，触觉解决的是「敢用力」。只看见不敢用力，手是僵的；只用力不看，杯子会碎。这两件事必须在一条手臂上同时成立，机器人才算真的会拿东西，而不是把东西碰倒。 人做这件事不需要想。手指一接触，皮肤下的感受器就在报数，滑了就加力，到位就停。这套反馈快到自己意识不到，也正因为它太快、太连续，很难被拆成一条条代码写下来。 所以触觉模型的思路不是写规则，是让它从数据里自己学出「什么样的信号对应什么样的力」。这条路在视觉上已经走通过，搬到触觉上，难点就从算法换成了数据，而数据是最不好糊弄的部分。 ## 五千小时都录了什么 蚂蚁集团旗下灵波科技开源的 LingBot-Touch，预训练用了近 5000 小时真实触觉数据。这个量级听着不算夸张，但要看它是什么数据：不是网上能爬到的图片，是真实传感器在真实物体上压出来的信号。 采集一小时的图像，举着相机拍就行，一个人一天能拍很多条。采集一小时的触觉，得有一只真的手、一堆真的物体，反复去碰、去捏、去拧，中间还要换姿势、换力度、换对象。 设备会磨损，传感器会漂移，每一批数据都要重新标定。这意味着触觉数据不是「采一次管很久」的资产，它更像消耗品，用一次少一点，想扩量就得再花一遍硬件钱。 更难的是，触觉没有统一的「像素」。不同厂商的传感器，输出的是完全不同的电信号；同一只手换个指尖，数值范围又变一遍。数据天生是碎的，拼不起来就训不动。 这也是为什么触觉数据集一直比图像数据集小得多。不是没人想做，是每一小时都得用硬件和时间去换，换完还不一定能直接喂给别的模型，格式不对，全白费。 ## 三种手感说同一种话 灵波科技的做法，是把磁触觉、视触觉、压阻式三类传感器的信号，统一成一套触觉表征。说白了，就是让三种方言先翻译成同一种普通话，再拿去训练同一个模型。 统一之后的好处是可以跨。跨传感器、跨灵巧手、跨模型复用，换一只手、换一种传感器，不必从零再采一遍数据。这句话的技术含量，比它读起来要高得多，也是这份工作最实的部分。 26 项真机测试里，四种动作模型的平均成功率提高了 14 至 26 个百分点。这个区间说明它不是某个任务上的偶然，而是几种不同动作都吃到了同一份预训练的好处。 回到那个瓶盖。56.25% 到 90%，涨的是三十多个百分点，但体感上的变化更大：从「经常失败、需要人盯着」变成「大多数时候能成」。前者是演示，后者才谈得上工位。 ## 五百三十万参数的轻版本 除了主模型，还有一个轻量版本，只有 530 万参数。在今天动辄千亿参数的语境里，这个数字小得像个注脚，但它可能比主模型更值得看，因为它回答的是另一个问题。 参数小，意味着推理要的算力少，能塞进更便宜的硬件里。机器人不是数据中心，一只手上装不下机柜，功耗和散热都要算。轻量版解决的就是「装得下」这件事，装不下，再准也没用。 这也暴露出一个现实：触觉模型不是越大越好。传感器采样频率高，反馈要快，模型再准，慢半拍也没用。小模型能跑起来，比大模型跑得准更重要，这个道理在控制回路里是老规矩。 ## 开源省下的是哪一笔钱 这次是开源，同步上线 GitHub、Hugging Face、魔搭社区。三个地方一起放，意思很清楚：不只想让人看论文，是想让人直接把权重拉下来，装到自己的机器上跑，不用先发邮件问一句。 对中小机器人公司来说，省下的不是一笔小钱。5000 小时真实触觉数据，意味着几千小时的真机操作、损耗、标定和人工。这不是一个团队几个月能补齐的活，也不是花钱就能立刻买到的活。 更关键的是时间。触觉这块，大公司和创业公司起跑线差得不多，谁都没有十年积累。一份能直接用的预训练模型，等于把起跑线往前挪了一段，挪出来的这段就是窗口。 但开源也不是万能。模型给的是「通用的手感」，具体到某个工位、某种物料，还是要在真机上微调。触觉的迁移损耗比视觉更难预估，因为力的分布一换，信号的形状就跟着变了。 还有一层：数据来自谁的手、谁的传感器，模型就带着谁的习惯。跨传感器复用解决了信号格式，解决不了物理差异。这不是唱反调，是提醒别把开源当成开箱即用。 对使用者来说，最实际的做法是先小范围试。拿一个工位、一种物料，跑一遍真机，看成功率能不能稳住。稳住了再扩，稳不住就回去调，别指望它一次到位。 回到开头那个瓶盖。它之所以值得写，不是因为 90% 这个数字好看，而是因为它标出了一条线：机器人从「能抓住」走到「能用力」，中间隔着的不是算法，是手感。 手感这件事，人靠皮肤和神经，机器靠传感器和数据。现在数据这一头，有人把门槛降下来了。剩下的问题是，多少家公司愿意弯腰去捡这块便宜，捡完又能不能真的用上。 **免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。** --- 来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-lingbot-touch-1111 本内容仅供参考，不构成投资建议。