蚂蚁灵波发布LingBot-Touch 破解机器人触觉数据孤岛
具身智能赛道中，灵巧手是除机器人本体与核心算法外最受资本青睐的领域之一。当前，头部灵巧手企业的估值已达数百亿元，部分企业的融资目标估值甚至接近人形机器人整机厂商水平。资本对灵巧手的关注，源于其在机器人物理交互中的核心作用：当通用大模型在视觉理解、任务规划等能力不断突破后，机器人要完成精细操作，仍需突破“最后一厘米”的交互瓶颈，而触觉正是解决这一问题的关键。不过，机器人触觉领域长期存在数据复用难题：不同灵巧手采用的传感器原理各异，导致各自积累的触觉数据无法互通，感知能力也难以跨硬件复用。针对这一痛点，蚂蚁灵波推出了触觉基础模型LingBot-Touch，试图打通不同传感器的触觉数据壁垒，让跨硬件、跨任务的触觉经验可被共同训练与复用。技术测试显示，在两款不同类型的灵巧手、26项真实操作任务中，接入LingBot-Touch后，四种主流动作模型的平均任务成功率均有显著提升。更具价值的是，这一突破背后的技术思路：从真实物理交互中提炼通用智能能力，沉淀为可复用的基础模型，这也是蚂蚁灵波“具身原生”路线的重要实践。
当前机器人触觉领域尚未形成统一的技术路线，主流方案包括视触觉、磁触觉与压阻式触觉三类。视触觉通过接触表面形变判断交互信息，磁触觉依赖磁场变化感知受力，压阻式触觉则利用材料电阻变化测量压力，三类方案各有优劣：视触觉对细微变化敏感，但需光学结构；压阻式触觉覆盖范围广、成本低，但精细感知能力有限。这种多路线并行的局面，本是技术竞争的正常状态，却在机器人模型训练中形成了数据孤岛：不同传感器采集的物理接触数据格式完全不同，如同用不同语言描述同一件事，无法直接互通学习。当厂商更换传感器或企业切换动作模型时，原有训练成果也难以复用，导致行业在基础交互问题上重复投入，而高质量触觉数据需通过真实物理交互采集，人力与时间成本极高，进一步推高了研发门槛。因此，触觉领域的核心需求已从提升传感器精度，转向让不同硬件的触觉经验转化为行业通用的基础能力，这正是LingBot-Touch的核心价值所在。
LingBot-Touch相当于为机器人搭建了通用的触觉“翻译器”，它能从不同传感器的信号中提取接触位置、受力变化等信息，转换为统一的触觉特征，供下游动作模型使用。这样一来，动作模型无需从原始信号中重新学习触觉理解，可直接复用已训练的感知能力。为实现跨传感器复用，LingBot-Touch先对不同传感器的信号分别编码，再通过模型学习其中的共同物理规律——无论传感器是通过磁场还是形变感知接触，模型都要掌握“物体接触、受力变化、滑动风险”等通用交互逻辑。此外，模型采用类似“填空题”的训练方式：随机隐藏部分触觉数据，让模型根据剩余信息预测缺失的接触特征，从而强化对通用规律的理解。为训练该模型，蚂蚁灵波积累了约4983小时的真实触觉数据，覆盖46万余段交互记录，包含13亿帧数据，其中三分之二来自人类佩戴触觉手套的真实操作，其余来自遥操作机器人。为验证通用性，团队在两款不同类型的灵巧手（自由度较高的Sharpa Wave与相对较低的XHand）上开展测试，搭配四种动作模型，设置三组对照实验（无触觉、原始触觉信号、LingBot-Touch提取的触觉信息）。结果显示，接入LingBot-Touch后，所有模型的平均任务成功率均为最高水平：以LingBot-VLA为例，在Sharpa Wave上，成功率从44%提升至72.51%；在XHand上，相较于原始信号输入，成功率从57.21%提升至75.04%。值得注意的是，XHand使用的磁触觉传感器未出现在预训练数据中，相关数据来自人类操作，这说明人类触觉经验可迁移至机器人，降低了对特定硬件的依赖，为规模化采集数据提供了新路径。
LingBot-Touch是蚂蚁灵波“具身原生”路线的又一实践，该路线围绕机器人物理交互的基础能力展开：视觉模型负责空间理解，世界模型负责环境预测，动作模型负责操作生成，而LingBot-Touch则填补了接触感知的关键环节。这些模型的核心逻辑一致：从真实物理交互需求出发，提炼不同机器人通用的能力，沉淀为可复用的基础模型。这一思路具有现实意义：通用大模型虽能理解任务与规划动作，但在精细控制、动态操作等方面仍有短板，因为理解物理世界与真实交互是两回事——比如模型能理解拧瓶盖的任务，却无法直接判断接触后的握力与姿势调整，需从真实交互中学习。随着通用大模型向复杂物理操作延伸，对物理感知的要求也越高，而具身基础模型的价值并未被削弱，反而成为跨硬件能力复用的核心。这种模式将改变行业研发现状：过去不同厂商需针对硬件重复开发感知模型，而现在可复用通用触觉能力，将资源投入到具体任务与场景中。更重要的是，跨硬件数据复用有望形成正向循环：更多交互数据训练更强的基础模型，反过来提升机器人的操作能力。这一思路与AI领域的“苦涩的教训”逻辑相似：长期来看，能持续利用更多数据与算力的通用方法，比专用方案更具扩展潜力。对具身智能而言，产业发展的上限不仅在于动作复杂度，更在于物理经验能否沉淀为可积累、可迁移的基础能力。当机器人的交互经验能成为更多硬件的学习起点，具身智能才能摆脱单一硬件的限制，形成规模化发展的基础。
