遥操数据依赖被打破：自变量发布 TwinDex 灵巧操作系统
今年 5 月，英伟达机器人负责人 Jim Fan 曾断言"VLA 与遥操已死”，当时这一观点被视为 AI 圈的又一“暴论”。然而数月后，这一预言正加速照进现实。
近日，自变量公司正式发布全新灵巧操作系统TwinDex。该系统在后训练阶段真机遥操数据为零的情况下，成功指挥机器人在化学实验场景中连续完成旋拧瓶盖、注射器推注等多项高难度精细操作。
传统方案中，此类精细动作往往依赖大量真机遥操数据进行“手把手”教学。而 TwinDex 彻底砍去了这部分数据需求，仅凭区区几百条无本体数据（机器人含量几乎为 0）便实现了同等效果。
三指胜过五指：Demo 展现极致精细操作
在 TwinDex 发布的演示视频中，一套完整的化学实验流程由策略自主执行：从开瓶取样、滴管操作到玻璃棒引流、摇匀观察，全程一镜到底。
该实验包含24 个子动作，跨越三种工具，涉及多次双手协调与工具切换，每一步均要求毫米级定位与稳定力控。TwinDex 的三指结构集中攻克了过往灵巧操作中的三大难点：
极高精度的精细操作
在开启工具箱任务中，机器人需双食指同时对准狭窄卡扣，插入后下拨，再捏住提手开箱。这要求机械手能精准进入极小容差空间。同理，注射器推注也需在固定筒身的同时，精确控制推杆的方向与力度。随着具身智能走进实验室与工厂，此类小容差、强接触操作将成为机器人的基本功。
高效的三指协作
在扫帚与簸箕任务中，三根手指围绕手柄形成包络，共同承担支撑与控制。相比双指方案，第三根手指提供了额外的接触点与稳定方式，这在长条物体抓持及工具使用中至关重要。
类人手的柔性操作与掌内调整
拧瓶盖时，TwinDex 利用食指与拇指捏合，靠手指侧摆完成旋转，无需大幅转动手腕；翻书时，拇指先搓出书页，再完成捏取、交接与翻页。这些动作证明：许多过去被认为必须五指才能完成的精细操作，三根手指已然足够，且表现更为灵活。
除了作为执行器，TwinDex 的另一重身份是与执行端匹配的可穿戴无本体数据采集系统。
TwinDex 采用了数采与执行同构的设计，即“所采即所得”。采集员佩戴的设备结构与机器人末端完全一致，动作可直接映射，无需跨硬件进行复杂的数据迁移。这不仅让高精度操作更稳定，也使数据采集更自然、高效且低成本。
实验数据显示，在采集效率方面，TwinDex 单位时间产出的有效轨迹约为传统真机遥操的5.3 倍。
在数据利用效率方面，研究发现：随着数据量增加，无本体数据与真机遥操数据训练出的策略以相同速率提升，并最终收敛至接近的表现。这意味着，无本体数据近乎可 100% 替代真机遥操数据用于模型训练。
TwinDex 核心逻辑：让具身数据提前对齐
TwinDex 并非单纯的三指灵巧手，而是一套涵盖数据采集硬件、机器人末端执行器、数据处理管线及模型训练流程的完整操作系统。其核心设计思路是从“去除真机遥操数据”的目标出发，反向构建整套系统，确保采集数据从一开始就无限接近机器人真实需求。
TwinDex 的设计可概括为三大特性：灵巧性、一致性与可扩展性。
灵巧性：工程复杂度与能力的平衡点
TwinDex 未选择常见的两指夹爪，也未盲目堆砌至五指，而是在灵巧性、稳定性与工程成本间取得平衡。经过多轮测试对比，三指九自由度被确认为当前的“甜蜜点”，能以可控的复杂度覆盖绝大多数精细操作任务。
一致性：将“本体对齐”前置
这是 TwinDex 最关键的创新。传统无本体数据难以直接迁移，根源在于采集端（人手或手套）与执行端（机器人）存在运动学与精度差异。TwinDex 通过在硬件设计阶段实现采集端与执行端的运动方式、接触方式、视觉观测及时间同步的高度一致，将原本需在数据处理阶段完成的“本体对齐”提前至数据产生之前。这极大降低了数据迁移损耗，使得仅凭少量无本体数据即可完成高质量后训练。
可扩展性：打破数据产能瓶颈
TwinDex 的采集端为可穿戴外骨骼，操作员无需占用真实机器人即可在不同地点并行采集。系统同步记录视觉、关节状态等多模态信息，并通过标准化处理汇总至统一训练空间。针对大规模采集可能产生的抖动与误差，自变量在模型架构中引入了容错机制，确保数据能转化为机器人可闭环执行的策略。
具身数据金字塔的重构
TwinDex 的出现证明：最接近机器人动作的高质量数据，未必只能由真实机器人生产。
过去两年，遥操真机数据因天然对齐而位居具身数据金字塔顶端，但其高昂的设备与维护成本限制了规模化扩展。Jim Fan“遥操已死”的论断正是基于此背景。尽管完全取代遥操尚需时日，但 TwinDex 已在可扩展性与物理信息丰富度之间找到了新的平衡点。
它通过将机器人动作结构“复制”到采集端，仅需数百条无本体数据便完成了以往需真机数据承担的对齐工作。这表明，高质量数据与真机遥操之间的强绑定正在松动。
未来，若无本体数据在后训练阶段能持续验证其价值，具身智能领域或将迎来属于无本体数据的 Scaling Law。至少在当前节点，自变量已给出明确信号：每扩展一个新任务都必须依赖真机遥操数据的时代，正在终结。