今年9月，GPT-6 Astra发布后，具身智能领域经历了一次“压力测试”。在《An Unexpected Robot Policy》论文中，研究人员将GPT-6 Astra直接作为机器人策略，未经微调即在RoboDojo的42项仿真任务中取得平均22.48%的成功率，超越榜单上所有40个公开模型。
这一结果引发了“通用大模型是否会取代具身大脑”的行业讨论。然而，测试报告也清晰划定了数字大模型的能力边界：在物理接触发生之后。
通用大模型的物理边界：时间与接触
第一道边界是时间延迟。仿真测试显示，机器人行走30秒需调用模型250次，每次耗时近40秒。在现实世界中，物体滑落的瞬间无法提供如此长的思考时间。
第二道边界是物理接触。Astra在依赖语义理解的泛化任务中表现优异，但在高精度操作任务中成功率仅为4.00%，甚至因危险动作导致真机评测中止。视觉可以解决“伸手位置”问题，但一旦手指接触物体，遮挡、打滑和形变等物理反馈便成为主要挑战。
蚂蚁灵波CEO朱兴指出：“数字大模型提升了复杂任务推理能力，但要跑通操作闭环，物理操作的泛化性仍需依靠具身基础模型的突破。”这正是灵波坚持“具身原生”技术路线的原因。
近日，蚂蚁灵波正式发布并开源面向灵巧操作的触觉预训练基础模型 LingBot-Touch，旨在解决机器人“手碰到物体之后”的感知难题，填补通用大脑在物理闭环中的关键拼图。
LingBot-Touch 将多源、异构、稀疏的触觉信号统一为可复用的表征，服务于触觉理解、模仿学习与强化学习等下游任务。图源：LingBot-Touch 技术报告
从空间感知到物理接触：补全通用大脑最后一块拼图
蚂蚁灵波成立于2024年底，定位不做本体，专注打造机器人通用大脑。其技术路线遵循“具身原生”原则，即从物理世界的真实需求出发设计模型。
今年以来，灵波陆续开源了覆盖空间感知（LingBot-Depth）、动作生成（LingBot-VLA）、世界预测（LingBot-World）等模块。7月发布的“大脑全栈2.0”已适配17家厂商的20余种机器人构型。此次发布的 LingBot-Touch 补全了其中精密触觉感知的关键环节。
以抓取玻璃杯为例，LingBot-Vision 与 Depth 负责“看得清”，解决空间理解；当手指接触杯壁，视觉受阻，LingBot-Touch 负责“摸得灵”，通过接触信号判断受力状态及滑动风险；若环境变化，LingBot-World 负责“想得明”，预判动态变化；最终由 LingBot-VLA 和 VA 执行动作调整。
搭载蚂蚁灵波通用大脑的机器人在药房场景中拣选商品。
朱兴表示：“模态输入的质量决定动作输出的上限。”随着任务复杂度提升，对物理感知的要求同步提高。灵波通过拆分研发关键能力再合龙为统一大脑的策略，旨在率先跑通物理闭环，掌握具身智能下半场的主动权。
拆解 LingBot-Touch：统一千差万别的物理手感
破解硬件异构难题
当前主流触觉传感器分为视触觉（如Sharpa Wave）、磁触觉（如XHand）和压阻式（如Revo 2）三条路线。由于数据格式差异巨大，行业长期面临“一种传感器配一套模型”的困境，导致经验难以复用。
LingBot-Touch 的核心思路是剥离具体硬件，关注“接触位置、受力大小、滑动状态”等共同物理规律，将其作为独立的基础能力进行预训练。
数据来源：人手手套与遥操作
LingBot-Touch 预训练数据共计4983小时，包含46.4万段交互、约13.3亿帧。其中三分之二来自人佩戴压阻式和磁触觉手套在日常环境中的操作，三分之一来自视触觉灵巧手的遥操作。
实验证明，人手积累的“手感数据”具有极强的泛化能力。即使预训练数据中未包含某型号磁触觉传感器（如XHand所用），冻结参数的 LingBot-Touch 接入后仍能显著提升操作成功率。这为触觉数据的规模化采集提供了可行路径。
LingBot-Touch 预训练数据共 4983 小时、46.4 万段交互、13.3 亿帧，其中压阻式与磁触觉数据由人佩戴触觉手套采集，视触觉数据来自灵巧手遥操作。图源：LingBot-Touch 技术报告
模型架构：统一表征与自监督学习
LingBot-Touch 按传感原理设置编码入口，将不同信号映射至统一的标准化三维指尖坐标系，进入共享的 Haptic Transformer 学习共同规律。训练时通过扰动触点密度和位置，避免模型过拟合特定传感器排布。
LingBot-Touch 模型架构。三类触觉信号被映射到统一的标准化指尖空间，经分模态编码后进入共享的 Haptic Transformer，在特征空间中预测被遮挡区域的接触信息。图源：LingBot-Touch 技术报告
针对触觉信号稀疏的特点，灵波采用基于 JEPA 的自监督学习方法，通过遮蔽部分触点让模型推断接触状态，无需人工标注。对照实验显示，该方法在接触中心定位误差上显著优于传统 VAE 和 MAE 方法，且在未见过的传感器型号上精度相差三十余倍。
LingBot-Touch 与 FTP-1 在 Sharpa Wave（上）和 XHand（下）上的触觉理解能力对比。XHand 的传感器型号未出现在 LingBot-Touch 的预训练数据中。图源：LingBot-Touch 技术报告
实时部署：Tiny版满足低时延需求
为解决实时性问题，灵波推出参数量仅约546万的 LingBot-Touch-Tiny 版本。接入主流动作模型后，参数量增加不足0.2%，已成功完成26项真机任务。更大容量的 Small 版则展示了良好的数据扩展性，验证了触觉感知的规模化收益。
结语：具身智能下半场，比拼对物理世界的敬畏
GPT-6 Astra 引发的讨论已有定论：通用大模型与具身大脑并非替代关系，而是互补。数字大模型越强，对底层实时感知与执行能力的要求越高。
具身智能正形成类似自动驾驶的产业分工：本体多样迭代，智能层跨硬件复用。海外 Physical Intelligence、Skild AI 的高估值印证了这一逻辑。对中国产业而言，丰富的传感器供应链有望从算法适配的负担转化为数据资产。
未来，灵波将继续补充力觉、温度等多模态感知。具身智能的下半场，不再是Demo的炫技，而是谁能扎实地构建跨构型、跨模态的底层能力，成为规模化时代的“水电煤”。在这场竞赛中，灵波通过补全触觉这块拼图，进一步完善了其通用大脑地图。
