蚂蚁灵波啃下硬骨头，拿下具身智能最难的 “最后一厘米”

通用大模型进入物理世界的速度，比很多人预想的要快。

第一个高潮发生在9月，源于GPT-6Astra的发布。它被OpenAI称为“世界上最好的计算机使用模型”，因为它不再局限于文本交互，而是能像人一样直接操作软件来完成复杂工作流。

很快就有研究团队把它接到了机器人身上做测试。在RoboDojo的42项操作任务中，GPT-6Astra没有针对这些任务做任何微调，综合得分就超过了榜单上全部40个公开动作策略。

北京时间11月10日凌晨，Anthropic发布Claude Fable 5.2，同样从未专门接受过机器人训练，在机器人仿真测试RoboDojo Sim中，Fable 5.2成功率从上一代的27.6%跃升至64.9%。在真机演示中，它还操控机械臂拧开了瓶盖、复原了魔方。

巧的是，在Fable 5.2发布的同一天里，蚂蚁灵波也发布了一款具身基础模型 LingBot-Touch。这是全球范围内首个真正意义上的通用触觉基础模型，也是灵波一直在走的“具身原生”技术路线上，又补全了一块能力拼图。

两款通用模型在具身领域的超预期表现，让行业开始讨论，是不是通用大模型的底层推理和规划能力，也能直接迁移到物理控制任务中，用在机器人身上。

实际上，要让数字世界模型来解决物理智能的问题，还是有不小的难度。GPT 6和Fable 5.2是数字世界模型，知识来自互联网上的文本和图像，它们解决的是“这件事是什么，该分几步做”的语义理解的问题。

但物理世界要求的是对具体的环境和情况作出反应。这导致物理智能的核心难点，往往发生在“手碰到物体之后”——在机器人的灵巧手触碰到物体的瞬间，下一刻的姿态和力道，要如何快速调整？

第三方评测已经显示出这种差距。Fable 5.2刚刚发布，更多检验还有待展开，但就在前面提到的那项RoboDojo评测里，研究者发现，GPT-6 Astra的能力“两极分化”：需要语义理解的任务泛化得很好，一涉及高精度控制、动态控制或复杂的双臂配合就明显吃力。

银河通用团队的系统评测结论也相近：通用大模型能做出有用的任务决策，但离可靠的物理控制还有差距。其中一项仿真行走测试里，机器人走30秒，要调用模型250次，每次平均耗时近40秒，仿真只能暂停等它算完。而真实世界不会为任何模型暂停。

对此，蚂蚁灵波CEO朱兴表示坦言，“以Claude Fable 5.2、GPT-6 Astra为代表的数字世界大语言模型进展，确实让机器人的复杂任务推理和物理操作能力更强，这一点我们很关注，也在积极吸收。但产业一线的实践告诉我们，要真正跑通操作闭环，物理操作泛化性这块硬骨头还是绕不开，很大程度上仍要靠具身基础模型自身的突破。”

如果说，通用大模型有助于增强对任务和环境的理解与推理，生于物理世界的原生模型，才是补齐物理感知与闭环操作能力闭环的最后一步。要想让机器人完成高精度的复杂操作，仅仅理解语义显然不够，还需要对距离和触觉的物理模态感知。

回到此次开源的LingBot-Touch，它是基于近5000小时真实触觉数据预训练，覆盖磁触觉、视触觉和压阻式三类主流传感原理，可将不同信号转化为同一套触觉表征。这套能力，可以供不同灵巧手和动作模型使用，让机器人在“看得清楚、想得明白”的同时，进一步补齐精细操作所需的触觉感知。

在两款灵巧手上的26项真机测试中，四种动作模型接入LingBot-Touch后，平均任务成功率提升了约14到26个百分点。以T-Rex动作模型控制Sharpa Wave灵巧手拧瓶盖为例，不加触觉时成功率为56.25%；把传感器原始信号直接输入动作模型，只提高到62.5%；换上LingBot-Touch的触觉表征后，升到了90%。

完成全部26项测试的，只是一个约530万参数的轻量版本，接入LingBot-VLA、π0.5、T-Rex后，模型总规模只增加约0.13%到0.16%。也就是说，提升不是靠堆参数换来的；拧瓶盖的例子又说明，光把传感器接进来也不够，真正起作用的，是从真实接触数据里学来的“手感”。这种“手感”，没法从互联网上学到。

这背后是，灵波提出并坚持的“具身原生”的路线。这套技术路线的目的是，让物理智能有自己的“根”，在真实物理世界的场景中，匹配数据、感官和相应的预训练，而不只是嫁接在数字世界模型上的适配层。

此前，灵波的通用大脑已覆盖高精度空间感知、高动态环境交互和可泛化灵巧操作。此次发布的LingBot-Touch，接入了LingBot-VLA模型，这让机器人感知能力得以延伸到指尖。

这一步，灵波要替物理智能的技术突破，啃下一块硬骨头。

“具身原生”之路

要理解这个新的触觉模型，要回到灵波的技术起点。

今年1月，蚂蚁灵波发布了首个通用机器人大脑LingBot 1.0。彼时，这套系统里的核心模型基于Qwen做后训练，那时候这是一个非常合理的选择，千问作为面向数字世界的通用大模型基座，具备强大的语言、图像与推理能力，把它“嫁接”到机器人上，是当时业内最主流的思路。

但很快，灵波团队在产业落地中意识到一件事，机器人要在真实世界里干活，光有数字世界的能力是不够的。当机器人从“看视频识物”走向“伸手拿杯子”，它需要的不只是识别物体是什么，还需要判断距离多远、位置在哪、抓多紧不会滑、拧多大力不会碎。这些能力，通用大模型的语料里没有，架构里也不天然具备。

于是，灵波做了一个在当时看来相当重的决定——启动自研预训练，把基座模型自己从头做一遍。

7月，灵波发布了LingBot 2.0"大脑全栈"。这一版最关键的跃迁是，灵波有了自己的预训练基模，并针对机器人在物理世界干活的需要，补齐了高精度空间感知和更注重物理规律合理性、真实机器人部署需求的能力，并通过LingBot-VA 2.0首次把“理解指令、完成动作、根据现实反馈实时调整”统一到了一个框架之下，这也是行业内首个真正意义上的具身原生世界动作模型。

也就是说，“嫁接”这条路，灵波自己走过；“具身原生”不是一句口号，而是从落地一线得出的结论。

此时，灵波通用大脑已经覆盖了高精度空间感知、高动态环境交互与可泛化灵巧操作三方面的能力，让机器人看得更清楚、想得更明白、干得更利索。

但当团队把机器人真正放进零售分拣、工业装配这些商业化测试场景时，第四道鸿沟浮出水面，那就是手碰到物体之后发生的事。

比如指尖夹起一枚玻璃弹珠，需要分辨极小的接触位置变化；手掌托住一个包裹，需要感知重量分布；拧瓶盖时，同样的手腕转角可能是瓶盖动了，也可能是手指打了滑。这些场景里，视觉是失灵的，因为接触点被手指挡住，画面看起来几乎一样，但物理世界已经发生了完全不同的事。

这就是灵波决定做触觉基础模型的直接原因。机器人身处真实物理世界，信息从传感器来，作用到环境中去，既要理解深度（Depth）这类空间感知信息，也要处理触觉、力觉、温度等接触感知模态。

所以，LingBot-Touch补齐的是触觉感知这一关键环节，增强机器人完成高难度灵巧操作所需的接触感知能力，让机器人“摸得更灵敏”。

让“触摸”的经验更通用

LingBot-Touch的一个重要特点是通用性，也就是说，这款模型可以兼容适配不同的传感器、不同的灵巧手、不同的动作模型和不同的下游任务，在各种各样的灵巧操作场景中，提供一个通用的接触感知模态底座。

这背后的产业背景是，目前还没有哪一种传感器能在精细程度、反应速度、覆盖面积和成本上同时占优。这意味着，短期内不同技术路线会并行发展，不同的灵巧手产品会根据需要，选用不同的传感器方案。

但是，如果每套动作模型，都要从原始读数开始学习，过去学到的经验就很难积累下来。这就是灵波想解决的问题，也就是让不同硬件在不同任务中积累的触觉经验，转化为可以通用、复用的基础能力。

LingBot-Touch的解决办法是，把这些不同的信号统一“翻译”成同一种语言，也就是触觉Token。如此一来，动作模型不用管信号来自哪种传感器，都能从中读出“手指碰在哪、受力多大、有没有滑动”等接触信息。

简单来说，通用触觉模型能让不同硬件采到的数据能够一起训练，学到的能力又让不同的机器人都用起来。

在LingBot-Touch的对照实验中，保留原有的磁触觉或视触觉数据，再加入其他类型的触觉数据共同训练，模型对接触位置、面积和受力变化的判断都有所改善。这给硬件厂商继续探索不同路线留下了空间，也让每一路硬件积累的数据有机会发挥更大的作用。

这带来很重要的远期产业价值。比如，做灵巧手的团队可以继续改进硬件，做动作模型的团队可以继续开发自己的策略，不同产业环节的玩家，都能从已有的接触感知能力出发，一起把投入到这只手翻页、拧盖、搬运物体上的训练中去。

值得一提的是，LingBot-Touch还发布了一份技术报告、代码和模型权重同步开源了，项目主页、GitHub、Hugging Face均已上线。这意味着，灵波并没有把它当作一款锁在自己生态里的产品，而是作为一层开放的行业基础能力推出去。

产业侧的生态合作也已在推进。目前，蚂蚁灵波已与乐聚、钛虎等本体厂商，以及国大药房、隆盛等场景伙伴开展商业化测试，覆盖零售分拣、物流分拣、工业装配等场景，并联合简智科技等数据伙伴共建标准化数据体系。

回到物理智能的“第一性”

回过头看，LingBot-Touch的发布并不是一次另起炉灶的新故事，而是灵波“具身原生”路线走到今天，必然要落下的那一子。

机器人需要知道物体在哪里、距离多远，需要预测动作会怎样改变环境，需要理解指令并生成动作，需要感知手与物体接触之后发生了什么，于是就有了一系列的LingBot模型家族。

这次发布的触觉模型，补齐的是机器人干活的第四道鸿沟，灵波通用大脑的能力版图，已经从“看得清楚、想得了明白、干得利索”，扩展到“摸得灵敏”——从空间感知、世界预测、指令理解和动作生成，到触觉这个“新感官”。

这背后是，灵波的技术路线一直有一个非常清晰的底层逻辑，遵循第一性原理，从机器人在物理世界完成任务时共同需要的信息出发，怎样设计模型、用什么数据训练。这也是蚂蚁灵波科技坚持具身原生核心主张，致力于打造跨构型的机器人行业通用大脑的核心考量。

“在我们的体会里，模态输入的质量很大程度上决定了动作输出的上限。”朱兴说，“未来不限于视觉、深度和触觉，我们还会持续丰富其他物理感知模态，为动作模型提供更高质量的输入。”

对于通用大模型和具身模型的关系，朱兴的判断是：“类似的情况在自动驾驶领域已经出现过：大模型让复杂场景的理解和推理明显增强，但车辆能否稳定行驶，仍离不开面向驾驶任务的闭环控制能力。在我们看来，两者更接近1+1>2的协同关系，将共同加速具身智能产业的成熟。”

1+1>2有个前提：两边都得是完整的“1”。通用大模型提高的是机器人能理解的任务复杂度上限，具身原生模型提高的是物理操作泛化性的上限。如果具身这一侧只是通用大模型的插件，这道算式就只能写成“1+0.x”。通用大模型越强，对另一个“1”的要求只会越高。

这条路看起来慢、看起来重，但恰恰是在通用大模型加速进入物理世界之后，它显示出了独特的价值：当所有人都在讨论“通用大模型能不能吃掉具身智能”的时候，灵波已经用一整年的时间证明了另一件事，“物理世界的那部分智能，只能靠物理世界的数据来学。”