通用大腦能力再提升，螞蟻靈波發佈LingBot-Touch觸覺基礎模型

AI資訊AI新閒資訊正文通用大腦能力再提升，螞蟻靈波發佈LingBot-Touch觸覺基礎模型發布於AI新閒資訊時間 :Nov 10, 2026閱讀 :1分鐘11月10日，螞蟻靈波科技開源觸覺基礎模型LingBot-Touch，為機器人大腦補齊關鍵的觸覺感知能力。該模型基於近5000小時真實觸覺數據預訓練，覆蓋磁觸覺、視觸覺和壓阻式三類主流傳感原理，可將不同信號轉化為同一套觸覺表徵，供不同靈巧手和動作模型使用，讓機器人在“看得清楚、想得明白”的同時，進一步補齊精細操作所需的觸覺感知。

在通用大模型加速演進的時點，選擇推出一款面向物理操作閉環的觸覺基礎模型，傳遞出螞蟻靈波對具身原生路線的持續投入和篤定。此前，螞蟻靈波通用大腦已覆蓋高精度空間感知、高動態環境交互和可泛化靈巧操作，讓機器人看得更清楚、想得更明白、幹得更利索。此次 LingBot-Touch已接入LingBot-VLA，將感知能力延伸到“指尖”，讓機器人“摸得更靈敏”，具身原生通用大腦能力再提升。26項真機測試 任務成功率提高14至26個百分點隨著通用大模型持續進步，機器人理解複雜任務、推理操作步驟的能力正在增強。但在真實物理世界中，機器人每執行一步動作，都要感知物體和環境發生的變化，再修正下一步動作。

許多精細操作中，機器人能看清物體在哪裡，也能把手伸到正確的位置，卻未必能順利完成任務，因為手指碰到物體之後，受力是否合適、物體是否滑移，僅靠視覺難以判斷，需要觸覺提供補充。以靈巧手擰瓶蓋為例，深度信息可以幫助手指對準瓶蓋。開始轉動後，瓶蓋可能已經鬆動，也可能指腹正沿著蓋壁打滑。這兩種情況在畫面中相似，卻需要不同的動作調整。此時，指尖的接觸位置、受力大小及其變化，都成為動作模型的重要判斷依據，而這些信息往往被手指和物體遮擋，視覺難以獲得。為了驗證觸覺表徵對真實操作的幫助，螞蟻靈波在Sharpa Wave和XHand1兩款靈巧手上進行了26項真機測試，涵蓋翻書頁、擰瓶蓋、辨識麻將牌等精細操作。

接入LingBot-Touch後，LingBot-VLA、π0.5、Diffusion Policy和T-Rex四種動作模型的平均任務成功率較無觸覺時提高約14至26個百分點。以T-Rex控制Sharpa Wave擰瓶蓋為例，不使用觸覺時任務成功率為56.25%，直接輸入傳感器原始信號為62.5%，接入LingBot-Touch的觸覺表徵後成功率達到90%。（圖說:接入LingBot-Touch後，四種動作模型在兩款靈巧手上的真機任務成功率均達到各自最高水平）統一觸覺表徵，讓機器人“手感”跨硬件復用給機器人裝上觸覺傳感器，並不等於它就能用好觸覺。

目前，商用觸覺傳感器整體仍處於較早的發展階段，視觸覺、磁觸覺、壓阻式等主流路線各有優勢和侷限，面向不同成本和使用場景，多種技術路線可能長期並存。更棘手的是，這些傳感器採集的數據很難直接通用。同樣一次接觸，在不同傳感原理和觸點佈局下，會形成不同的原始信號。如果模型只學會解讀其中一種，更換傳感器或靈巧手後，已有的數據和觸覺經驗就可能難以複用，需要重新採集、訓練和適配。在硬件快速迭代的當下，這種綁定造成重複開發，增加硬件廠商、整機團隊和模型開發者之間的適配成本。

因此，觸覺走向規模化落地的關鍵，是讓觸覺理解擺脫對特定傳感器物理信號的依賴，使不同來源的數據能夠共同用於訓練，讓積累的觸覺能力可以跨傳感器、跨靈巧手、跨模型和跨任務複用。為此，LingBot-Touch按傳感原理分別設置編碼入口，先處理不同的原始信號，再將不同佈局的觸點映射到統一的指尖座標空間，由共享模型學習接觸位置、受力及其隨時間的變化，輸出統一的觸覺Token。由此，人戴觸覺手套和遙操作靈巧手採集的數據可以共同用於訓練，不同動作模型也可以利用訓練好的模型提取接觸特徵。這一架構還為未來接入新類型的觸覺傳感器留出了擴展空間。

（圖說:LingBot-Touch將磁觸覺、視觸覺、壓阻式觸覺信號編碼為統一的觸覺Token，供不同動作模型使用）在XHand1上，團隊進一步驗證了觸覺能力的跨硬件複用。XHand1採用的磁觸覺傳感器型號並不在預訓練數據中，模型學到的磁觸覺經驗全部來自人戴手套採集的數據。換到這隻靈巧手後，團隊保持LingBot-Touch參數不變，只用XHand的操作示範訓練動作模型。同時，LingBot-Touch在本次真機測試中接入了四種不同動作模型，並不綁定螞蟻靈波自研模型。它提供的是位於觸覺傳感器和動作模型之間的通用感知能力，而非某一硬件或某一策略的專用模塊。

對產業而言，傳感器和靈巧手廠商可以根據成本與任務需求選擇硬件，整機團隊也可以保留自己的動作策略，從而減少每更換一種硬件與算法組合，就重新開發觸覺能力的重複投入。為兼顧感知能力與端側算力，螞蟻靈波提供了兩種容量的模型。此次26項真機測試全部使用約530萬參數的輕量版LingBot-Touch-Tiny完成。接入LingBot-VLA、π0.5和T-Rex後，模型參數量僅增加約0.13%至0.16%。容量較大的版本LingBot-Touch-Small則在感知測試中表現出進一步提升的潛力——當預訓練數據增至近5000小時時，模型仍能從新增數據中獲益，說明觸覺預訓練還有持續擴展提升的空間。

堅持具身原生，與通用大模型協同推進針對近期具身大模型技術路線的演變，螞蟻靈波CEO朱興表示:“以GPT-6Astra、Claude Fable5.2為代表的數字世界大語言模型進展，確實讓機器人的複雜任務推理和物理操作能力更強，這一點我們很關注，也在積極吸收。但產業一線的實踐告訴我們，要真正跑通操作閉環，物理操作泛化性這塊硬骨頭還是繞不開，很大程度上仍要靠具身基礎模型自身的突破。”在他看來，通用大模型與具身基礎模型更接近1+1>2的協同關係:前者增強對任務和環境的理解、推理，後者提升物理感知和閉環操作能力，兩者各自突破、相互促進，共同加速具身智能產業的成熟。

"模態輸入的質量很大程度上決定了動作輸出的質量，換句話說沒有好的輸入就沒有好的輸出。"朱興說，螞蟻靈波將堅持具身原生路線，持續探索物理操作泛化性的新上限，打造跨構型的機器人行業通用大腦，推動視覺、深度、觸覺乃至溫度等更多物理模態在統一模型中對齊，並在推進商業化的同時持續向社區開源開放。目前，LingBot-Touch的技術報告、模型和代碼已開源，開發者可在Hugging Face、GitHub和魔搭社區訪問和下載。

相關推薦​行業最大規模具身模型挑戰賽迎來決賽:15支戰隊將展開48小時真機角逐11月6日，首屆螞蟻靈波具身大模型挑戰賽決賽晉級名單公佈，15支戰隊、59位選手從全球1855支隊伍、3252位選手中突圍，獲線下決賽資格。決賽將進行48小時真機黑客鬆。賽事聚焦具身大模型與物理世界交互能力，吸引13個國家648所高校、科研院所、科技企業及具身智能團隊參與。Nov 9, 2026181.8k消息稱螞蟻靈波或啟動獨立融資，螞蟻集團AI版圖再迎資本化進展螞蟻靈波科技擬獨立融資，從集團全資孵化走向外部市場。

主因螞蟻集團AI領域投入持續加大，大模型與算力基建擠佔資源，內部算力預算承壓，推動具身智能板塊單獨尋求資本支持。Aug 3, 2026253.8k從零開始預訓練，螞蟻靈波發佈具身原生世界動作模型LingBot-VA2.07月10日，螞蟻靈波發佈業界首個具身原生世界動作模型LingBot-VA2.0。它標誌機器人基礎模型從數字世界嫁接轉向面向物理世界的原生設計，從動態建模、因果預測等與環境交互原始需求出發，打造機器人“大腦”。Jul 10, 2026323.1k螞蟻靈波開源 LingBot-Video，全球首個面向具身的視頻基模來了!

螞蟻靈波開源全球首個面向具身智能的MoE架構視頻生成模型LingBot-Video。該模型圍繞機器人需求重構預訓練，系統性提升推理效率、物理合理性、動作理解與任務完成度，為具身智能提供開源底座，並在北大與字節跳動聯合發佈的RBench基準上得到驗證。Jul 9, 2026315.8k螞蟻靈波與樂聚達成戰略合作，推進“一腦多機”應用落地3月16日，螞蟻靈波與樂聚機器人簽署戰略合作協議，將結合具身智能大模型與機器人本體技術優勢，在工業、商業場景深度協同，打造“本體+數據+模型”創新示範，加速具身智能機器人向通用智能發展。此前雙方已有數據合作基礎。Mar 16, 2026208.

9k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026