一只灵巧手拧不开一个塑料瓶盖。它捏出了三道白痕，然后停住。
蚂蚁灵波公布的对照是这样的：同一只 Sharpa Wave 灵巧手、同一套 T-Rex 动作模型，不给触觉信息，成功率 56.25%；把触觉接进去，90%。
这 34 个百分点，讲的不是手变得更灵活，是手终于知道自己在用多大力。
捏碎东西的手，缺的不是眼睛
机器人拧碎东西这件事，这些年被归错了很多次原因。有人说是夹爪太硬，有人说是力控做得不好，有人说是模型不够大。
一个更朴素的解释是：它看不见力。相机能拍到指腹贴上了瓶盖，拍不到那层塑料正在承受多少牛顿。
老式夹爪的逻辑很直白：设一个力，合上，等一个时间，松开。物体硬一点就压碎，滑一点就掉落，中间没有商量的余地。
瓶盖这种活儿，从头到尾都是连续量。接触面积在变，法向力在变，切向摩擦在变，还有一件最难的事——打滑。打滑是渐变，先是微微转动，然后突然脱手。
人的手指怎么处理这些？指腹皮下有一层感受器，一直在报数。人拧瓶盖的时候并不知道自己用了多大力，但手指知道，而且每一毫秒都在修正。
触觉的麻烦：每只手指说的方言不一样
触觉落后视觉，原因不在传感器不够灵敏。
现在主流的三类触觉方案，物理原理完全不同。磁触觉测磁场变化，视触觉用相机拍软胶的形变，压阻式靠材料受压后电阻改变。
它们吐出来的东西也不一样：一串电压、一张图像、一片点阵。采样率不同，噪声不同，量纲不同，连标定的方式都不同。
过去十几年，每个实验室自己搭一条数据管线，模型和自己那套传感器绑死。传感器换一代，模型基本重训一遍。
对比一下视觉就明白了。全世界的相机都输出 RGB 像素，这套表征用了六十年还在用，一个模型在 A 公司的数据上训完，搬到 B 公司的相机上仍然能跑。
触觉从来没有过这样一个公约数。所以它卡住的地方不是硬件，是没有共同语言。
三类信号，拧成一种 Token
LingBot-Touch 做的事，一句话能说完：把三类触觉信号分别编码，再转成统一的「触觉 Token」。
从这串 Token 里，模型要提取三样东西：接触发生在哪里，受力怎么分布，这两者随时间怎么变。
说白了，模型学的不是「这颗传感器的电压是多少」，而是「这里接触了、这么大力、正在这么变」。前面那句是设备方言，后面那句是物理事实。
我认为真正的突破在这里，不在 90% 那个数上。90% 是结果，Token 是原因。原因是可复用的，结果是会过期的。
这个区别很实在。如果只是把某个传感器训到高分，那是一次工程胜利，换个手就归零。如果表征本身和传感器解耦了，那后面每多一类传感器，都是在给同一套语言加词汇。
4983 
小时，多数来自戴手套的人
官方给的数据量是这样的：4983 小时真实触觉数据，约 46.4 万段交互记录，13.3 亿帧触觉信息。
拿这三个数互相除一下，能得到两个有点意思的刻度。13.3 亿帧摊到 4983 小时，平均每秒约 74 帧；46.4 万段摊到 4983 小时，平均一段 38 秒左右。
也就是说，这套数据不是长镜头的连续记录，是几十万段几十秒的短动作拼起来的。拧一个盖子，抓一次杯子，插一次插头。
数据有两个来源：遥操作的机器人灵巧手，和人戴着触觉手套干活。
第二种来源值得多说一句。机器人采数据很贵，一小时的动作要人遥控一小时，采完还要清洗。而人本来就在干活，装配、拧螺丝、包装、开瓶，手一直在产生触觉信号。
戴手套等于把人的手改造成采集器。这条路子把数据成本压下来了，代价是引入了一个新问题：手套测到的力，和机器人指尖测到的力，位置、刚度、贴合方式都不一样。
这个代价，后来变成了这批实验里最硬的一次考试。
56.25%、62.50%、90%，中间那 34 个点
回到那个瓶盖。实验设计了三档，只改一个变量：触觉信息以什么形式进入模型。
第一档完全不给触觉，56.25%。第二档把原始触觉数据直接喂进去，62.50%。第三档经过 LingBot-Touch 转成 Token，90%。
中间这一档最耐看。原始数据只买到 6 个百分点。
原因不难想。原始触觉是高维噪声，策略网络得同时学两件事：这串信号到底什么意思，以及手该怎么动。样本有限的时候，它大部分容量都花在第一件事上。
换成 Token，第一件事由表征层做掉了，策略网络只负责第二件。34 个点里，很大一部分不是新数据给的，是翻译给的。
还得说一句这套实验的干净程度。同一只手，同一套动作模型，只换输入形式，这种控制变量在具身智能的研究里不算常见。多数工作一次改三样，最后谁也说不清是谁起的作用。
26 项任务，和一场没复习过的考试
范围放大之后，官方给的是这样一组：Sharpa Wave 与 XHand1 两款灵巧手，四种动作模型，26 项真机任务。接入 LingBot-Touch 之后，每一种组合的平均成功率都高于直接喂原始触觉的方案。
单看 XHand1 的六项任务：π0.5 的平均成功率从 48.00% 提到 74.17%，LingBot-VLA 从 57.21% 提到 75.04%。
跨传感器那组更值得盯。训练用的磁触觉数据全部来自人类触觉手套，而 XHand1 用的那款磁触觉传感器，型号此前没在训练数据里出现过。
做法是不调模型参数，只针对具体任务训策略。结果机器人仍有明显提升。
这就是前面那笔账的答案：手套和机器人指尖之间的差距，被表征层吃掉了。模型学到的是接触这件事本身，不是某颗传感器的脾气。
得把话说全。这叫零参数调整，不叫零数据。每个任务还是要单独训策略，至于要多少条示范、和以前比省了多少，公开材料里没有。这一块留白，恰恰是工程上最要紧的那块。
90% 到 99.9%，差的不是 9.9 个点
90% 听起来已经很能打。落到产线上，它的意思是十次错一次。
一条线一小时拧一千个盖，就是一百次失误。失误的形态还要紧：捏碎的盖子卡在传送带上，停线，等人来清。停线一分钟的账，比那只手贵得多。
实验室的成功率也不该被当成一个精确值。26 项任务取平均，是一个数；每项跑多少次、跑出来波动多大，公开材料没说。这个 90% 后面没有误差棒。
工厂要的东西是另一种：不是多数时候成功，是十万次循环里力的一致性。夹爪会老化，车间有温差，瓶盖上有残液，来料有公差。这些长尾一个都不在 26 项任务里。
所以 90% 值得记一笔，但它离产线隔着一个量级。把 90% 读成「机器人会干活了」，是这两年最常见的一种误读。
反过来说，56% 到 90% 这一段也不是白走的。它证明了一件事：给机器人装触觉，重点不在装传感器，在给触觉找一种能跨设备读懂的说法。这条路上，跨传感器的迁移比单个成功率更能说明问题。
回到那只拧不开瓶盖的手。
人做这个动作的时候不计算，手指知道。机器人现在有了一个数字，也有了把数字翻译成动作的办法。
眼和手的差别不在精度。眼睛告诉你发生了什么，手告诉你还能不能再用力一点。这中间的那段距离，就是剩下的 9.9 个点。
