贾浩楠 发自 凹非寺
量子位 | 公众号 QbitAI
这阵容，到底是谁组局的？
李飞飞，ImageNet的奠基人，身兼美国三院院士头衔；
Trevor Darrell，伯克利BAIR实验室联合创始人，当年他做的Caffe深度学习框架，可是计算机视觉圈里用得最广的平台之一；
Jitendra Malik，R-CNN的核心贡献者之一，不仅深刻影响了CV领域的发展轨迹，也是美国三院院士；
Pieter Abbeel，深度强化学习领域的先驱人物，担任伯克利机器人学习实验室主任及BAIR实验室联合主任，还是ACM计算奖得主；
Ken Goldberg，机器人学界的泰斗级人物，早在30年前就扎进机器人抓取和自动化研究，IEEE会士；
Jim Fan，英伟达GEAR实验室的掌舵人，算是具身智能领域最受关注的年轻学者之一。
……
具身智能学术圈，恐怕是头一回迎来这种“全明星”级别的聚会。
有搞模型的、玩算力的、做本体的、弄数据的……这些在各自细分赛道上如雷贯耳的大佬们，全都汇聚到了具身智能这个靶心。但让人好奇的是，他们的关注点出奇地一致：不是当下最火的机器人通用大脑，而是——灵巧手。
T-Rex项目从何而来？它想解决什么痛点？
自动驾驶靠纯视觉，或许真能解决问题；但在机器人领域，尤其是面对灵巧手时，这条路很难走通。
这是一个直观且浅显的事实：
当手指和手掌进行精密复杂的操作时，仅靠摄像头记录运动数据是远远不够的。
360°无死角的视频数据量有多大暂且不提，光是机位的布置就是个难题。不同类别的任务，很难像自动驾驶那样形成标准化的数据集，导致模型泛化能力受限。
因此，给模型引入触觉这一数据模态，便成了一石三鸟的良策：提升感知精度、实现更精准细腻的操作，以及构建较为标准的数据集。
但反常识的一幕出现了：
同样的灵巧手、同样的任务，T-Rex团队将触觉力信号直接拼接到一个预训练好的VLA模型中，试图给它“加点手感”——结果任务成功率从17%暴跌至6%。
触觉并非想加就能加的。论文将原因拆解为三层逻辑。
第一层，数据太贵。
现有的大规模机器人数据集主要面向平行夹爪——两根手指一捏一放，遥操作门槛极低。而灵巧手拥有22个自由度，操作员需佩戴数据手套，每个手势都要精确映射到机械手上，还要确保视觉、触觉、关节状态严格对齐。目前，灵巧手遥操作的成本是平行夹爪的5到10倍。
第二层，频率对不上。
视觉模型处理一帧图像动辄几百毫秒，频率只能跑到5到10Hz。但触觉反应需要毫秒级响应，20Hz以上才能捕捉到“正在滑”和“已经滑了”的临界点。
将两种信号塞进同一个低频Transformer，视觉来不及看，触觉来不及反应。
第三层，表征太浅。
许多方法将触觉视为静态数字——“当前压力5牛顿”。但触觉本质是时序信号：滑动、插入、按压、搓动，每种接触状态都伴随着力随时间变化的独特模式。
问题既已明确，来看看T-Rex团队交出的答卷。
在12项真实世界的灵巧操作任务中，T-Rex的平均成功率达到65%，比最强纯视觉基线的35%高出30个百分点。
翻书页96%对68%，开锁70%对0%——纯视觉方案在这一任务上被彻底碾压。
消融实验更具说服力：若移除T-Rex的触觉输入，成功率从65%跌至42%，降幅达23个百分点——在12项任务中，超过三分之一的有效操作纯粹依靠“手感”支撑。
数据效率同样惊人：仅提供10条微调演示时，经过中期训练的T-Rex能达到约40%的成功率，而未经历中期训练的模型则直接归零。
这说明模型并非死记硬背数据，而是真正理解了“搓”、“捏”、“拧”等动作背后的通用手感。
一句话总结：对于灵巧手而言，视觉数据本质上是不充足的——触觉不是锦上添花，而是必选项。
谁先解决“触觉如何接入”的架构难题，谁就能在灵巧手赛道占据先机。
具体怎么做？
T-Rex的核心思路并不晦涩——为触觉单独开辟一条高速通道，而非让它与视觉挤在同一条慢车道上。
整体架构命名为Mixture-of-Transformer-Experts（混合Transformer专家），三位专家分工明确。
Latent Expert负责处理视觉和语言，预测未来的视觉表征，相当于给模型提供“接下来会发生什么”的全局视野。
Action Expert执行低频动作规划，参数量高达1.41B，是三个专家中最大的，每次运行管理一个动作块。
Tactile Expert负责高频触觉精修，参数量仅为0.62B，足够轻量以支持频繁触发。
关键机制在于Cascaded Flow Matching（级联流匹配）：
扩散去噪通常需10步才能从随机噪声生成干净的动作轨迹，而T-Rex在第4步处将其一分为二：
前6步由Action Expert完成，生成一个“大方向正确但缺乏手感细节”的半成品；后4步交由Tactile Expert接手，注入实时触觉数据完成精修。
为何选择第4步？作者团队通过实验对比发现：切分过早，Action Expert去噪步数不足，无法继承大规模人类视频预训练获得的先验知识；切分过晚，动作分布已定型，触觉信号进来也无力回天。
第4步恰好处于“轮廓已现，细节可调”的黄金节点。
这好比写文章：主编（Action Expert）定好大纲后便去忙别的事，四位编辑（Tactile Expert）在不同节点轮流检查细节，无需主编每次都重审全文。
触觉信号的编码方式是另一项关键设计。
触觉传感器存在零点漂移和高频噪声，若直接将原始电压值喂给模型，模型极易将传感器噪声误认为接触特征进行学习。
T-Rex利用VQ-VAE将过去16帧（约0.5秒）的力历史压缩为64个离散码字。不同的接触状态——按压、插入、滑动——会被自动聚类至不同的码字中。
如此，传感器漂移得以过滤，触觉信号变得可解释——我们可以清晰看到模型“理解”了何种类型的接触。
两个工程细节，从事灵巧手工程化的人员一看便知。
其一，让码本“活起来”。
VQ-VAE码本在训练中常出现“码本坍塌”现象——大部分抽屉空置，少数几个塞满杂乱状态。T-Rex的做法是定期检查闲置抽屉，主动注入数据以“激活”它们，确保所有码字均被利用。
其二，赋予“有手感”时刻更高权重。
为避免模型花费90%的精力去拟合最容易学习的“零接触”状态，从而忽略真正有价值的接触瞬间，T-Rex给予高力帧更高的学习权重，使模型将算力集中在关键接触点上。
论文正文未必详述，但一线工程师心领神会。
最后是训练策略。
T-Rex采用三阶段训练法：
先在大规模人类视频上预训练（耗时22,889小时），让模型看懂“人类是如何运动的”；
再用100小时遥操作数据做中期训练，覆盖207种物体和22种动作基元——目的是将人类视频中的运动知识迁移至机器人本体，而非死磕某一具体任务。
最后用约100条任务演示进行后训练，快速适配特定需求。
其中，中期训练最为核心，它解决了一个根本性问题：人手抓杯子与机械手抓杯子的方式不同，策略各异，受力反馈亦不相同。若直接用人类视频训练出的模型操控机器人，它无法将“看到的”转化为“做出来的”。
中期训练正是利用100小时遥操作数据来填补这道鸿沟。它不要求模型死磕单一任务，而是让其接触207种物体与22种动作基元的组合，理解“搓”这一动作在不同物体上应如何执行，“捏”这一动作又需施加多大力量。
这如同一个人学完游泳理论后，在浅水区将蛙泳、自由泳、仰泳悉数练习一遍——不求速度，只求“会用”。
有了这一基础，最后阶段仅需100条任务演示即可快速适配——因为模型已知晓“手感”为何物，只需知道“应用何处”。
T-Rex的技术路线清晰指向一个判断——在灵巧操作中，视觉与触觉并非主从关系，而是并行关系。
它通过异步架构解决了频率不匹配的底层矛盾，利用一套时序编码将漂移的传感器信号转化为可解释的离散词汇，借助一组基元组合的覆盖策略替代了对特定任务的深度堆叠。
这三件事单看虽非“发明新数学”，但组合在一起，为灵巧手的触觉利用提供了一套可复用的系统方案。
灵巧手存在一个“第一性原理”吗？
眼下，灵巧手赛道最激烈的争论聚焦于两点：关节运动形式与自由度数量。
腱绳还是连杆？丝杠还是齿轮？11个自由度够用还是需要干到27个？各厂商各执一词，技术路线远未收敛。
这些争论当然有意义——传动方案决定成本、可靠性和使用寿命，自由度决定灵巧程度的上限——但学术前沿的核心关切，并不在这些问题的任何一个之中。
因为一个更深层的问题鲜少被讨论：拥有了这些硬件，算法能否用好？
传统大模型范式几乎以视觉数据为主，缺乏针对触觉模态的有效利用方案。T-Rex论文中那个从17%跌至6%的实验，恰好印证了这一点——并非触觉无用，而是现有多模态大模型架构无法消化触觉信息。
T-Rex团队探索的最大价值或许正在于此：跳出硬件参数的争论，回归一个更根本的问题——灵巧手进行精细操作，究竟需要什么数据？
关节形式和自由度数量解决的是“能不能动”的问题，触觉数据解决的是“能不能感知和反应”的问题，由此衍生出需要何种触觉数据这一体系化命题，并给出了一种可泛化的解决方案。
当然，T-Rex这项研究得以完成，有一个关键前提：Sharpa Wave提供的硬件基础——22个自由度、180Hz高频触觉信号、稳定的传感器输出。
灵巧手的硬件天花板抬高了，T-Rex才能在算法层面去触碰这个上限。
反过来，T-Rex的算法探索也给硬件提出了新要求：手掌区域需具备触觉感知能力，不同传感器的数据格式需要统一。
T-Rex的软件探索与SHARPA的硬件探索相结合，后续可能会给这个细分领域带来更深刻的变革。
首先，灵巧手可能从具身智能本体中分化出来，成为一个独立赛道——占据整机成本的15%到20%，在经济上可行，技术门槛也足够高。
但如果触觉数据成为核心壁垒，灵巧手便不仅仅是执行器，而是整个感知-决策-执行链条中数据价值最高的一环。谁掌握触觉数据的采集能力和模型训练能力，谁就掌握了议价权。
第二个变化，更多专用场景的具身应用可能被启发。当前具身智能的主流叙事是“通用”——一个模型解决所有任务。
但这个叙事在接触密集型任务上遭遇了困境，因为通用数据中触觉是缺失的。T-Rex证明了另一种可能性：在一个足够具体的垂直场景中，使用专用的数据模态（触觉）、专用的架构设计（异步级联）、专用的数据收集策略（基元×物体），可以取得优于“通用”方案的效果。
这条路径若走得通，将启发更多人去寻找类似的高价值专用场景。
T-Rex的贡献不在于发明了“新数学”，而在于将现有工具组合成一套可用的系统方案，试图建立具身智能触觉数据采集与训练的统一范式，推动灵巧手真正实现规模化扩展。
项目地址：https://tactile-reactive-dexterous.github.io/
作者简介
牛丹彤，UC Berkeley博士候选人，NVIDIA Gear Lab实习生，导师为Trevor Darrell。主要从事具身灵巧手大模型研究，曾以第一作者或共同第一作者身份在CVPR, ICML, ICLR等国际顶级会议发表论文8篇，主导或主要贡献于T-Rex, EgoScale等工作，目前谷歌学术引用超1100次。
刘卓洋，北京大学元培学院本科生，导师仉尚航，目前在UC Berkeley访问，导师为Trevor Darrell。主要从事具身多模态推理大模型方向研究，曾以第一作者或共同第一作者身份在ICML, ICLR, NeurIPS, ICRA等国际顶级会议发表论文6篇，参与其他论文共计15篇，目前谷歌学术引用400余次。曾获2026商汤奖学金（全国仅30人）、2025北京大学学术新星提名、北京大学元培学院年度科研奖励、北京大学新生奖学金等荣誉。
Trevor Darrell教授，最广为人知的成果是开发了Caffe深度学习库。该库在深度学习领域地位重要，为众多研究人员和开发者提供了便捷工具，极大推动了深度学习技术的发展。
