2026年炎天，，机械人圈被一个近乎“玄色诙谐”的实验效果炸开了锅。。。
一支由斯坦福教授李飞飞、英伟达具身智能认真人Jim Fan、佐治亚理工学院助理教授徐丹飞领衔，，联合Pieter Abbeel、Jitendra Malik、Ken Goldberg、Trevor Darrell等多位顶尖学者的“超等团队”，，在一项消融比照实验中遇到了一个百思不得其解的征象。。。
他们在一个名为π0.5的行业经典模子上做了一件看似理所虽然的事——把触觉信号作为特殊信息输入给模子。。。按常理，，多一种感知应该多一分精准。。。效果却令人瞠目：据论文中的消融实验显示，，使命乐成率从17%骤降至6%。。。
加了触觉，，机械人反而“不会干活”了。。。
这个反常效果，，像一记耳光打在了整个具身智能行业的脸上。。。已往几年，，业界的主流做法是把一切感知信息——视觉、语言、触觉——一切转成统一种名堂塞进统一个大模子里，，相信“数据多了自然智能涌现”。。。T-Rex论文用一组酷寒的数据证实：这条路，，可能从一最先就走偏了。。。
触觉为什么成了“猪队友”？ ？？？
问题出在那里？ ？？？论文作者们给出了一个精练而有力的诊断：频率错配。。。
据论文及相关手艺解读，，视觉是一种“慢感知”。。。摄像头以约莫每秒5帧的频率扫描天下，，提供的是稳固的场景语义——知道物体在那里、长什么样。。。但触觉是一种“快感知”。。。当指尖接触到物体的瞬间，，压力、滑动、形变等信息以毫秒为单位转变，，触觉反馈自然需要在每秒20次甚至更高的频率下才华施展作用。。。
打个例如：这就像让一个长跑运发动（视觉）和一个短跑运发动（触觉）在统一条跑道上以同样的速率跑步。。。长跑运发动以为节奏太快跟不上，，短跑运发动以为节奏太慢憋得慌。。。把这两种时间标准完全差别的信号强行塞进统一个以低频运行的Transformer里，，效果不是“1+1=2”，，而是“1+1<1”——触觉的高频优势施展不出来，，反而把视觉已经学好的表征搅得一团糟。。。
换句话说，，不是触觉没用，，是用错了地方。。。
面临这个结构性矛盾，，研究团队没有在原有框架上修修补补，，而是选择推倒重来。。。
他们提出了一套名为T-Rex的全新框架。。。T-Rex既是“触觉反映式灵巧操作”（Tactile-Reactive Dexterous Manipulation）的缩写，，也暗合“霸王龙”之意——虽然霸王龙的前肢短小！！，，但这篇论文要解决的，，正是一双灵巧手怎样真正“感知”天下。。。
T-Rex的焦点思绪可以概括为一句话：别再让触觉和视觉抢统一条算力通道了，，给它单独开发一条自力的高速公路。。。
详细怎么实现？ ？？？论文提出了一套混淆Transformer专家架构（Mixture-of-Transformers，，MoT） 。。。所谓“混淆”，，是把机械人的控制权拆解给三位各司其职的专家；；；；；；所谓“变速率”，，是让三位专家各跑各的时钟频率，，互不滋扰。。。MoT中的“M”恰恰同时代表了这两层寄义。。。
第一位专家认真“看路”和“预判”——它叫潜在专家。。。 它的使命是处理视觉和语言信息，，展望“接下来场景会酿成什么样”，，为后续行动提供时间上的上下文。。。说白了，，它在提前想好下一步会爆发什么。。。
第二位专家认真“画草图”——它叫行动专家。。。 它从一片“噪声”最先，，通过一步步去噪，，天生一个大致的行动走向——“手往这个偏向移动”。。。这个？ ？？？榈脑诵衅德试寄敲棵5次，，对应视觉感知的自然节奏。。。
第三位专家认真“微调”——它叫触觉专家。。。 它不加入前期的全局妄想，，只在接触爆发的瞬间启动，，以每秒20次以上的高频实时读取指尖传来的力和形变信号，，在行动专家画好的“草图”上做毫秒级的细腻修正——“力道轻一点”“往左偏一毫米”。。。
三个专家的协同流程是这样的：行动专家先跑完前几步，，画出一张行动草图；；；；；；触觉专家从某其中心节点接手，，使用最新的触觉数据完成剩余方法的精化。。。行动专家认真“低频去噪”，，触觉专家认真“高频精化” 。。。潜在专家全程“看路”，，为两者提供视觉上下文。。。三位专家各跑各的时钟，，各司其职，，最后协同输出完整的行动。。。
T-Rex 的 Mixture-of-Transformer-Experts（MoT）架构。。。（图片泉源：T-Rex）
为了让触觉专家真正“读懂”触觉信号，，论文还专门设计了一套时空触觉编码器。。。焦点是一个VQ-VAE？ ？？？椤憧梢园阉魅肺桓觥胺牍佟保岩淹钢〉氖毙蛄κ菅顾醭衫肷⒌摹按ゾ醮驶恪保饶懿痘窳Φ淖淝魇疲帜芊纯勾衅鞯男藕牌啤！！Ｕ庋焕矗ゾ踝椅盏降木褪且惶妆曜蓟摹按ゾ跤镅浴保窃勇椅拚碌脑夹藕拧！！
这套设计的实质，，就是给高频触觉信号辟出一条自力的通道，，不让它被低频的视觉节奏拖累。。。 三个专家各跑各的频率，，各管各的事，，互不滋扰，，最后再协同输出一个完整的行动——既保存了视觉对全局的把控，，又彻底释放了触觉在接触瞬间的迅速反映能力。。。
数据层面同样下足了功夫。。。团队构建了一个100小时的触觉同步数据集，，涵盖200多种日常物品、22种行动基元（抓取、挤压、插入、擦拭、折叠等）、7700多条运动轨迹。。。与古板做法差别，，这个数据集不是针对某个特定使命录制的，，而是围绕“行动×物体”的组合来组织——22个行动搭配200多种物品，，通过排列组合笼罩尽可能多样的接触场景。。。这让模子学到的是通用的触觉-行动对应关系，，而非死记硬背特定使命的模板。。。
训练战略同样极具条理感。。。团队先用22,889小时的人类第一视角视频举行大规模预训练，，让模子明确人类的手部交互模式；；；；；；再用上述100小时的机械人触觉数据举行跨模态对齐；；；；；；最后仅需少量特定使命树模即可完成专项能力的激活。。。这种渐进式训练的利益是，，触觉能力不需要重新学起，，而是在视觉运动先验已经建设之后，，以相对少的数据“嫁接”进来。。。
12项“刁难级”使命，，30个百分点的跨越
这套架构究竟有没有用？ ？？？论文在12项专门为“刁难”机械人而设计的细腻操作使命上举行了严苛测试——翻书页、转移生鸡蛋、擦盘子、挤牙膏、分纸杯、分拣麻将、开锁、填药盒、模拟化学滴定、抽卡片、发扑克牌、拧灯胆。。。每一项都要求机械人对接触力举行动态的、即时的调理。。。
T-Rex 完成翻书等接触麋集型使命（图片泉源：T-Rex）
最终效果令人振奋：T-Rex相较此前最强的基线模子，，在这12项使命上取得了凌驾30%的平均乐成率提升。。。在翻书页、分纸杯等对力度极为敏感的使命中，，T-Rex的体现从“险些不可用”跃升到了“起源具备适用价值”。。。
进一步的消融实验反向印证了设计的精妙：一旦切除所有触觉输入通道，，系统乐成率泛起断崖式下跌；；；；；；而若是强行作废异步运行机制，，让触觉被迫降频与视觉同步，，性能同样会显著劣化。。。这恰恰说明，，T-Rex的乐成并非纯粹来自“加了触觉”，，而是来自“用对了触觉”——给它自力的节奏、自力的通道、自力的处理逻辑。。。
T-Rex这篇论文的价值，，远不止于一组漂亮的实验数据。。。它用一个极具说服力的反例，，向整个具身智能行业发出了一个明确的警示信号：
“万物皆token、一切进大模子”的通用范式，，并不自然适用于所有感知模态。。。
视觉和语言是“慢变量”，，适合放在统一个重大的Transformer里做全局关联推理；；；；；；但触觉是“快变量”，，它关乎物理接触和即时反馈！！，，需要单独的高频闭环控制回路。。。强行把两者塞进统一个模子，，效果不是融合，，而是污染。。。
这让人遐想到神经科学中经典的双流假说——视觉腹侧通路认真“识别是什么”，，背侧通路认真“指导怎么做”。。。T-Rex的混淆专家架构，，某种水平上是在机械人身上复刻了这种生物演化的高级智慧。。。
虽然，，论文也坦诚了目今的局限性：关于需要数秒级连贯协调的重大操作，，纯粹的行为克隆仍受限于树模数据的笼罩度；；；；；；目今触觉感知仅限于指尖而非全手掌，，且传感器标定与漂移问题仍是工程痛点。。。但这些属于“生长中的懊恼”，，并不故障T-Rex所确立的范式意义。。。
这篇论文转达的焦点信息已经无比清晰：别再让机械人光靠“瞪大眼睛看”来干活了，，是时间让它们学会“伸脱手去摸”。。。 触觉不应是视觉的附庸，，而应是一条自力的、与视觉平起平坐的物理感知通道。。。
谁人“17%跌到6%”的反常实验，，或许正是机械人从“望见天下”走向“感知天下”的要害转折点。。。（本文首发钛媒体APP，，作者 | 硅谷Tech-news，，编辑 | 赵虹宇）
