文章转载于量子位
作者：贾浩楠
嚯！这阵容，，，谁组的局？？？？
李飞飞，，，ImageNet涤讪人，，，美国三院院士；；；
Trevor Darrell，，，伯克利BAIR联合首创人，，，他的Caffe深度学习框架曾是盘算机视觉领域最普遍使用的平台之一；；；
Jitendra Malik，，，R-CNN的焦点孝顺者之一，，，深刻影响了盘算机视觉的生长轨迹，，，同样美国三院院士；；；
Pieter Abbeel，，，深度强化学习先驱，，，伯克利机械人学习实验室主任、BAIR实验室联合主任 。。 。ACM盘算奖得主；；；
Ken Goldberg，，，机械人学泰斗，，，30年前就深耕机械人抓取和自动化，，，IEEE会士；；；
Jim Fan，，，英伟达GEAR实验室掌舵者，，，具身智能领域最受瞩目的年轻学者之一 。。 。
具身智能学术圈，，，可能是第一次迎来云云全明星阵营 。。 。
有模子的、算力的、本体的、数据的等等…..在各自细分赛道上如雷贯耳的big name们，，，齐聚具身智能，，，但关注点嘛~一下就让人好奇起来：
不是当下大热的机械人通用大脑，，，而是——灵巧手 。。 。
T-Rex从何而起，，，要解决什么问题？？？？
自动驾驶靠纯视觉，，，是有可能解决问题的，，，但机械人，，，尤其是灵巧手却很难 。。 。
这是一个直观且浅易的事实：
手指、手掌举行细密重大操作时，，，很难只用摄像头纪录运动数据 。。 。
360°无死角的视频数据量有多重大暂且不说，，，首先机位就没法安排 。。 。差别使命种别，，，很难像自动驾驶那样形成标准化数据集——模子泛化性受限 。。 。
自然而然，，，给模子加入触觉这个数据模态，，，就成了一石三鸟的要领：感知精度更高、操作更精准细腻，，，以及可以形成较为标准的数据集 。。 。
但反知识的事情泛起了：
同样的灵巧手、同样的使命，，，T-Rex团队把触觉力信号直接拼接到一个预训练好的VLA模子里，，，想给它“加点手感”——效果使命乐成率从17%掉到了6% 。。 。
触觉不是想加就能加的，，，论文把原因拆成了三层 。。 。
第一层，，，数据太贵 。。 。
现有的大规模唬；等耸菁饕嫦蚱叫屑凶Α礁种敢荒笠环，，，遥操作门槛低 。。 。但灵巧手有22个自由度，，，操作员要戴数据手套，，，每一个手势都要准确映射到机械手上，，，还要包管视觉、触觉、枢纽状态严酷对齐，，，现在灵巧手遥操作本钱是平行夹爪的5到10倍 。。 。
第二层，，，频率对不上 。。 。视觉模子处理一帧图像动辄几百毫秒，，，只能跑到5到10Hz 。。 。但触觉反映需要毫秒级，，，20Hz以上才华捕获到“正在滑”和“已经滑了”的临界点 。。 。
两种信号塞进统一个低频Transformer，，，视觉来缺乏看，，，触觉来缺乏反映 。。 。
第三层，，，表征太浅 。。 。许多要领把触觉当成一个静态的数字——“目今压力5牛顿” 。。 。但触觉实质是时序信号：滑动、插入、按压、搓动，，，每种接触状态都有力随时间转变的奇异模式 。。 。
好，，，问题在这里，，，先看看T-Rex团队解决的怎么样 。。 。
在12项真实天下的灵巧操作使命上，，，T-Rex平均乐成率抵达65%，，，比最强纯视觉基线的35%横跨了30个百分点 。。 。
翻书页96%对68%，，，开锁70%对0%——纯视觉方案在这个使命上完全被碾压 。。 。
消融实验更直接：把T-Rex的触觉输入所有拿掉，，，乐成率从65%掉到42%，，，降了23个百分点——12项使命里凌驾三分之一的有用操作纯靠“手感”撑着 。。 。
数据效率也很惊人：仅给10条微调演示时，，，经由中期训练的T-Rex能抵达约40%乐成率，，，没经由中期训练的模子直接归零 。。 。
这说明模子不是“背下了”数据，，，而是真正明确了“搓”“捏”“拧”这些行动的通用手感 。。 。
一句话总结：视觉数据对灵巧手来说，，，实质上是不敷用的——触觉不是锦上添花，，，而是必选项 。。 。
谁先解决“触觉怎么加”的架构问题，，，谁就可能在灵巧手这个赛道上卡住位置 。。 。
怎么做到的？？？？
T-Rex的焦点思绪并不重大——给触觉单独开一条高速通路，，，而不是让它和视觉挤在统一条慢车道上 。。 。
整体架构叫Mixture-of-Transformer-Experts，，，三个专家分工明确 。。 。
Latent Expert处理视觉和语言，，，展望未来的视觉表征，，，相当于给模子提供一个“接下来会爆发什么”的阵势感 。。 。
Action Expert做低频行动妄想，，，参数目1.41B，，，是三个专家里最大的谁人，，，跑一次管一个行动块 。。 。
Tactile Expert做高频触觉精修，，，参数目只有0.62B，，，轻量到可以频仍触发 。。 。
要害机制是Cascaded Flow Matching：
扩散去噪通常需要10步才华从一团随机噪声酿成一个清洁的行动轨迹，，，而T-Rex在第4步处一切两半：
前6步由Action Expert完成，，，天生一个“大偏向对了但缺乏手感细节”的半制品；；；后4步由Tactile Expert接手，，，注入实时触觉数据完成精修 。。 。
为什么是第4步？？？？作者团队通过实验比照发明太早切，，，Action Expert去噪步数太少，，，继续不了大规模人类视频预训练获得的先验知识；；；太晚切，，，行动漫衍已经定型，，，触觉信号进来也来缺乏修正了 。。 。
第4步恰利益在“该有的形状都有了，，，但细节还能改”的黄金位置 。。 。
这就像写文章：主编（Action Expert）定好大框架后就去忙别的了，，，四个编辑（Tactile Expert）在差别的节点上轮替检查细节，，，不需要主编每次都回来重看一遍全文 。。 。
触觉信号怎么编码是另一个要害设计 。。 。
触觉传感器有零点漂移和高频噪声，，，直接拿原始电压值喂给模子，，，模子很可能把传感器噪声当成接触特征学进去 。。 。
T-Rex用VQ-VAE把已往16 。。 。ㄔ0.5秒）的力历史压缩成64个离散码字 。。 。差别接触状态——按压、插入、滑动——会被自动聚类赴任别的码字上 。。 。
这样一来，，，传感器漂移被过滤掉了，，，触觉信号还变得可诠释——你能看到模子“明确”了什么类型的接触 。。 。
两个工程细节，，，第一个：让码本“活起来” 。。 。 VQ-VAE码本，，，理训练时经常泛起“码本坍塌”——大部分抽屉空着，，，少数几个塞满种种杂乱状态 。。 。T-Rex的做法是按期检查哪些抽屉闲置，，，自动塞点数据进去“激活”它，，，确保所有码字都被使用起来 。。 。
第二个，，，给“有手感”的时刻更高权重 。。 。 阻止模子化90%的精神去学好“零接触”这个最容易学的状态，，，而忽略真正有价值的接触瞬间 。。 。T-Rex给高力帧更高的学习权重，，，让模子把算力集中在要害接触点上 。。 。
论文正文不会写、但做灵巧手工程化的人一看就懂 。。 。
最后是训练战略 。。 。
T-Rex接纳三阶段训练：
先在大规模人类视频上预训练（22,889小时），，，让模子看懂“人是怎么动的”；；；
再用100小时遥操作数据做中期训练，，，笼罩207种物体和22种行动基元——目的是把人类视频里的运动知识迁徙到机械人本体上，，，而不是死磕某个详细使命 。。 。
最后用约100条使命演示做后训练，，，快速适配特定需求 。。 。
其中最焦点是中期训练，，，解决了一个基础问题：人手抓杯子的方式和机械手抓杯子的方式纷歧样，，，战略纷歧样，，，受力反馈也纷歧样 。。 。若是直接拿人类视频训练出来的模子去操控机械人，，，它不知道怎么把“看来的”转化成“做出来的” 。。 。
中期训练就是用100小时的遥操作数据，，，把这道鸿沟填上 。。 。它不是让模子死磕某一个详细使命，，，而是让模子接触207种物体和22种行动基元的组合，，，明确“搓”这个行动在差别物体上应该怎么执行、“捏”这个行动需要多大的力 。。 。
这就像一个人学完游泳理论后，，，在浅水区把蛙泳、自由泳、仰泳都练了一遍——不追求速率，，，只追求“会用” 。。 。
有了这个基础，，，最后阶段只用100条使命演示就能快速适配——由于模子已经知道“手感”是什么了，，，只需要知道“用在哪儿” 。。 。
T-Rex的手艺蹊径清晰指向一个判断——视觉和触觉在灵巧操作中不是主从关系，，，而是并行关系 。。 。
它用一个异步架构解决了频率不匹配的底层矛盾，，，用一套时序编码把漂移的传感器信号酿成了可诠释的离散词汇，，，用一组基元组合的笼罩战略替换了特定使命的深度堆叠 。。 。
这三件事单看都不是“发明新数学”，，，但组合在一起，，，为灵巧手的触觉使用提供了一套可复用的系统方案 。。 。
灵巧手，，，保存一个“第一性原理”吗？？？？
灵巧手赛道眼下最热闹的争论，，，集中在两个地方：枢纽运动形式和自由度数目 。。 。
腱绳照旧连杆？？？？丝杠照旧齿轮？？？？11个自由度够用照旧得干到27个？？？？差别厂商各执一词，，，手艺蹊径远未收敛 。。 。
这些争论虽然都有意义——传动方案决议本钱、可靠性和使用寿命，，，自由度决议灵巧水平的上限——但学术前沿的焦点关注，，，不在这些问题中的任何一个上面 。。 。
由于一个更深层的问题很少被讨论：有了这些硬件，，，算法能不可用好？？？？
古板大模子范式险些以视觉数据为主，，，没有针对触觉模态的有用使用方案 。。 。T-Rex论文里谁人17%掉到6%的实验，，，恰恰说明晰这一点——不是触觉没用，，，是现有多模态大模子架构消化不了触觉 。。 。
T-Rex团队的探索最大价值可能在这里： 跳出硬件参数的争论，，，回到一个更基础的问题——灵巧手做细腻操作，，，究竟需要什么数据？？？？
枢纽形式和自由度数目解决的是“能不可动”的问题，，，触觉数据解决的是“能不可感知和反映”的问题，，，由此衍生出需要什么样的触觉数据这个系统化问题，，，并给出了一个能泛化的方案 。。 。
虽然，，，T-Rex这项研究得以完成，，，一个要害条件是Sharpa Wave提供的硬件基础——22个自由度、180Hz高频触觉信号、稳固的传感器输出 。。 。
灵巧手的硬件天花板顶高了，，，T-Rex才得以在算法层面去够这个上限 。。 。
反过来，，，T-Rex的算法探索也给硬件提出了新要求：手掌区域需要触觉感知，，，差别传感器的数据名堂需要统一 。。 。
T-Rex的软件、SHARPA的硬件探索偏向，，，后续可能会给这个细分领域带来更深刻的转变 。。 。
首先灵巧手可能从具身智能本体中分化出来，，，成为一个自力赛道——占整机本钱15%到20%，，，经济上可行，，，手艺上门槛也足够高 。。 。
但若是触觉数据成为焦点壁垒，，，灵巧手就不但仅是执行器，，，而是整个感知-决议-执行链条中数据价值最高的一环 。。 。谁掌握触觉数据的收罗能力和模子训练能力，，，谁就掌握了议价权 。。 。
第二个转变，，，更多专用场景的具身应用可能被启发 。。 。目今具身智能的主流叙事是“通用”——一个模子解决所有使命 。。 。
但这个叙事在接触麋集型使命上遇到了难题，，，由于通用数据里触觉是缺失的 。。 。T-Rex则证实的是另一种可能性：在一个足够详细的笔直场景里，，，用专用的数据模态（触觉）、专用的架构设计（异步级联）、专用的数据网络战略（基元×物体），，，可以取得比“通用”方案好得多的效果 。。 。
这条路径若是走通，，，会启发更多人去寻找类似的高价值专用场景 。。 。
T-Rex的孝顺不是发明了“新数学”，，，而是把现有工具组合成一套可用的系统方案，，，试图建设具身智能触觉数据统一的收罗、训练范式，，，推动灵巧手真正scale up起来 。。 。
项目地点：https://tactile-reactive-dexterous.github.io/
作者简介
牛丹彤，，，UC Berkeley PhD Candidate，，，NVIDIA Gear Lab实习生，，，导师Trevor Darrell，，，主要从事具身灵巧手大模子的研究，，，曾以第一作者或配合第一作者身份在CVPR, ICML, ICLR等国际顶级聚会上揭晓论文8篇，，，向导或主要孝顺T-Rex，，，EgoScale等事情，，，现在谷歌学术引用1100+ 。。 。
刘卓洋，，，北京大学元培学院本科生，，，导师仉尚航，，，现在在UC Berkeley会见，，，导师Trevor Darrell，，，主要从事具身多模态推理大模子偏向的研究，，，曾以第一作者或配合第一作者身份在ICML, ICLR, NeurIPS, ICRA等国际顶级聚会上揭晓论文6篇，，，其他加入论文共计15篇，，，现在谷歌学术引用400余次 。。 。曾获2026商汤奖学金（天下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 。。 。
Trevor Darrell教授，，，最广为人知的效果是开发了Caffe深度学习库 。。 。这个库在深度学习领域具有主要的职位，，，为众多的研究职员和开发者提供了便捷的工具，，，极大地推动了深度学习手艺的生长 。。 。
Trevor Darrell现在是加州大学伯克利分校Berkeley DeepDrive研究中心的主任 。。 。同时担当伯克利EECS系盘算机科学分部的教职，，，并受聘于加州大学隶属的国际盘算机科学研究所（ICSI） 。。 。研究偏向涵盖大规模感知学习算法，，，包括物体与行为识别及检测，，，并应用于机械人及移动装备的多模态交互等多种场景 。。 。他的研究兴趣包括盘算机视觉、机械学习、盘算机图形学以及基于感知的人机交互界面 。。 。
点个“爱心”，，，再走 吧
