ARTICLE · 1083692
Physical AI 已到范式前夜:触觉撬开最后一毫米,统一模型轮廓初现
Physical AI 已到范式前夜:触觉撬开最后一毫米,统一模型轮廓初现9月GPT-6 Astra发布，粗活干得漂亮：积木取放成功率95%，是Claude Fable 5.1的近5倍。但一到毫米级精度就露怯：凹槽拼图插入，成功率只有10%——每次都能精准走到正上方，偏偏最后一按就错位、打滑。 业内一句话戳中要害：纯数字模型活在无损的向量世界里，物理世界的最后一毫米，永远藏着摄像头看不见的摩擦力、形变和接触状态。 过去三个月，整个领域都在 rush 同一件事：把触觉，真正塞进世界模型里。 不是当成外挂补充，而是从底层重构具身智能的输入输出体系。目前已经清晰分出两条技术路线，更重要的是——很多人直觉里的「触觉符号化」「物理世界收敛」，正在被实验一步步验证。 两条路线：殊途同归的触觉革命 路线一：触觉原生，和视觉平权的联合预测 第一条路最激进——直接把触觉提升到和视觉同等的地位，模型同时预测「下一步的画面」和「下一步的触觉」，从预训练阶段就深度绑定。 代表工作是7月NeoteAI联合复旦推出的𝑁₀-TWAM，也是首个大规模触觉原生世界动作模型。 它的核心不是直接喂传感器原始图像，而是先转换成NeoForce力空间：fx/fy剪切力、fz压力、接触掩码，全部是带物理单位的标准化量。相当于把触觉翻译成了模型能懂的「统一语言」——也就是大家常说的「触觉符号化」。 结果非常直白：8项真机任务平均成功率46.3%，而纯视觉的SOTA只有30%。差距最大的恰恰是「摄像头失明时刻」：把瓶子直立放稳，70% vs 20%；插座插拔，70% vs 60%。视线被挡住的地方，就是触觉的绝对主场。 产业界也在快速跟进：9月理想发布的ME-Dex-1.0，用「标准手模型」统一不同机械臂的触觉坐标，未来触觉和未来视频联合生成，走的也是同一条触觉原生路线。 路线二：触觉门控，只在关键点位出手核验 第二条路更务实，也更符合工程逻辑——触觉不用全程在线，只在接触瞬间、受力关键点当「裁判」，做核验和校正。 这里有个非常反直觉的发现：如果把触觉全程硬塞进模型，成功率反而会下降9%。 原因很简单：自由空间里触觉全是噪声，反而会把注意力从视觉目标上拽走。触觉的价值本来就只在「接触发生的那一刻」。 代表工作CVPR 2026的AT-VLA，做了一个可学习的「触觉门」： - 没接触时，就是原版VLA，视觉主导，性能不打折； - 接触瞬间，注意力自动切换到触觉token。 再配上快慢双流（慢语义推理+快触觉反射），0.04秒闭环，成功率直接从22%拉到50%。 更极致的HiTac-WAM把这个思路做到了极致：执行前先给每个动作预测「接触→形变→滑移风险」三层未来，按风险排序；执行中一旦实测触觉和预测偏差超标，立刻触发重规划。 最终真机成功率从基线31.1%，先靠触觉排序提到61.1%，再加反射回路冲到72.2%。 GPT-6的物理课，和巨头的暗战 纯符号推理的天花板，就是物理世界的地板GPT-6的表现，刚好画出了纯大模型路线的边界： - 强项：宏观、粗粒度、靠几何推理就能搞定的任务，95%成功率，成本还低； - 短板：毫米级接触、需要力反馈的精细操作，直接跌到10%，和上一代没拉开差距。 本质原因其实很简单： 大模型的成功，是在人类构造的符号世界里的成功。文字、图像、代码，都是离散、平滑、无损的符号；但物理世界是连续的、有摩擦的、有隐状态的——你看不见接触面的粗糙程度，猜不准物体的重量，算不出形变的回弹。靠纯视觉+推理，可以走完99%的路程，但最后一毫米的接触，必须靠触觉来闭环。 巨头都在押注下一张入场券 产业端的动作已经非常明确： - OpenAI 3月成立内部机器人部门，Altman确认自研人形机器人，和Figure断约后转做自研Helix； - NVIDIA 129亿美元收购Hugging Face，把世界模型+机器人作为下一代核心赛道； - 国内理想、宇树等企业也在密集发布触觉+世界模型方案，从硬件到模型全线推进。 巨头都明白：下一个十年的Physical AI，触觉是绕不开的入场券。 两个深层判断和正在浮现的统一范式 触觉符号化能复刻视觉的胜利吗？ 方向完全正确，但必须补上三个前提，否则只会适得其反： 1. 符号必须是物理量，不是传感器外观 不能直接拿凝胶图像当输入，必须转成力、力矩、滑移量这些有物理意义的量，才能跨传感器、跨本体复用。 2. 不能全程同权，必须门控稀疏 触觉是事件驱动的，自由空间几乎无信息，全程硬塞只会干扰视觉，接触门控才是最优解。 3. 双频率系统 慢系统做语义规划，快系统做触觉反射，就像人的大脑+脊髓反射，各司其职。 简单说：触觉不是第二个视觉，它是物理世界的「纠错信号」和「接触开关」。 物理世界收敛，统一模型一定会出现？ 物理世界受定律约束，解空间比开放的文本、图像窄得多，所以必然会收敛出一个高效的统一架构。 但要修正一点：收敛≠容易解。 接触动力学是混合非光滑系统：接触瞬间的切换、摩擦的不确定性、柔性形变，都会带来不连续和分叉。再加上传感器噪声、磨损、隐状态不可见，注定了它不会像NLP那样一个Transformer打天下。 但强信号已经出现：过去三个月，𝑁₀-TWAM、ME-Dex、DexTacWAM三套独立工作，架构正在高度趋同： 多专家（视觉/触觉/动作）+ 共享注意力 + 联合未来预测 + 接触门控 + 高频反射 + 分阶段训练 这很像2017年Transformer出现前夜的格局——候选的统一范式已经隐约可见，就是： 力空间原生表征 + 扩散流匹配世界模型 + 慢推理快反射双系统 结尾 从去年的世界模型爆发，到今年的触觉全面上车，具身智能正在完成从「看得到」到「摸得到」的关键一跃。 GPT-6没跨过的最后一毫米，恰恰是下一代AI的起跑线。毕竟，真正的智能，从来都不是只活在屏幕里的。