触觉被做成Token、奔驰产线分拣成功率96%：机器人这一周补完了"手"，"脸"为什么仍是最难的一关？

11月的第二周，AI圈两条重磅新闻几乎前后脚出现，但它们在讲两件完全不同的事。

数字世界这边，谷歌把 Gemini 4 Carbon 向公众全量开放，主打复杂编码与长程智能体，官方口径里最响亮的不是"更聪明"，而是"更便宜"——Arena.ai 的分析显示，典型任务中它的成本约为某些旗舰对手的三分之一。物理世界这边，11月10日蚂蚁灵波开源触觉基础模型 LingBot-Touch，同一天谷歌 DeepMind 放出 Gemini Robotics 2.5，并公布它在一座真实汽车工厂里 96% 的分拣成功率。

一边在打价格战，一边在打"成功率"战。有意思的是：这一周真正被补齐的不是"智能"，而是"感知"——具体说，是机器人指尖上那一小块。

一、触觉被做成了"Token"：机器人第一次有了可迁移的"手感"

拧瓶盖看起来是最简单的家务之一，对机器人却是个陷阱。

深度相机能帮手指对准瓶盖，可一旦开始转动，情况立刻分两种：瓶盖已经松了，或者指腹正在盖壁上打滑。这两种情况在画面里几乎一模一样，却需要相反的动作调整——一个该继续转，一个该立刻加压。而接触位置、受力大小、受力变化率，恰好被手指和物体本身遮住了。

这就是视觉的边界。蚂蚁灵波这次做的事，是给它打补丁。

LingBot-Touch 的预训练数据是 4983 小时真实触觉记录，约 46.4 万段交互、13.3 亿帧，来源包括人戴触觉手套采集的磁触觉与压阻式数据，以及遥操作采集的视触觉数据。技术上最关键的一步不是数据量，而是统一表征：三类传感器记录原理完全不同，模型先按传感原理分别设编码入口，再把不同布局的触点映射到统一的指尖坐标空间，输出统一的"触觉 Token"。

说白了，它没让所有传感器长得一样，而是让不同传感器的信号能被翻译成同一种语言。

效果看一组对照最清楚：在拉拉链任务上，某策略模型完全不使用触觉时成功率 39%；把原始信号直接喂给模型，成功率反而掉到 15%；接入触觉表征之后才升到 59%。原始信号不等于可用的感知，这句话值得记住。

整体数据同样说明问题：26 项真机任务、两款灵巧手、四种策略模型，接入后平均任务成功率提升约 14 至 26 个百分点。Sharpa Wave 手上某动作模型从 45.60% 到 72.51%，另一款从 47.56% 到 68.58%。更值得注意的是迁移性——XHand1 用的磁触觉传感器型号根本没出现在预训练数据里，触点布局也不一样，团队没有重训模型，只固定参数、训练下游策略，成功率仍然涨了。

还有处容易忽略的取舍：26 项真机测试全部用约 532 万参数的轻量版完成，接入后整体参数量只增加约 0.13%。在端侧算力要同时分给视觉、规划、伺服的现实约束下，这个"小"比"强"更有意义。

二、96% 是怎么来的：VLA 被推上了真产线

触觉解决"摸得到"，Gemini Robotics 2.5 解决"干得成"。

这代 VLA 模型在 200 多项真实任务上评估，涵盖食品夹分餐、给礼盒系蝴蝶结、液体移液这类复合技能，官方称成功率相对基线提升 30% 到 100%，速度快 20% 到 30%。

真正有产业信号意义的不是实验室数字，而是产线。DeepMind 与 Apptronik、梅赛德斯-奔驰合作，在匈牙利凯奇凯梅特和德国辛德尔芬根的在用生产线上跑概念验证：Apollo 2 从散装料箱里按每台车的精确需求顺序拣取金属支架，放进对应排序容器，同时在线修正装配间隙。成功率 96%。

这 96% 由两个模型分工取得：具身推理模型跟踪整体工作流，动作模型控制手臂与手部。长程规划与毫秒级控制被拆开了——这是很务实的架构选择，把"想清楚接下来干什么"和"这一瞬间手指该使多大力"交给不同模型各自优化。

但也要看清边界。官方明确说明该试点仍是概念验证，未披露任务时长、试验次数和产线节拍。96% 是"能不能拣对"，不是"能不能连续八小时保持这个水平"。

同一周还有另一条路线：英伟达 GR00T 2 靠海量人类操作视频学动作，免去大量遥操作示教，但披露的成功率区间是 10% 到 80%——跨度极大，取决于任务类型。这恰好印证一件事："看起来学会了"和"稳定做对"之间还隔着很长一段。

安全侧的动作也值得看：这代模型引入推理时的推理引导机制，可实时规避物理危险，评估显示障碍物周边安全任务完成率提升 33%，人员周边提升 43%；配套开源的测试基准 ASIMOV-Jailbreak 用数百条伪装成正常请求的对抗性提示测机器人越狱风险，某旗舰模型抵御率 99.5%。

三、这一周补的是"手"，而它能被补上是有原因的

三年前的具身智能拼的是"看得清"——空间感知、深度估计、位姿识别；后来拼"想得明白"——用大模型做任务拆解，把"帮我收拾桌子"拆成一串子步骤。"手"一直最难啃，因为整条链路里，只有它必须和真实物体发生物理接触，并且要即时闭环修正。

这周"手"被攻下了，原因值得深究：因为手有成败判定。

拧上了没拧上，拉链拉上没拉上，支架放错容器没放错。结果是二值的、可观测的、可重复测的。一旦有了明确的评价函数，工程就能闭环：测出短板 → 找数据缺口 → 补数据 → 重测。触觉模型能一路走到开源，本质上不是算法更炫，而是它能被反复证伪。26 项真机任务、三组对照、两款硬件、四种策略——这套评测设计本身就是答案的一部分。

四、把"表演"的问题照进来：为什么"脸"比"手"更难

现在把镜头转向另一类内容：让一个人物在屏幕里开口说话、做出表情、带着情绪演完一段戏。

它和"手"有两处同构，也有一处根本差异。

同构之一，是级联的代价。 拉拉链那个从 39% 掉到 15% 的对照组说明：把未经处理的原始信号直接扔给下游，效果可能比不用还差。视频表演的"拼接式"管线是同一种病——先出画面，再合成声音，再对口型，最后贴表情。每步都在上一步输出上做二次加工，误差不打散，反而层层放大。观众最后看到的那种说不清的"不像"，往往就是四层误差叠出来的。

同构之二，是统一表征的价值。 触觉能跨传感器、跨硬件、跨策略复用，靠的是它在表征层就被对齐成同一种 Token，而不是在输出端做转换。表演同理——声音的节奏、口型的开合、微表情的起落，本来就是同一时刻的三条通道。若在生成源头就联合起来，就不需要事后再"对"，也就没有对不齐这件事。国内确实有团队在走这条路，用一张图和一段指令直接产出带声音、带口型、带表情的人物表演片段，而不是先有画面再配音。

差异只有一处，但它是决定性的：脸没有成败判定。

没有观众会说"第三帧口型偏了 0.3 个音素"，他们只会说"感觉不对"。而"感觉不对"无法写成断言，也无法自动重测。于是出现一个尴尬现实：表演类任务的优化循环是断的——你能看见它不够好，却没法用一个数字告诉模型哪里不够好。

这一点在榜单数据里也有影子。11月10日发布的 Claude Fable 5.2，在真实自由职业任务基准上完成率 41.3%，一年前只有 2.5%，进步惊人；但公开短板恰恰是"产品设计、动画类任务"。另一头，Gemini 4 Carbon 用"鹈鹕骑自行车"的 3D 演示展示能力，评价是物理逻辑不错，可一旦和榜首模型比编程与 3D 效果，又显得逊色。

越是靠近"表达"和"审美"的任务，越难被基准化，也就越容易被模型和评测同时漏掉。

五、下一个基准：从"任务成功率"到"表达可信度"

如果这一周的具身智能教会行业一件事，大概是：能力突破的顺序，往往跟着"评价函数好不好写"走。有明确成败判定的能力先被攻克，没有的就排队。

往后推，几条趋势可以预期。

其一，多通道一致性会成为独立的评测维度。 触觉证明"在表征层对齐"比"在输出层拼接"更有效。声、形、戏也是三个通道，未来衡量人物视频的标准大概率不会停在分辨率、帧率、口型误差上，而会出现"表情与语义一致度""情绪转折平滑度"这类更靠近感知的度量。

其二，跨本体迁移会从硬件延伸到"人"。 手感能迁移到没见过的传感器上，同一套表演能力也应该能迁移到不同的脸、不同的语种、不同的情绪基调上，而不是每换一个角色就重训一遍。

其三，基准会先于产品成熟。 机器人这边已有真机任务集和 ASIMOV 系列安全基准，内容侧迟早也会出现自己的"26 项任务"：一段独白、一次情绪反转、一场对手戏、一个长镜头。谁先把这把尺子造出来，迭代速度就快一个档位。

其四，便宜会变成默认值。 当旗舰模型的成本差被压到三倍以内并继续下探，算力和 token 不再是差异化来源，真正难的部分会回到"交付物看起来对不对"上。

回到开头那个对比：这一周，数字世界的模型在比谁更便宜，物理世界的机器人在比谁能把支架放对。而在这两条新闻之外，还有一类能力既没有价格战、也没有成功率榜——它只能靠人看一眼，然后说"这段演得真像"。

在那之前，行业大概还得先学会，怎么把"像"变成一个可以被反复测量的数字。