--- title: "模型看得见，却摸不着" date: 2026-11-05 category: 智能机器人 site: 脑机网 canonical: https://www.logic.wang/a/njw-touch-data-16-1105b language: zh-CN --- # 模型看得见，却摸不着 > 一个模型能写文章、能认图片、能对着一段视频讲得头头是道，可真让它拧开一个瓶盖，常常就露了怯。差的不在眼睛，也不在词库，而在手上那层说不清的分寸：杯子有多重，握到什么程度会滑，塑料壳按下去会不会变形。 一个模型能写文章、能认图片、能对着一段视频讲得头头是道，可真让它拧开一个瓶盖，常常就露了怯。差的不在眼睛，也不在词库，而在手上那层说不清的分寸：杯子有多重，握到什么程度会滑，塑料壳按下去会不会变形。 这一篇不谈模型有多大，只谈它缺的那一类数据。看得见的东西早就被喂得足够多，摸得着的东西却几乎还是空白，而机器人要真正干活，靠的恰恰是后面这半截。 ## 看得见却使不上劲 在2026智元创新日的灵巧操作分论坛上，临界点首席具身科学家黄碧丹表示：“现在的大模型就像缸中之脑，看过海量图文与视频数据，却从未真实触摸过物理世界。”这是她在论坛上用的一个比方，不是一句客观结论。 这个比方点得很准。模型见过无数张拿杯子的图片，却不知道杯子是空是满、表面是滑是涩、握紧到哪一步会开始往下溜。画面告诉它那里有个东西，没告诉它碰上去是什么手感。 据媒体报道，她认为当前训练被“视觉霸权”主导，模型在数字世界里泛化得出色，一进真实物理场景就频繁失效。换句话说，会认不等于会做，认得再准，手底下没有轻重，动作照样落不了地。 把这几句摆在一起，缺口就具体了：不是数据不够多，而是数据里少了接触、受力和形变这一维。缺了这一维，模型再会看图，也像隔着玻璃学骑车，姿势都对，脚底下没有路感。 ## 两条采数据的路 据媒体报道，眼下采操作数据大体有两条路。一条是真机遥操，由人操控机器人本体把动作做一遍，数据质量最高，自带本体约束，可直接拿去训练，代价是贵，还得靠专业操作人员，规模很难铺开。 另一条是第一人称数据，也就是让人戴着设备、以自己视角记录日常操作。据媒体报道，这类数据容易获取、场景覆盖广，却缺触觉，还原不了施力意图，多半只能用于预训练，离直接上手干活还差一截。 两条路各有短板：一条准而贵，一条便宜而薄。行业真正想要的，是既有真机数据那样的质量，又能像第一人称数据那样铺得开，还得把人手那点说不清的力道一起记下来。 这也提醒了一件事：数据不是按小时堆得越多越好。一段没有力、没有接触信息的视频，喂得再多，教会的仍只是怎么看，而不是怎么碰。多和够，在这里并不是一回事。 ## 给手戴一副手套 据媒体报道，临界点自研并量产交付了一款数据采集手套，企业称它能同时采集人手的位置、姿态和触觉信息，把这几路信号统一打包输出，让人戴着手套照常干活，顺手就把数据记下。 关于这款手套的参数，企业称，每个指尖以磁场定位融合惯性测量来抗干扰，定位精度可达0.1毫米；全手排布746个触觉感知点位，空间分辨率可达3毫米，用来记录手与物体接触的位置和力度。 这几个数都得带着“企业称”来读。它们是企业公布的参数，不是第三方实测报告，更不是全行业通用规格。看不懂磁场定位也无妨，要紧的是它想补的那一块：手在哪、怎么弯、哪儿碰到东西、用了多大劲。 据媒体报道，企业称这些数据经过处理和跨本体动作重定向之后，能在机器人真机上回放，完成与人类示范相同的任务；能不能在同样条件下把动作复现出来，被它当作检验数据够不够用的标准。 从戴上手套采到一段数据，到模型真能据此把活干对，中间还有筛选、标注和跨本体适配等好几道工序。据媒体报道，企业方面也提到这些环节仍需打磨，采集入口变宽，不等于整条链路已经铺平。 ## 堆量不如堆质量 关于到底需要多少数据，她判断，普通人类日常操作的场景，可能百万小时级别的数据就基本能够覆盖，再往上堆量收益会递减，胜负手落在质量上。请留意这是她个人的判断，不是行业定下的刻度。 她把话说得留了余地：一是用“可能”，二是限定在普通日常操作，三是没给这个判断配一个时间表。读的时候把这三层限定一起带上，才不会把一句估计听成一份路线图。 所谓质量，落回到前面那个缺口，就是有没有触觉、精度够不够、能不能还原施力意图。堆时长相对容易，多录几万小时就行；补上“摸”这一维却要换设备、换采集方式，慢得多，也难得多。 所以量与质并不是非此即彼。规模决定模型见过多少种场面，质量决定它进了真实场景会不会失手。对一只真要拧螺丝、捏薄膜的手来说，后者的分量，眼下显然更沉一些。 ## 难的都是软活 这个缺口落到具体工序上，长什么样？另一家企业灵心巧手一位负责人对《中国经营报》表示，最难的工序是柔性组装，也就是软的活：线材插接、薄膜抓取、织物整理这一类，物体一受力就变形。 按这位负责人的说法，抓哪儿、用多大劲，都得实时判断，没有一张能提前写死的图纸。更麻烦的是“软、小、精”叠在一起：尺寸小，容错空间就小；要求精，力控窗口就窄；三者同时出现，难度不是相加，是相乘。 这正是纯视觉数据最难覆盖的地方。线材一碰就弯，薄膜一捏就皱，形变发生在接触的那一瞬，图片只记下了形状变了，记不下当时手上用了几分工。要教会模型这一手，先得把这份力道采回来。 模型看得见画面，却摸不着轻重；补上这一课，靠的不是把视频再喂多几倍，而是让手真正记下碰过什么、用了多大力、物体又怎么回了弹。等这些数据成了气候，看得见和摸得着，才算接上了头。 **免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。** --- 来源：脑机网（https://www.logic.wang/）｜原文：https://www.logic.wang/a/njw-touch-data-16-1105b 本内容仅供参考，不构成投资建议。