李飞飞、Jim Fan、徐丹飞联手，给具身智能指了一条新路

2026年夏天， 机器人 圈被一个近乎“黑色幽默”的实验结果炸开了锅。 一支由斯坦福教授李飞飞、 英伟达 具身智能负责人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“超级团队”，在一项消融对照实验中遇到了一个百思不得其解的现象。 他们在一个名为π0.5的行业经典模型上做了一件看似理所当然的事——把触觉信号作为额外信息输入给模型。按常理，多一种感知应该多一分精准。结果却令人瞠目： 据论文中的消融实验显示，任务成功率从17%骤降至6% 。 加了触觉，机器人反而“不会干活”了。 这个反常结果，像一记耳光打在了整个具身智能行业的脸上。过去几年，业界的主流做法是把一切感知信息——视觉、语言、触觉——统统转成同一种格式塞进同一个大模型里，相信“数据多了自然智能涌现”。 T-Rex论文用一组冰冷的数据证明：这条路，可能从一开始就走偏了。 触觉为什么成了“猪队友”？ 问题出在哪里？论文作者们给出了一个简洁而有力的诊断： 频率错配 。 据论文及相关技术解读，视觉是一种“慢感知”。摄像头以大约每秒5帧的频率扫描世界，提供的是稳定的场景语义——知道物体在哪里、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变化，触觉反馈天然需要在每秒20次甚至更高的频率下才能发挥作用。 打个比方：这就像让一个长跑运动员（视觉）和一个短跑运动员（触觉）在同一条跑道上以同样的速度跑步。长跑运动员觉得节奏太快跟不上，短跑运动员觉得节奏太慢憋得慌。把这两种时间尺度完全不同的信号强行塞进同一个以低频运行的Transformer里，结果不是“1+1=2”，而是“1+1<1”——触觉的高频优势发挥不出来，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。 面对这个结构性矛盾，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“触觉反应式灵巧操作”（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，正是一双灵巧手如何真正“感知”世界。 T-Rex的核心思路可以概括为一句话： 别再让触觉和视觉抢同一条算力通道了，给它单独开辟一条独立的高速公路。 具体怎么实现？论文提出了一套 混合Transformer专家架构（Mixture-of-Transformers，MoT） 。所谓“混合”，是把机器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，互不干扰。MoT中的“M”恰好同时代表了这两层含义。 第一位专家负责“看路”和“预判”——它叫潜在专家。 它的任务是处理视觉和语言信息，预测“接下来场景会变成什么样”，为后续动作提供时间上的上下文。说白了，它在提前想好下一步会发生什么。 第二位专家负责“画草图”——它叫动作专家。 它从一片“噪声”开始，通过一步步去噪，生成一个大致的动作走向——“手往这个方向移动”。这个模块的运行频率大约是每秒5次，对应视觉感知的天然节奏。 第三位专家负责“微调”——它叫触觉专家。 它不参与前期的全局规划，只在接触发生的瞬间启动，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，在动作专家画好的“草图”上做毫秒级的精细修正——“力道轻一点”“往左偏一毫米”。 三个专家的协同流程是这样的：动作专家先跑完前几步，画出一张动作草图；触觉专家从某个中间节点接手，利用最新的触觉数据完成剩余步骤的精化。 动作专家负责“低频去噪”，触觉专家负责“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动作。 T-Rex 的 Mixture-of-Transformer-Experts（MoT）架构。（图片来源：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 。核心是一个 VQ-VAE 模块——你可以把它理解为一个“翻译官”，把过去十几帧的时序力数据压缩成离散的“触觉词汇”，既能捕捉力的变化趋势，又能抵抗传感器的信号漂移。这样一来，触觉专家接收到的就是一套标准化的“触觉语言”，而非杂乱无章的原始信号。 这套设计的本质，就是给高频触觉信号辟出一条独立的通道，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，互不干扰，最后再协同输出一个完整的动作——既保留了视觉对全局的把控，又彻底释放了触觉在接触瞬间的敏捷反应能力。 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种动作基元（抓取、挤压、插入、擦拭、折叠等）、7700多条运动轨迹。与传统做法不同，这个数据集不是针对某个特定任务录制的，而是围绕“动作×物体”的组合来组织——22个动作搭配200多种物品，通过排列组合覆盖尽可能多样的接触场景。这让模型学到的是通用的触觉-动作对应关系，而非死记硬背特定任务的模板。 训练策略同样极具层次感。团队先用 22,889小时的人类第一视角视频 进行大规模预训练，让模型理解人类的手部交互模式；再用上述100小时的机器人触觉数据进行跨模态对齐；最后仅需少量特定任务示范即可完成专项能力的激活。这种渐进式训练的好处是，触觉能力不需要从头学起，而是在视觉运动先验已经建立之后，以相对少的数据“嫁接”进来。 12项“刁难级”任务，30个百分点的跨越 这套架构到底有没有用？论文在12项专门为“刁难”机器人而设计的精细操作任务上进行了严苛测试——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、拧灯泡。每一项都要求机器人对接触力进行动态的、即时的调节。 T-Rex 完成翻书等接触密集型任务（图片来源：T-Rex） 最终结果令人振奋：T-Rex相较此前最强的基线模型，在这12项任务上取得了 超过30%的平均成功率提升 。在翻书页、分纸杯等对力度极为敏感的任务中，T-Rex的表现从“几乎不可用”跃升到了“初步具备实用价值”。 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，系统成功率出现断崖式下跌；而如果强行取消异步运行机制，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的成功并非单纯来自“加了触觉”，而是来自“用对了触觉”——给它独立的节奏、独立的通道、独立的处理逻辑。 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、一切进大模型”的通用范式，并不天然适用于所有感知模态。 视觉和语言是“慢变量”，适合放在同一个巨大的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。强行把两者塞进同一个模子，结果不是融合，而是污染。 这让人联想到神经科学中经典的 双流假说 ——视觉腹侧通路负责“