#每日学习打卡#大家早上好，今天我们来学习AGI的进展。

在大众看来，灵巧手赛道有两个趋势，一是 demo 越来越炫，而是销量越来越多。

今年春晚灵巧手盘核桃已经足够惊艳，不久前，Sharpa 又晒出灵巧手削苹果的视频，让人咋舌称赞。

此外灵巧手的出货量越来越猛，我们拿到一组研究机构 GGII 的数据，2026 年灵巧手的销量能达到 7 万只，是 2025 年的 3.6 倍。并且，在机器人已经来到万元级水准，很多灵巧手单只售价甚至高达十多万，几乎疯狂。在外行眼里，灵巧手已经无所不能了，关节越来越灵活，手指反应越来越快，也慢慢开始有了触觉和温度感知。

但这篇大佬云集的论文，给这一切泼了一盆冷水： 目前给灵巧手加触觉，机器人反而更笨了。

先来看一个行业大背景：具身智能的三条路，走到灵巧手都卡住了。

第一条路：纯视觉 VLA。 这是当下最热闹的路线，π0、GR00T N1、OpenVLA 都在做。它们靠摄像头理解世界，能做类似移动杯子这种粗粒度任务。 但摄像头有盲区，而且感知不到手指和物体之间的细节，就像视力 5.0 的人戴手套做针线活，看得见线头，感觉不到针有没有穿过去。

第二条路：人类视频迁移。 这是最近很火的方向，EgoScale 用了 2 万多小时人类第一人称视频做预训练，EgoEngine 尝试把人类视频转成机器人数据。看似互联网上人类操作视频取之不尽，这路子行得通，但落到灵巧手上就不灵了。 原因很简单，就像看世界杯梅西踢球，眼睛学会了，但上场就不行了。视觉数据提供了动作的 "外观"，却给不了接触的 "手感"。

第三条路是遥操作数据驱动， 这条路线唯一的优点是数据质量最高，其他都是缺点，比如采集太贵，通道不够等等。 三条路走到灵巧手这里都卡住了，最核心的原因就是接触后的反馈闭环。

简单来说，怎么让灵巧手更好地加入触觉。

触觉，不是灵巧手领域的新话题。这个领域过去有很多探索，比如牛津大学机器人实验室做的 ETac，走的是表征学习路线，伯克利做的 ViTacFormer，就把触觉和视觉做交叉注意力融合，Tactile-VLA 则尝试把触觉直接塞进 VLA 框架。 结果不少实验室试了一圈，逐渐形成一个共识：

触觉可以 "硬塞进去"，但塞进去之后，模型表现反而更差了。

我们一起学习的。2026.7.2dm