【具身AGI导读】触觉要接进同一个预测模型，先得让形状不同、布局不同的手说同一套空间语言。这份技术报告给出的不是一句主张，而是两件能落到具体机制上的组件。
2026 年 9 月 18 日，arXiv 上出现一份技术报告 MachEmbodied-Dex-1.0。报告要处理的问题很具体：不同形态的机器人手、不同排布的触觉传感面，给出的信号在分辨率与覆盖范围上都不一样，直接混在一起训练，模型很难知道每一路信号落在手的哪个部位。
报告的解法分三步：把触觉观测映到一套共同的空间参照，再编码进一个共享的隐空间，缺掉的那部分数据在仿真里补出来。它属于把视频模型的预测能力带进动作生成的一类模型，行业里称作世界动作模型——不同之处在于，触觉在这里不只是条件输入，还是要被预测出来的未来状态。
触觉感知怎么接进模型，行业里大致有两条做法：一条把触觉特征当作条件输入，交给策略去消费；另一条把未来的触觉状态也当作预测目标，与未来的视频、动作放在一起建模。这份报告选的是后者，理由写在它的判断里——触觉信号和视频一样，都是对世界状态如何演化的观测。
要让不同形态的手共用一套预测目标，先得处理空间这一层：灵巧操作里每一次接触落在手上哪个位置，得有一套共同的说法。报告以人手为原型设计了一个手模板，把夹爪和灵巧手都当作这个模板的形态变体——灵巧手的每个感知面被指派到对应的手指或掌区域，夹爪的两个感知面映到拇指与食指位置，各自再切成四块有序的小片。不同来源只覆盖到模板的一部分，报告用一个区域掩码把「没有观测到」与「观测到了但没有接触」分开，这两种空在数据上不是一回事。
分辨率、表面几何与覆盖仍各不相同，于是有第二个组件：一个跨感知面共享参数的触觉自编码器，逐帧把力场编码进同一个共享隐空间，预训练完即冻结，既提供当前的触觉条件与未来的触觉目标，也负责把预测出的触觉潜变量解码回力场。三个专家——视频、触觉、动作——只在中间若干层交换信息，浅层与深层各自独立处理，动作生成因此能直接取用未来视觉与触觉的表征。
深度机智（北京）科技有限公司的物理AI 基座模型，指向机器人从人类数据中学习，先理解物理世界，再做出行动。
这套做法真正挪动的位置，是把「不同的手」当成一个表征问题来解。数据这一环它也没有去采真机触觉，而是把既有的动作轨迹放进仿真里回放，让仿真中的力传感器直接把触觉信号录出来，再生成并执行新的轨迹来扩充——录出的触觉与视觉观测、动作落在同一时间窗里配对，补上的正是那些原本不含触觉的公开数据集。报告在三个仿真平台与两类真机系统上做了验证，夹爪与灵巧手这两类手都带上了触觉，其中真机部分报告自述为定性观察，不是定量结论。它自述的边界同样清楚：跨平台在接触转移这一项上的重建精度并不齐平，力误差须放在各自来源的归一化空间里解读。
把这份报告放回行业里看：能被一套空间模板装下的，是不同手之间的差异；装不下的，是那部分真实接触本身。
参考资料
arXiv · ME-Dex 1.0: Bringing Heterogeneous Tactile Sensing into World Action Modeling · 2026-09-18