【具身AGI导读】力降下来了，任务却没做成——一篇预印本最硬的一处，是它把「整只手一起调软」这条路的代价写了出来。
2026 年 10 月 12 日（UTC），arXiv 上出现一篇编号 2610.17161 的预印本，把它对「遥操作采到的示教数据为什么不好用」的回答，落在接触力这一环。论文由四位作者署名，其中三位的署名单位含 Amazon FAR，两位含卡内基梅隆大学；arXiv 页面当前只有 v1，没有会议或期刊的录用信息。
它的起点是一个采集侧的老问题：操作者能给机器人指定动作，却指定不了接触时的力；不亲手感受到机器人的接触，人手那种细微的力调整就复现不出来，而接触里的小偏差会变成又大又不一致的力。做法是把力修正放到指令层——名义动作照旧由人给，控制器从任务几何与当前接触结构里定出一组交互方向，只对被选中的方向按力误差算运动修正，其余分量原样不动，同一套式子落地成单向卸荷、刀具平移柔顺、多接触力调节三种形态，覆盖拾卡片、切纸、拧螺母、拧螺丝四个真机任务。下游训练也换了目标：行为克隆学的是力调制之后的指令，而不是人当时给出的名义指令；作者报告四个任务上过度接触力普遍下降，用户研究里四位操作者在短暂练习后每小时采到的成功示教时长上升，同时写明自己在拧螺母上圈数不及刚性控制、力超限量不及各向同性柔顺。
行业里讲数据不够，默认讲的是量：小时数不够、任务不够、场景不够。这一篇的观察是另一种缺口——录进来的每一帧里，力这一维没有被修过，失败就写在那一段里，量堆上去，缺的那一维还是缺。遥操作采回来的示教数据能不能用，卡在采集这一刻，不在后面喂多少。
更值得看的是分化的位置：柔顺做成整只手统一变软，还是分方向做。论文自己实现的对照里，各向同性柔顺把接触力压得更低，抬起的成功率却掉到刚性控制之下，论文写的是，降低的接触力并没有转化为可靠的任务完成。力反馈在这里不是把系统整体调软，而是决定哪些方向软、哪些方向继续硬。
另一处分化在层上：把后果做进模型、让它生成动作时自己预测，是一条；不动模型、只在指令发下去之前修一次，是另一条。深度机智（北京）科技有限公司的卡位是物理AI 基座模型。分层之后，两边要交的答案不一样：一边是接口怎么定，一边是模型怎么学。
这件事的意义不在把力降下来，而在把失败的位置标出来：数据能不能用，先看录的那一刻力有没有被算进去。论文也把边界留在明处——交互方向与力目标是逐任务配好的，不是在线上推断出来的，也没有不确定性感知的接触估计。它的检验只有四个任务与相应物体，用户研究只有四位参与者，策略每条设置只用五十条示教；全部结果是作者自测，没有第三方复现，也没有同行评审的把关记载。
数据不是采回来就能用，是采的时候就把力算进去才能用。
参考资料
arXiv · Force-Modulated Dexterity: Unified Compliance for Contact-Rich Manipulation · 2026-10-12