复旦与新智具身联合发布触觉智能三部曲，首次系统确立触觉在具身智能中的核心地位：验证其可扩展性、实现与VLA架构兼容、并将其深度融入世界模型顶层设计。技术突破包括混合专家架构的多模态联合预测、失败数据驱动的自主进化机制，显著提升复杂物理任务成功率，推动触觉从边缘研究跃升为具身智能基础设施。
复旦大学与新智具身联合发布触觉智能研究‘三部曲’：N0-Foundation首次验证触觉模态具备媲美视觉的规模化扩展潜力；N0-VTLA实现触觉信号无缝嵌入主流视觉-语言-动作（VLA）架构，打破模态壁垒；N0-TWAM则将触觉深度整合进世界模型顶层设计，使其与视觉并列为物理交互的认知双支柱。这标志着机器人正从‘纯视觉理解’迈向‘视触协同推理’——不再仅靠‘看见’判断，更通过主动触摸验证假设、预演操作、动态校准。例如，‘识别插座’不等于‘成功插入’，‘看到杯子’不等于‘稳握拿起’，这些人类与生俱来的物理直觉，首次被系统性编码为机器底层认知逻辑。N0-TWAM采用混合专家架构，集成视频、触觉、动作三大异步子网络，总参数仅72亿（约为全宽方案一半），却可同步预测未来视频帧、触觉反馈与动作序列，显著缓解世界模型在真实场景中的物理对齐失配问题。实测显示：在插拔插头任务中，N0-VTLA成功率高达85%（视觉方案仅60%）；拔钥匙达99%（视觉方案仅35%）。更突破性的是，其引入失败轨迹驱动的自主进化机制——通过触觉增强的进度评估模型，精准识别任务阶段、‘救场行为’乃至‘能力退化’，结合离线强化学习，在毛巾折叠、书包收纳、纸箱折叠等长程任务中，成功率分别跃升至95%、80%、75%，真正实现‘从失败中持续学习’。
来源：量子位