丁文伯很难被一个词准确“定位”。通信博士、材料学博士后、机器触觉学者，这些标签都对，但都只能解释他的部分经历。
2025年，丁文伯又多了一个身份——Xspark AI（无界智航）联合创始人、首席科学家。一个做了多年传感器研究的清华教授出来创业，没有把公司定义成一家“传感器公司”。相反，他认为造出更好的传感器，并不会自动得到一个更聪明的机器人，机器人触觉可能需要一套自己的模型。
这个判断首先来自纯视觉的局限。
过去两年，具身智能最主流的技术路径仍然延续大模型的Scaling逻辑，即更多视频、更多机器人轨迹、更大的VLA（视觉-语言-动作模型），让机器人沿着“看见—理解—行动”的链条不断提高泛化能力。丁文伯并不反对这条路线，他甚至认为“VLA是一个蛮solid的逻辑，像早期Transformer、diffusion policy一样，一定会在具身智能（历史）长河里留下浓墨重彩的一笔”。
但机器人和语言模型最大的不同在于，它最终要伸出手，真正碰到这个世界。
在丁文伯看来，视觉其实已经解决了机器人感知世界“99%”的问题，触觉没有必要和视觉竞争。它更像是在视觉失效或者不够确定的时候，补上接触发生之后的信息。杯子有没有开始滑动，手指是不是捏得太紧，机械臂有没有撞到人，一个灵巧动作应该继续用力还是立刻修正。机器人一旦真正进入物理世界，问题就不只是“有没有看见”，还包括接触之后能不能及时感知、修正和避险。
问题也由此往前走了一步：如果机器人需要触觉，那么触觉应该以什么方式成为智能？
最直接的办法，是把触觉作为一种新的模态塞进现有模型。但丁文伯对此并不完全满意，他认为从第一性原理看，触觉的信息量远没有视觉丰富，却对反馈效率有更高要求。把它直接和整个视觉模型融合，要么产生大量冗余，要么少量关键触觉信息反而被视觉淹没。
这也是他开始提出“触觉原生智能”的原因。
触觉智能未必需要拥有视觉大模型那样丰富的语义理解能力，相反，它可能应该更轻、更快、更靠近身体。人快要摔倒时，并不会先识别“我正在摔倒”、分析原因，再决定伸手，而是身体先完成反射。丁文伯因此喜欢用人的“脊髓”来类比触觉智能：它处理的信息可以没有那么丰富，但要足够低延迟，能够在滑动、碰撞、失衡等发生的一瞬间做出反应。
不过，从“触觉很重要”到真正做出一套触觉智能，中间还有很长的距离。
首先是硬件。不同触觉传感器之间的一致性依然很差，即使同一批次生产的设备，性能也可能存在明显差异。模型因此很难像视觉模型一样，在不同硬件之间直接迁移。
其次是数据。触觉没有互联网时代天然积累下来的海量图片和视频，同一个动作换一个人、一个传感器甚至一个机器人，数据分布都可能发生变化。
再往后还有更基础的问题：触觉到底应该如何Representation和Embedding？不同传感器采集出来的力、温度、剪切、振动，最终有没有可能被转换成某种与具体硬件无关的共同表征？丁文伯把接下来两三年甚至五年的问题概括为三个“跨”——跨传感器、跨模态、跨本体。
所以丁文伯并没有声称，一套成熟的“触觉大模型”已经有了答案。他承认，目前更现实的仍然是一条折中路线：短期先把某一种多模态触觉传感器做好，再和现有模型融合；预训练阶段聚焦通用能力构建，触觉信息的引入与融合则放在灵巧操作的后训练和动作修正阶段。至于长期，他才倾向于认为，触觉最终会形成自己的模型和逻辑。
Xspark AI提出的“慢脑 VLM—快脑 VTLA+TWAM—脊髓 VTA”三层架构，可以看作前者判断现阶段的一种工程表达。在这套架构里，视觉语言模型构成“慢脑”，负责语义理解、高层认知和任务规划；触觉首先进入“快脑”，与视觉、语言和动作一起参与长程任务和灵巧操作；再往下一层，触觉成为“脊髓”的核心信息，在碰撞、滑落、安全等场景下完成更快的局部反应。同一种触觉，因此同时承担两种角色：在快脑里帮助机器人“做得更好”，在脊髓里保证机器人“来得及反应”。
这也让丁文伯正在研究的问题比“机器人需不需要触觉”更具体了一层。
视觉仍然会是机器人理解世界最重要的信息来源，VLA也仍然是主流路线。真正没有被定义清楚的是：触觉究竟只是现有视觉模型增加的一种输入，还是因为它对接触、运动和实时反馈的特殊要求，最终会生长出一套不同于视觉智能的模型和计算逻辑。
丁文伯现在做的，就是试图找到这个答案。以下是左林右狸与丁文伯的对话（在不改变原意的基础上做了部分编辑）：
左林右狸：2007年安徽省理科第三名，为什么读清华电子系？
丁文伯：当时没考到省状元，就“没法选经管”。那时候我们很多人都想读经管。刚好来招生的是电子系老师，他跟我讲了一番电子系的“宏伟蓝图”，最后我就去了电子系。我记得当年我们学校有几个同学，分别是全省第二、第三、第六名，最后全被这位老师招进了电子系。左林右狸：这位老师当时给你讲的“宏伟蓝图”是什么？
丁文伯：他的“宏伟蓝图”其实很简单，他说你学不了经管，清华在安徽只招一个人，你去不了。后来我才听说，经管在安徽其实招了5个人。不过也没关系。前两天我还跟同学说，人生里很多选择，当时你可能觉得自己做了一个很好的决定，但最后真正改变人生的，往往是一些不经意的选择，甚至是被迫做出的选择。左林右狸：2011年，本科毕业之后，为什么选择系里面最难进的通信所直博？
丁文伯：首先，那时候通信很火。其次，我本科成绩比较好，自然会像选本科专业一样，去选一个当时看起来最好的方向。但这也是受限于当时的认知。等我博士毕业，到了2016年前后，其实通信领域的研究重心已经开始从学术界转移到工业界。这个变化，学生身在学校里很难真正意识到。左林右狸：有资料说，你读博前三年研究没有丝毫进展，没有SCI，也没有奖学金。
丁文伯：也不能说完全没有进展，那种说法多少有点“包装”。我其实一直很努力，导师对我也很好，也会发一些小论文。但我自己知道，那些工作很多时候是导师给一个想法，我把它认真做完。我并没有真正学会怎么从零开始提出一个问题，再把它做成一项研究。那时候我还很认真地写专利，因为专利比论文容易入手；也会帮导师写项目申请。我一直是想法很多的人，但当你对一个领域理解得还不够深的时候，很难真正从零开始做研究。那时我对自己最大的判断是：我可能没有从零开始做科研的能力。直到后来一位师兄带我把一件事情完整做通，我才发现，不是我没有这个能力，而是之前没有找到合适的方法。我在清华一直想学游泳，但总也学不会。好不容易选上游泳课，老师第一节、第二节就教很规范的动作，我还是学不会，最后只能退课。毕业前，我找了一个刚刚学会游泳的师弟。他大概花了10分钟就把我教会了。动作当然不标准，游得也不快，但我确实能游了。为什么？因为他刚刚踩过那些坑，知道一个初学者真正卡在哪里。后来我意识到，科研也是一样。大概博三的时候，一位刚留校的师兄做完了一篇论文。他把一套还没有完全成型、大概做到七八成的代码给我，说这个方向可以继续做，但剩下20%、30%要靠你自己补。我第一件事就是把代码跑通。后来发现，在一些边缘场景里，性能甚至比他预想得更好，这些是他原来没有注意到的。那时候我才意识到，自己其实还是有钻研能力的。真正写论文的时候，这位师兄也非常有经验。我记得有一个寒假，我已经回家了，我们几乎每天都在改。40天左右，他帮我改了将近60遍。那篇论文改完之后，我才真正觉得自己从科研门外走到了科研里面，知道一项好的工作应该怎么做。左林右狸：2016年博士毕业后，当时拿到哪些博士后offer？
丁文伯：我没有特别大范围地找，最后主要有两个机会，一个是MIT，一个是Georgia Tech（美国佐治亚理工学院）。MIT做的是信息论，还是传统通信方向，而且非常硬核。Georgia Tech这边，则和清华电子系希望我转方向有关。当时系里虽然有留我的计划，但做通信的老师已经很多，希望我换一个方向。那个时候我其实很难理解。我会想：我都已经这么努力做到这个程度了，为什么现在又让我换？现在回头看，这是很多更资深的人站在更高的位置给出的中肯建议。但当时没办法，有点“胳膊拧不过大腿”。MIT我当然很想去。我甚至觉得，如果本科毕业直接出国，大概率也会去申请MIT博士。再后来我太太去了哈佛，她也很希望当时的我选择MIT（这是后话了，所以后来她在哈佛读书那段时间，我经常周末往返亚特兰大和波士顿去给她做饭）。但最后我没去。因为我当时想了一件事：要做，就做一件不一样的事。如果继续做通信，我大概率很难超过原来的导师，包括MIT那边的导师。既然如此，不如干脆换一个方向。所以我去了Georgia Tech，开始做偏电子皮肤的研究。现在回头看，这里面确实有很多“阴差阳错”。左林右狸：在Georgia Tech刚开始的研究方向是什么？
丁文伯：刚过去，王老师（王中林，国际顶尖纳米科学家和能源技术专家）让我做一个软硬件结合的用户身份认证系统。我完全不会。博士期间我主要用MATLAB（矩阵实验室）做算法优化。这个项目是一位师兄留下来的，但之前一直没有完成实时系统，只留下了一个概念和初步原型。我不会LabVIEW（实验室虚拟仪器工程工作台），也不会NI（美国国家仪器公司）的数据采集系统。只知道大概要先把传感器数据采出来，再写算法，最后做一个界面。我大概花了一两个星期，从完全不会做到把整个系统跑通。每天就在YouTube上看教程，我记得看的是一位台湾老师讲NI的课程，因为官方说明书我实在看不懂。刚好当时最新版LabVIEW可以和MATLAB兼容，所以我就用了一个最直接的办法：所有数据采集用NI，所有算法用MATLAB。最后系统做出来了，界面也做得比较完整。大概一两个星期，我把之前一直没有真正做成的东西做了出来。左林右狸：最后为什么没有成为一个典型的材料科学家，而是往传感器和信息处理方向走？
丁文伯：我刚过去的时候，是真的想从头学材料。我一直觉得自己能学，态度也很认真。但我内心还有一个很现实的想法：做材料太辛苦了。一个实验经常就是大半天甚至一天。我后来发现，很多实验步骤其实可以自动化，所以我就把能自动化的尽量都自动化了。我也认真跟做材料的同学学过。他们教我喷涂、纺丝，但我发现自己有一个问题——手比较笨。同样的流程，他们一做就能出来，我可能要反复很多次。当然，他们已经接受了本科、博士阶段的材料训练，我是完全从零开始，很多基础知识都没有。慢慢我意识到，自己大概率不会成为一个非常优秀的材料科学家。但我发现自己很擅长另一件事：系统集成，以及跟不同背景的人合作。以前组里有人能做出很好的材料传感器，但很难把它做成一个完整、稳定、可复现的系统。这个事情我能做。所以那段时间我的合作非常多。如果我愿意开口，基本不会缺共同一作的论文。但大概一年半以后，王老师又说了一句话，把我点醒了。他说：“文伯，你不能只是享受和别人合作、一起署名。你得有自己的代表作，要有真正属于自己的东西。”当时我经常跟实验室同事吴昌盛讨论，他现在是新加坡国立大学教授。他那时博士快毕业，我的博士后也快结束，我们都在想下一步。大概2017、2018年，我们开始觉得机器人值得做。但具体怎么做，我们也不知道。反正有空就在想这件事。丁文伯：王老师整个学术版图里，很多方向已经有师兄做得很好，成为代表人物了。我们就在想，还有什么事情是自己可以真正立住的？当时软体机器人开始受到关注，而且王老师研究的材料天然就是一种柔性传感器，做的人又没有那么多。本质上还是两个判断：一是这个方向未来有没有机会，二是我们自己的能力和背景能不能做。当时觉得，这件事我们能做，逻辑其实很直接。02 一个更好的传感器，不会自动带来一个更聪明的机器人
左林右狸：2019年，你回国第一年就建了SSR实验室？
丁文伯：其实2018年我就开始想做机器人，只是还不知道具体做什么，所以先起了一个名字：Smart Sensing & Robotics，简称SSR，也就是“智能感知与机器人”。我这个人比较喜欢谐音梗。玩卡牌游戏的人都知道，SSR代表“Superior Super Rare，特级超稀有”。我就跟学生开玩笑说，做得好不如选得好，选择有时候比努力更重要，所以就用了这个名字。丁文伯：大的方向就是机器触觉，但说实话，当时学生和我都很懵。我们不停地问：到底什么叫机器触觉？是做电子皮肤，还是做别的东西？所以最开始还是从电子皮肤入手，同时延续王老师那套摩擦电的技术路线，也做出了一些比较有意思的工作。左林右狸：选择机器触觉，和你博士期间做通信研究有关吗？
丁文伯：最初选择机器触觉，跟博士期间的通信研究关系其实没有那么大。当时更多还是在判断，未来哪里有机会。但真正让我后来能在机器触觉这个方向立住，确实有两个工作，而且都跟我之前的积累有关。第一个是MTSensing，基本可以看作博士后工作的延续。2018年我和吴昌盛决定开始做机器人以后，他因为计划去另一个地方做博后无法专门关注触觉，我很快会独立能够自由选择方向，所以我就先做触觉。我们发现，王老师提出的摩擦纳米发电机，本身就很适合拿来做触觉。但一开始也不知道具体能做什么。一路做到2020、2021年，最后把它做成了一个完整系统，用单个柔性摩擦纳米发电机，同时识别物体的材质和纹理。MTSensing做完以后，我们碰到一个很现实的问题：电子皮肤本身可以做得很好，传感器也可以做得很漂亮，但真正制约系统的，往往是皮肤后面的芯片、电路、模数转换这些东西。我是电子技术背景，所以很早就意识到，这里会成为瓶颈。但集成电路又是我当时做不了的事情。这个领域跟纯软件不一样，里面有大量依赖长期经验积累的东西。大概2019、2020年，我们开始关注视触觉。契机是我的一个学生。他原来就在做视触觉，进组以后希望继续。我有一天突然问他：为什么这么多年，视触觉基本都围绕红、绿、蓝三色可见光来做？我博士期间做过可见光通信，所以我的直觉是：通信的频谱这么宽，为什么视触觉只能用可见光？为什么不能增加紫外、红外，甚至其他波段？我简单查了一下，发现没人这么做，而且我们有能力做。这个问题一打开，后面很多工作就顺着出来了。大概从2021年开始，我们沿着多光谱视触觉一路往前做，包括后来发表的M³Tac，以及今年发表在 Nature Sensors 上的SuperTac。SuperTac本质上是一套多模态触觉系统，把多光谱成像、摩擦电感测和惯性测量等技术结合在一起，让机器人同时感知力度、位置、温度、材质、纹理、颜色、振动、滑动、碰撞、接近等多种信息。所以回头看，这两条研究线其实很清楚：MTSensing更多延续了我的博士后积累，多光谱视触觉则把我博士期间做通信、博士后做传感器的知识重新接了起来。左林右狸：实验室从做传感器到具身智能，具体转折在哪一年？
我一开始对“具身智能”这种新词其实很谨慎。学术界这些年不断出现新概念，从压缩感知到Transformer，我的态度一直差不多：有用就用，没有必要为了追热点去凑。当时组里已经有几篇不错的硬件工作，几个学生跟我说：“丁老师，做硬件太苦了，我们想做具身智能。”我的想法很简单：如果你做成了，那实验室就多了一条路；如果做不成，大概率自己还会回来。结果三个月以后，学生回来跟我说，他们“做不了具身智能”。但我一直觉得，没有必要一开始就把一个人的可能性扼杀掉。他愿意尝试，说明他对这个方向有兴趣。这可能也受我自己读书经历的影响。我的导师以前也很少直接否定我想尝试的事情。丁文伯：我们组从系统、材料、硅胶，到器件制备、嵌入式、算法，基本都做。为什么很多学生更愿意做计算机视觉？因为跑代码、调参数，今天有了各种AI编程工具以后，门槛还在进一步降低。硬件不是这样，很多事情必须一点一点做出来。以前甚至还有一条“鄙视链”：做算法的看不上做硬件的，做硬件的看不上做材料的，做材料的又看不上做化学的。但真正做机器人以后会发现，这些东西最后都得接起来。左林右狸：为什么一个更好的传感器，不会自动带来一个更聪明的机器人？
丁文伯：很多做传感器的人本身是硬件背景，我觉得未来这个思路必须改变。在我的课题组里，我一直要求做软件的人尊重做硬件的人，做硬件的人也必须非常开放地和做软件的人合作。我记得一位机器人前辈跟我说过：不要看现在大家都讲具身智能，对于真正做机械的人来说，只要给一个固定任务，他一定能把机构设计得足够好，效率甚至可以超过人。我当时也认同这个判断。但现在做泛化机器人的人又提出了另一套思路。AI出来以后，其实所有人都在被重新教育。左林右狸：请总结一下SSR实验室成立以来，研究方向转换的几个节点。
那时大家都觉得做材料、做器件太辛苦，开始想转向人工智能和具身智能。但当时组里的学生总体还是偏机械、硬件背景，真正做具身智能的能力没有那么强。到了2024年，我开始意识到：我们已经把传感器做到了很好的水平，但一个最好的传感器，依然不会自动产生智能。可能我们过去对“智能”的理解本身就有偏差。所以从那时开始，我充分鼓励学生，也包括我自己，去学习AI，同时开始大量招做AI的学生。2022、2023年，我们可能只招过很少的纯AI学生；到了2024年，我印象里新招的学生基本都偏AI方向。但本科是计算机，不代表真的懂AI。所以我会把一些学生送到我认为最好的团队和公司去学习，包括字节、小米等。一个学生如果本身是好苗子，只是缺某项能力，我宁愿让他先去这个领域最好的老师、最好的团队学习，再回来跟我一起做事。我后来发现，这种方式效果很好。培养学生的目标应该是让他成长，而不是把他攥在手里变成自己的资源。2024年是一个明显的转折。到2025年，我们进一步意识到，机器人触觉可能需要一套自己的模型。但紧接着发现，连数据都没有。所以我们又开始做数据采集。到了今年，我更关注的是未来触觉模型到底应该长什么样。这可能是我未来三到五年最想研究的问题。你说方向变了吗？我觉得其实没有。我不会因为今年大家说世界模型火，就马上宣布自己也要做世界模型。今年年初很多人都在讲世界模型，我其实一直比较谨慎。触觉是我绕了很久以后，才真正找到的一件自己特别感兴趣、也特别愿意长期做的事情。它不是因为某一年火了我才去做。只要没有特别大的外力推动我改变，我应该会一直做下去，在触觉里面继续寻找新的问题。左林右狸：对你而言，一个触觉传感器是材料器件，还是信息系统？
丁文伯：它首先是一个信息系统。我一直都是这么理解的。大概2023年前后，我们SuperTac原型已经做得差不多了。当时我们就觉得，这项工作会成为触觉领域一个比较重要的里程碑。无论模态种类还是系统能力，当时都没有太多人这么做，到现在我们也认为它在学术界和产业界都属于比较领先的水平。但也是那个时候，GPT-4前后的一系列变化对我刺激很大。我每周三上信号处理课，美国时间周二晚上经常刚好有GPT的新版本或者新能力发布。结果我周三下午去上课，就会发现这个东西又变了。连续上了一两年以后，我甚至产生一个感觉：这门课是不是都不用再这么上了。我做传感器从来没有这种感觉。传感器有人真正用起来，它才有价值；没人用，再好的性能也没有意义。但AI和大规模数据展现出来的Scaling能力，确实非常强。所以后来我跟学生说：我们不光要造最好的传感器，还要让这个传感器产生足够多的数据。只有这样，触觉才能真正往前走。丁文伯：最直接的问题是容易出现位置偏差。比如视觉估计深度不准，机器人就可能抓不到。很像你在水下抓鱼，里面有折射、反射，看到的位置和真实位置并不完全一样。但实事求是地讲，这些问题在很多工业场景里并不是主要矛盾。透明物体检测、透明物体堆叠，在工业和生活里的占比可能只有1%。从概率上看，大部分场景视觉已经做得非常好了。自动驾驶也是一样。你总能找到一些特殊情况，比如全反射玻璃、强光，让纯视觉方案失效，这时候激光雷达可能更可靠。触觉也是同样的逻辑。视觉可能已经解决了99%的问题。单靠触觉去摸一个东西，准确率未必能到90%，可能30%、40%就不错。但视觉和触觉结合，可以继续提高整个系统的准确率和安全性。我们现在讲可信AI，一方面模型本身要可信、稳定；另一方面，机器人真正进入物理世界以后，碰到一个物体、一个人，不能造成伤害，这种安全反馈很大程度上要依赖触觉。我认为触觉在后训练阶段引入，效率会比较高。预训练本身需要的数据量和复杂度都太大，所以现阶段我们更倾向于：预训练阶段聚焦通用表征与基础能力构建，触觉信息则在后训练阶段引入并深度融合，重点发挥其在灵巧操作中的反馈作用，尤其是对精细动作修正的支持。左林右狸：今天机器人触觉最大的瓶颈是什么？硬件、数据、模型还是成本？
首先是传感器一致性。哪怕都是视触觉传感器，或者都是电子皮肤，同一批次生产出来的传感器，性能都可能不完全一样。结果就是，一个模型往往只能锚定某一种传感器继续训练。所以我们下一阶段很想解决一个问题：未来能不能让不同传感器产生的数据，在进入模型以后拥有相似的有效特征。这是未来两三年甚至五年都值得解决的问题——跨传感器、跨模态、跨本体。成本也很重要。未来如果触觉传感器能够做到非常便宜，甚至像日抛眼镜一样“一拉即用，用完即抛”，也是一种可能。从第一性原理看，人类触觉的信息量没有视觉那么丰富，但效率非常高。现在的问题是，如果直接把触觉和整个视觉模型融合，要么产生大量冗余，要么关键触觉信息反而被淹没。这个问题我现在也还在思考，实话说。短期我们会采取一个折中方案：先把某一种多模态触觉传感器或者触觉方案做好，再和现有模型融合。但从长期来看，我认为触觉可能需要一套自己的模型和逻辑，更像人的脊髓，或者一套低层级、快速响应的神经系统。丁文伯：这是一个好问题。但我现在反而觉得，不应该急着用“最小单位”去定义触觉数据。我们更关注的是，触觉数据到底应该怎么做表征和嵌入。最近我还准备找一些做神经科学的老师一起研究这个问题。如果只从物理意义上讲，一个像素上有多大的力、温度是多少、有多少剪切力，这些当然都可以作为基本信息。但真正转成机器人能理解、能用于控制的信息以后，最后有用的东西可能反而是一个等效六维力。手掌上可以布很多触觉传感器，真正进入操作和感知模型以后，哪些信息才有效，这是另外一个问题。早期很多做机器人控制的人会说：你不用给我触觉，只给我关节六维力，我也能做精准控制。我觉得这里中间一定还有差距。所以我现在不急着定义“触觉的最小基本单位”。你今天定义完，明天可能就有人做出新的东西把它推翻。左林右狸：不同传感器、不同材料、不同机器人产生的数据，怎么统一？
比如先找一些和具体传感器无关的参数，把不同传感器的数据转换成某种共同的信息，再进一步研究一些二阶参数。这样可以尽量减少传感器校准误差，以及不同传感机理造成的差异。这部分研究还比较早，也比较前沿，现在不太方便讲太多细节。但我觉得这个问题非常值得做。左林右狸：触觉数据质量应该怎么评价？怎么判断一组数据有没有训练价值？
丁文伯：最直接的标准，就是它到底能不能训出一个有用的模型。比如完全不用视觉，只靠触觉，机器人能不能完成一些任务。如果能做到，这就是一个很直接的评价。真实采集过程中，也会遇到明显的问题。比如我们明明知道某个位置没有发生接触，但传感器突然产生了信号。从模型训练的角度看，这就是比较脏的数据。但我还有一个比较激进的观点：人类并不是靠绝对精准来做事情的。比如妈妈让你练毛笔字，不可能要求你每一次落笔都精准到同一位置偏差小于毫米。很早以前，有几家做大模型训练的公司跟我们提要求，说你的触觉数据必须精准到亚毫米，我们才能训练。我当时就在想，那可能是因为模型本身还不够强，所以才对数据精度要求这么高。我们现在越来越认为，数据的高质量、多元化和多模态，比“绝对精准”和“全覆盖”更重要。同一个动作，每次采出来的数据都可能不一样。但重复训练以后，模型反而可能自己学到：哪些变化不重要，哪些信息才真正关键。这种差异性本身可能就是有价值的。所以，高质量不意味着完全一致，也不等于高精度。当然，现在模型能力有限，数据量也有限，所以高精度仍然是一个现实问题。左林右狸：你之前提到说触觉未来可能需要自己的模型。触觉原生智能和视觉、语言的原生智能，根本区别在哪里？
丁文伯：这个问题我最近确实认真研究过，还专门找了一些神经科学、神经调控的老师讨论。从大脑机制来看——我说得不一定完全准确——视觉感知更多依赖大脑皮质层，它能够承载非常丰富的信息。但现在有一些研究认为，人类和动作、导航、跌倒平衡、操作相关的能力，可能还依赖更深层的大脑结构。他们给我看过一个经典实验：去除一只小猫部分皮质层以后，它可能无法很好地感知颜色或者复杂视觉信息，但依然可以在迷宫里穿梭，甚至跳跃。所以我觉得这至少说明一件事，触觉代表的不只是“另一种感知模态”，它和运动能力、空间交互能力绑定得非常深。未来它可能需要和视觉系统分层，甚至形成一套相对独立的架构。还有一个更直观的例子。人跌倒的时候，会本能地伸手撑住。你甚至还没有意识到发生了什么，身体已经完成了反应。所以我认为，触觉未来一定会往边端走。你可以叫边缘计算，也可以叫边端智能。触觉的感存算一体，甚至可能比视觉更加迫切，因为它追求的是高效、快速和低延迟。而且触觉数据本身没有视觉那么丰富，所以触觉模型也不应该简单照搬视觉路线。我觉得至少有几个要求：轻量化、解决学习冷启动，以及更强的泛化能力。左林右狸：那你怎么看现在的VLA？它最明显的能力边界在哪里？
丁文伯：我不太愿意给VLA划一个特别明确的能力边界。因为你今天说“边界在这里”，很快就会有人证明它还能继续往前走。但有一点比较明确：现在的VLA在很多任务上，还做不到像人一样自然，尤其是灵巧操作。夹爪相对容易，因为动作空间比较简单；但灵巧手自由度一高，动作复杂度和自然程度就会明显上升。现在也有很多人在研究VTLA（在VLA基础上引入触觉tactile），也就是把视觉、触觉、语言和动作结合起来。但也有人跟我吐槽，一加触觉，原来的VLA反而“崩了”。有人问我，世界模型和VLA到底哪个更强，甚至有人说不应该做VLA，应该直接做世界模型。我对这种说法持否定态度。VLA是一个蛮solid的逻辑，像早期Transformer（一种深度学习架构）、diffusion policy（扩散策略）一样，一定会在具身智能（历史）长河里留下浓墨重彩的一笔。它有点像元宇宙，像spatial intelligence（空间智能），它不是一个technical的代名词，而是一类能力，比如prediction，基于现在状态预测。但早期的Markov decision policy（马尔可夫决策策略）、reinforcement learning（强化学习），也可以做类似事情。那你说，它到底要不要叫世界模型？左林右狸：第一次认真产生成立公司的想法是什么时候？
第二，我本身也一直比较关注工业界，因为我们做的很多研究还是偏工程。那时候已经有一些学生被我们送去企业实习。另外还有一个契机。当时有一家现在估值已经进入行业前三的具身智能公司，希望邀请我去做首席科学家，邀请我的也是很好的朋友。我想了很久，最后觉得，与其去成熟的公司做首席科学家，不如尝试 0-1重新创办一家。丁文伯：最开始，熊祺主要负责公司运营，天行负责模型交付和评测，我更像是负责一个前沿研究团队。学校里的一些知识产权和正在做的研究，需要明确区分。有些工作太前沿，不适合直接放进公司，就继续留在学校；有些工作已经相对成熟，可以进一步产业化。也有一些学生愿意到公司实习，所以学校和公司之间会有这种人才和研究上的互动。当然，我过去的经历决定了，我也不是一个典型意义上只做研究的研究者。所以在公司里，商业拓展和战略制定，我和熊祺也都会比较深地参与。左林右狸：你们提出了“慢脑 VLM—快脑 VTLA+TWAM—脊髓 VTA”三层协同架构，分别负责高层认知、物理执行及安全兜底。这个灵感是来自生物神经系统，还是自动驾驶里面的一套分层架构，感知、决策、控制？
丁文伯：都有。熊祺是自动驾驶背景，过去在蔚来做过交付，对自动驾驶里的安全架构比较熟悉。但“脊髓”这个概念是我提出来的。自动驾驶里可以用独立的主动安全系统做防碰撞，但具身智能不一样。机器人很多任务的前提就是要发生接触。既然一定会碰，就必须有一个“脊髓级”的系统，在接触发生以后快速反应。我一直有一个触觉类脑计算的想法。未来触觉应该有更高效的底层计算逻辑，它和视觉大模型之间，可能需要有一个比较明确的层级区分。首先，触觉不是“慢脑”的核心。慢脑更多负责语义理解、高层认知和想象，可以类比人的大脑皮质。触觉首先进入“快脑”。因为快脑要做灵巧操作，尤其是长程任务里的灵巧操作。如果没有触觉，很多真正发生接触的任务就很难完成。但到了“脊髓”这一层，触觉是核心。遇到危险要及时躲避，物体快掉了要迅速抓稳，这些都需要触觉。所以大概是这样一个分层：脊髓追求极致的快，不要求信息特别丰富；快脑需要更丰富的多模态信息；慢脑更多负责思考和理解。比如拧魔方、摆杯子、摆盘子，真正操作的时候要靠快脑和触觉；慢脑更多决定你为什么要这么做、下一步做什么。左林右狸：脊髓VTA，它和传统工业机器人里面的力控急停有什么区别吗？
丁文伯：传统力控或者急停，我理解更多还是基于比较简单的等效量，比如单点力的大小。这和过去传感器能力、处理能力有限有关，所以系统只能关注少量信息。我们设想的VTA或者“脊髓级”系统，前提是能够获得更丰富的触觉信息。当然，我不会简单说两者完全不一样。很多科学和工程思想本质上是相通的。区别主要在信息丰富度。脊髓VTA拿到的不只是力，也可能包括温度、滑动、接触状态等信息，它本质上是一种多模态触觉系统。丁文伯：评测其实分两类。一类是模型量产交付、或交付到具体场景应用时做的质量评测，这是质量管理问题，交付团队自己就要做好，就像工厂的出厂检验，不需要别人替你做。真正需要第三方的是另一类：横向比较不同团队的模型和算法。这就像比赛，自己既是运动员，又是裁判员，显然不合理，必须有独立的第三方来保证公平。汽车也一样——每家车厂都要做自己的质检，但安全星级要由独立机构来评，不然每家都说自己的车最安全。我们现在把这类评测放在独立的第三方非营利组织里，也是希望通过评测建立一个共同生态，减少行业里一些没有必要的重复竞争。丁文伯：我们的主要业务是原生触觉模型和整机服务，我们希望做好可信物理智能真实落地的生意。数据作为模型训练的infra，我们也有一定的商业化探索。丁文伯：目前最大的成本还是硬件。因为我们还在重新定义下一阶段的触觉硬件到底应该是什么，所以现阶段没有特别着急压成本，而是尽量使用最好的传感器先把数据做出来。我们现在首先考虑的不是怎么把传感器做便宜再卖出去，而是先把方案跑通。丁文伯：一个比较重要的点是，我们自己懂模型。因为懂模型，所以会更清楚什么样的数据真正有训练价值，目前交付效率会比较高。比如客户采购100小时数据，提出一套标准，最后可能有90%的数据真正有效，这种交付效率我们是可以做到的。有些情况下，行业里采100小时数据，最后可能只有20小时真正能用。这跟我们长期做评测也有关系。评测让我们能够比较平等地看到不同模型各自的长处和短板，也会逐渐知道什么样的数据对什么样的模型更有效。左林右狸：你认为Xspark AI和其他公司相比，竞争优势、劣势分别是什么？
丁文伯：我一直承认，市场上的很多团队都很强，每一家都有自己特别突出的地方。如果说我们有什么特点，我觉得首先是三个创始人的想法比较同频，彼此之间信任也很强。天行很年轻，身边聚集了一批非常优秀的年轻学生，这些人是真的会为了技术本身去追求极致。我在清华待了比较久，也有很多学生愿意跟着我一起探索一些未知的问题。熊祺过去在不同公司、不同阶段都做过事情，很多人是认可他的能力以后，愿意降低原来的薪酬水平加入我们。我跟熊祺说过一句话：我们只要“意念合一”，很多困难都能克服。如果一定要说不足，可能就是我们三个都不太擅长宣传，显得没有那么“吸引眼球”。关于丁文伯，左林右狸还准备了另一篇《我所知道的丁文伯》。相比这篇对话聚焦触觉智能，另一篇更关心他一路走来的那些偶然与转折：2010年，他如何错过汤晓鸥的一次选拔，后来回看仍觉得是个“很stupid”的决定；赴美访学期间，又如何在一个圣诞节偶然重逢王中林团队的高中师兄；以及在不同阶段，哪些老师、同学和合作者真正改变了他的研究选择与人生走向。
