隐式触觉重塑具身智能：50万小时视频如何训练出首个触觉世界模型？

在具身智能（Embodied AI）的演进图谱中，视觉长期以来占据着绝对的主导地位。大多数世界模型（World Models）能够精准预测物体的位移、形变甚至光影变化，但在处理“接触”这一物理交互的核心环节时，往往显得力不从心。它们能看到手伸向杯子，却难以预测手指接触杯壁时的微小形变或打滑风险。直到BeingBeyond智在无界发布Being-H0.8，这一局面才被打破。作为首个基于人类视频数据的隐式触觉世界动作模型，Being-H0.8不仅将触觉纳入隐空间表示，更通过50万小时的高质量视频数据，构建了一套从“预测”到“执行”再到“反馈”的完整闭环。这不仅是算法层面的创新，更是数据工业化处理的典范。

要理解Being-H0.8的突破性，首先需要厘清传统世界模型在触觉感知上的盲区。现有的视觉主导模型大多以像素重建或状态预测为目标，它们擅长回答“物体接下来会去哪里”，却无法回答“接触发生时力量如何分布”。触觉传感器的数据形态极其异构：有的提供离散的二值接触信号，有的输出连续的压力矩阵，还有的仅记录指尖的相对距离。这种非标准化的数据格式，加上大规模人类视频数据中普遍缺失触觉标注的现状，使得训练具备触觉能力的具身模型成为一道难以跨越的鸿沟。Being-H0.8的解决方案并非简单地堆砌传感器数据，而是通过“隐式触觉”的概念，让模型在缺乏显式触觉标注的情况下，学会从视觉线索中推断接触与受力状态。

该模型的核心架构由四个紧密协作的模块组成：负责预测交互后果的混合Transformer（MoT）、兼顾推理效率与实时调整的慢—快动作专家、统一触觉输入的通用触觉编码器，以及对齐多类动作空间的TopoHand。其中，MoT模块不再试图在像素层面重建未来每一帧画面，而是聚焦于隐空间中与任务强相关的交互后果，如接触发生的位置、力度的变化趋势。这种“隐式预测”大幅降低了计算冗余，使模型能够将算力集中在关键的物理交互判断上。

在控制策略上，Being-H0.8采用了独特的“慢—快”双流架构。慢速流负责缓存视觉、语言和全局任务状态等高成本上下文，维持长期动作计划的连贯性；快速流则在动作执行过程中，实时读取最新的触觉反馈和机器人状态，仅对接下来的一小段动作进行重算。这种机制使得机器人能够在遭遇突发接触（如抓取物体时发生滑动）时，无需重新规划整个任务，只需微调末端执行器的姿态或力度即可纠正偏差。例如，在执行“夹取薯片”任务时，快速流能根据指尖压力的微小变化，瞬间调整夹持力度，既防止夹碎物体，又避免滑落。

支撑这一先进模型的是被业界誉为“国内规模最大”的人类操作视频数据池——UniHand-3.0。智在无界汇聚了超过50万小时的第一人称视频数据，这些数据覆盖了自然物体交互、长时程任务及丰富手部动作。然而，原始视频并非直接可用的燃料。团队构建了一套复杂的数据处理管线，首先剔除无效片段，将长视频切分为语义完整的短片段，并辅以细粒度语言描述。对于手部状态，团队利用MANO模型和HMR技术，从裸手视频中恢复出高精度的运动轨迹；对于机器人数据，则统一了URDF规范、关节约定及相机坐标系。

最具挑战性的一步，是从无触觉标注的人类视频中“无中生有”地恢复触觉信息。Being-H0.8提出了TactoHand方案，其核心思路是利用三维几何关系推断接触。通过在21个人—物交互数据源上训练的3010万帧数据，TactoHand能够预测手部778个顶点上的接触标注和邻近度标注。它不仅能判断“是否接触”，还能描述“从靠近到接触”的连续过程。更重要的是，TactoHand引入了时序信息，有效避免了单帧视觉中因视角重叠导致的误判。

为了弥补几何推断在物理细节上的不足，UniHand-3.0还融合了约55小时、540万同步帧的真实压力手套数据。这些真实传感器数据被投影到统一的MANO手部表面，为模型提供了压力、摩擦及材质反馈等关键物理信息。视觉推断负责覆盖海量的场景多样性，而真实触觉数据则提供了精确的物理Ground Truth，二者形成了完美的互补。

在数据统一阶段，通用触觉编码器（Universal Tactile Encoder）发挥了关键作用。它将不同来源、不同粒度的触觉信号映射为一个由粗到细的触觉金字塔，从整手接触到指尖压力，再到逐顶点状态。每个触觉Token不仅包含物理信息，还携带三维位置、拓扑结构及有效性标记。特别是“有效性标记”的设计，巧妙地区分了“无传感器信号”与“零压力读数”，避免了模型对缺失数据的错误学习。最后，TopoHand模块将人手、灵巧手和平行夹爪的动作空间对齐，使得不同本体上的相似语义动作能够进入相同的表示槽位，极大地提升了模型的泛化能力。

Being-H0.8的成功，标志着智在无界在具身智能路线上完成了从“验证可行性”到“规模化应用”，再到“高质量物理经验提取”的三次跨越。创始人卢宗青及其团队指出，未来的核心壁垒不再仅仅是拥有多少视频数据，而是能否将数据清洗、动作恢复、触觉标注、世界建模与控制链路完整打通。Being-H0.8在真实双臂机器人实验中完成的包中取物、毛笔写字、挤牙膏等高难度任务，证明了隐式触觉世界模型在复杂精细操作中的巨大潜力。

这一进展不仅为具身智能提供了新的技术范式，也为行业解决多模态数据融合难题提供了可借鉴的工程实践。随着触觉感知能力的增强，机器人将不再只是环境的“观察者”，而是能够深刻理解物理交互本质的“参与者”。未来，随着更大规模视频数据的积累和模型架构的进一步优化，隐式触觉世界模型有望在医疗手术辅助、精密装配及家庭服务机器人等领域发挥关键作用，推动具身智能从实验室走向更广泛的实际应用场景。