丁文伯提出机器人“脊髓”架构，触觉智能的未来路径

在具身智能领域，视觉大模型（VLA）被视为提升机器人泛化能力的核心技术路径。然而，清华大学深圳国际研究生院教授、Xspark AI联合创始人丁文伯指出，单纯依赖视觉模型无法满足机器人在物理交互场景中的实时反馈需求。他提出的“脊髓”架构概念，为机器人触觉智能的发展提供了新的理论框架。

丁文伯认为，尽管视觉感知已能解决机器人对环境99%的信息获取需求，但在接触发生后的即时反应方面仍存在明显短板。例如，在机械臂操作中，如何判断手指捏合力度、杯子是否开始滑动，以及避免碰撞等场景，都需要触觉智能提供快速而准确的反馈。这种需求促使他思考：机器人触觉智能是否应该发展出一套不同于视觉模型的独立计算逻辑？

从第一性原理出发，丁文伯分析了触觉信息的特点：其信息量远不及视觉丰富，但对反馈效率的要求却更高。如果直接将触觉信息融入现有视觉模型，可能导致大量冗余或关键触觉信息被淹没。因此，他提出了“触觉原生智能”的概念，强调触觉智能应更轻量化、更快响应，并靠近机器人的物理执行端。

这一理念的灵感来源于人体生理机制：当人即将摔倒时，身体会先完成反射动作，而非经过复杂的认知过程。丁文伯将这种即时反应机制类比为机器人的“脊髓”，它处理的信息虽然不如视觉模型丰富，但能在接触发生的一瞬间做出反应，从而确保机器人在物理交互中的安全性和效率。

然而，从理论构想到实际应用，触觉智能的发展仍面临诸多挑战。首先是硬件层面的一致性问题：不同触觉传感器之间性能差异显著，导致模型难以在不同硬件间迁移。其次是数据层面的稀缺性：与视觉领域积累的海量图片和视频不同，触觉数据具有高度场景依赖性，同一动作在不同传感器或机器人上可能产生截然不同的数据分布。

针对这些问题，丁文伯提出了“跨传感器、跨模态、跨本体”的研究方向。他指出，短期内可通过优化特定多模态触觉传感器与现有模型融合的方式实现突破；长期来看，则需要构建一套独立于视觉模型的触觉智能体系。为此，Xspark AI提出了“慢脑 VLM—快脑 VTLA+TWAM—脊髓 VTA”三层架构：视觉语言模型（VLM）负责高层认知与任务规划；触觉与视觉、语言共同构成快脑（VTLA+TWAM），参与灵巧操作；触觉作为脊髓（VTA）的核心，在碰撞、滑落等场景下提供即时反应。

“同一种触觉信息，既要帮助机器人‘做得更好’，也要保证机器人‘来得及反应’。”丁文伯解释说，“这正是我们当前研究的重点所在。”

在具体实施路径上，Xspark AI采取了分阶段推进策略。短期聚焦于开发高性能触觉传感器及其与现有模型的融合方法；中期则致力于构建通用触觉智能模型，并将其应用于灵巧操作场景；长期目标是形成一套完整的触觉智能体系，使其成为机器人物理交互的核心支撑。

“我们正在探索触觉信息的 Representation 和 Embedding 方法，试图找到一种与具体硬件无关的共同表征方式。”丁文伯透露，“这是一个非常基础但也至关重要的研究方向。”

值得注意的是，丁文伯的研究并非孤立的技术探索，而是与整个具身智能生态紧密相连。在他看来，触觉智能的发展将推动机器人从“看见—理解—行动”的传统范式，迈向“感知—反馈—修正”的新阶段。这一转变不仅关乎技术进步，更可能重塑机器人在工业、医疗、服务等领域的应用场景。