為什麼一個紙杯，比語言模型更難？
請拿起一個空紙杯。
不要想，只要做。
你的手會自然地靠近杯壁，拇指與其他手指在兩側形成支撐。杯子很輕，所以你幾乎不需要用力。接著，把水慢慢倒進去。隨著重量增加，你的手指會在沒有命令的情況下，自動多收緊一點。水在杯中晃動，重心不停改變，你的手腕與手臂也跟著做出微小修正。
如果杯壁沾到水，摩擦變小，你會更警覺；如果旁邊有人碰你一下，你可能先握緊，再把手臂往身體靠；如果紙杯開始變形，你又會立刻放鬆，避免把它捏扁。
整個過程也許只有幾秒鐘。
你沒有求解方程式，沒有在腦中估計摩擦係數，更沒有逐條命令每一塊肌肉。但在這幾秒裡，你的視覺、觸覺、力覺、前庭系統、本體感覺和多年經驗，已經完成了大量閉環修正。
這就是具身智能最容易被低估的地方。
語言模型可以在幾秒內寫出一篇關於「如何拿紙杯」的完整說明，真正的機器手卻可能在第一次接觸時，把紙杯捏扁、讓它滑落，或在水量增加後來不及調整。
它不是不知道杯子是什麼。
它是不知道自己正在怎樣碰它。
一、看見杯子，只完成了任務的前半段
電腦視覺的進步，讓機器能辨認杯子、估計位置、建立三維輪廓，甚至理解「請把半杯水拿到桌上」這句話的語意。
但視覺只能提供部分答案。
杯壁到底有多軟？手指和表面之間是否正在滑動？杯子內部的重量是否突然增加？抓取點是否偏離重心？這些資訊有時能從畫面猜測，卻無法只靠畫面可靠取得。
尤其當接觸位置被手掌遮住，或物體內部狀態不可見時，機器必須依賴觸覺與力覺。
力覺回答的是：「我用了多少力？」
觸覺回答的則更接近：「這個力落在哪裡？表面正在滑嗎？物體是否變形？接觸是否穩定？」
兩者都不是裝飾性的附加感官，而是把動作從開環命令變成閉環控制的關鍵。
沒有它們，機器只能按照事先算好的軌跡伸手；有了它們，它才有機會在世界偏離預期時修正自己。
二、手指不只是感測器，也是計算的一部分
人類的手並不是一組感測器，加上一組馬達那麼簡單。
肌腱的彈性、手指的形狀、皮膚的摩擦、關節的限制與物體本身的變形，會共同分擔控制工作。當我們握住一個形狀不規則的物體時，手掌與手指會在一定程度上被動貼合，不需要大腦逐一計算每個接觸點。
這種「把計算藏進身體」的概念，在機器人學中常被稱為形態計算或具身計算。
2026 年《Nature Communications》一篇關於軟體機器人物理計算的觀點文章，指出材料、結構與控制器可以共同承擔資訊處理；一個設計良好的柔性結構，本身就能吸收衝擊、適應形狀，減少中央控制器必須即時處理的負擔。
這也是為什麼，更靈巧的手不一定等於更多馬達。
關節越多，理論上可做的姿態越多；但致動器、線纜、熱量、重量、故障點與控制維度也一起增加。2025 年發表、2026 年刊出的 Tactile SoftHand-A，只使用少量致動器與欠驅動結構，配合指尖觸覺，就能處理柔性杯子在重量突然變化時的抓取修正。
它的啟示不是「少馬達一定比較好」，而是：真正的靈巧，來自機械結構、感測與控制的共同設計。
如果身體本身願意幫忙，大腦就不必處理所有細節。
三、滑動往往比掉落早一步發生
人類拿東西時，不會等到杯子真的掉下去才反應。
在物體明顯位移以前，指尖已經能察覺很小的剪切力、震動與局部滑移。這些訊號讓神經系統提前增加握力，阻止掉落發生。
機器人若要擁有相似能力，就必須把接觸事件的感測速度提高到足夠快，並讓低層控制迴路能直接反應。
截至 2026 年，研究者正在嘗試多種觸覺來源：以相機觀察柔性表面變形的視覺式觸覺、壓力陣列、應變感測、聲學訊號、震動訊號，甚至把不同訊號融合成統一的觸覺表徵。
2025 年提出的 Sparsh-X，使用約一百萬次接觸互動，結合影像、聲音、動作與壓力等觸覺模態，試圖讓模型不只辨識「碰到了什麼」，還能推斷材料、力道與物體狀態。2026 年的 TouchWorld 預印本則更進一步，把觸覺分成兩個時間尺度：高層用來預測接觸目標，低層用來快速修正滑動、偏移與力道不匹配。
這和人的控制方式非常接近。
我們不會讓深思熟慮的大腦皮層，獨自處理每一個即將滑落的杯子。快速、局部的修正必須在更靠近身體的層級完成。
因此，「讓手部晶片自適應抓取，減少大腦運算」這個想法有合理方向，但更精確的表述應該是：把高頻接觸控制下放到本地低層迴路，讓高層模型專注在任務與策略。
它不是手指完全不需要大腦，而是不同問題應該在不同時間尺度上解決。
四、紙杯之後，真正的地獄是布料
如果紙杯是一道考題，那麼床單、毛巾與衣服更像一整張無法預先列完答案的試卷。
剛體物件的形狀大致固定。杯子無論放在哪裡，仍然是一個杯子；機器可以估計它的姿態，決定抓取位置，再規劃運動軌跡。
布料卻不同。
同一件上衣被隨手丟在床上，可以形成幾乎無窮多種摺疊、遮擋與纏繞狀態。機器抓住一個衣角，整件衣服的形狀就會改變；拉錯方向，原本平整的地方會產生新的皺褶；兩層布貼在一起時，視覺甚至可能分不清它們是否已經分離。
這就是柔性操作困難的原因：動作不是在一個固定世界裡發生，動作本身會立刻改寫世界。
2025 至 2026 年，Google DeepMind、LG、SwitchBot 與多家新創都展示了分類、折疊或堆放衣物的系統；學術界也在推進長鏈雙手操作與未見物件泛化。但「展示過一次」與「在陌生家庭裡每天可靠完成」仍然不是同一件事。
柔性操作的成功不能只看一段最好看的影片，而應追問：衣服是否來自訓練集？房間是否陌生？摺疊標準如何定義？失敗是否需要遠端人員接管？一百件不同材質的衣服，成功率和平均時間是多少？
這些問題看起來掃興，卻是把研究進展與市場宣傳分開的必要條件。
五、雙手協作不是多一隻手，而是多一個關係
單手抓取主要處理一條動作鏈。
雙手操作則引入了相互依賴：一隻手固定物體，另一隻手旋轉；一隻手把袋口撐開，另一隻手放入物品；左手拋出小沙包，右手必須預測方向、速度與落點，再決定何時接住。
當兩台機器人互相傳接物體時，問題又增加一層。它們不只要理解物體，還要理解彼此的意圖、可達範圍與動作時機。
截至 2026 年，雙手模仿學習與跨物件泛化進展很快。AAAI 2026 的研究展示了從人類示範學習大量雙手技能，也有工作主張只用一次示範，就能把部分技能結構轉移到語意相近的新物件與不同機器平台。
但雙手真正的價值，不在於表演更像人，而在於它能把「抓取」升級成「操作」。
搬箱子、鋪床單、裝配、插接、開袋、使用工具，很多任務都需要兩個末端執行器形成動態分工。當機器能讓一隻手替另一隻手創造條件，它才開始接近人類工作的組織方式。
六、昂貴感測器教出來的能力，能不能住進便宜機器？
你的原始筆記裡有一個非常重要的想法：訓練時使用更精密、更昂貴的感測器收集資料，最後把能力蒸餾到感測較粗糙、成本較低的量產機器上。
這條路確實符合產業邏輯。
研究設備可以裝滿高解析度觸覺、力矩感測器、動作捕捉與外部相機；工廠產品則必須面對成本、耐用度、清潔、校準與維修。消費級產品更不可能讓每一個指節都使用實驗室等級的感測器。
因此，未來很可能形成三層資料鏈：高規格設備負責建立最精細的真實資料；工業平台用較便宜的感測器完成特定場景的再訓練與校正；消費級產品則依靠已經學到的表徵、少量本地感測與軟體更新執行任務。
但這並不是把資料「不斷粗糙化」那麼簡單。
當感測器被拿掉，模型失去的不只是解析度，還可能是某種關鍵物理訊號。如果量產機器完全看不見滑動，訓練資料再精細也無法憑空創造當下的接觸資訊。
真正可行的是找出最小充分感測：哪些訊號必須保留在本地？哪些細節可以由模型估計？哪些高昂感測只需要在訓練階段出現？
你可以把量產機器想成一個有點近視的學徒。
老師曾經看得非常清楚，因此教會它哪些線索最重要；但學徒仍然必須保有足夠的視力，才不會在真正工作時把杯子摔碎。
七、機器人怎麼學會游泳？它終究得碰到水
模擬是機器人學習的重要工具。
在虛擬世界裡，機器可以跌倒一百萬次而不會摔壞；研究者能改變重力、摩擦、材質、光線與物體位置，在短時間內產生大量訓練情境。
但模擬永遠是世界的壓縮版本。
水的流動、布料的皺褶、橡膠的回彈、線纜的纏繞、零件磨損後的微小間隙，很難被完全建模。當虛擬環境與真實世界的差距太大，機器在模擬裡學到的完美動作，到了現場就可能立即失效。
所以機器人怎麼學會游泳？答案不是只把水模擬得更漂亮，而是終究要讓它下水。
它必須在真實接觸中經歷質量、密度、彈性、重力、阻力、碰撞、運動自由度、可破碎性、抓取點與狀態變化。模擬負責讓它用低成本學會大致方向，真實世界則負責指出模型遺漏了什麼。
2025 年以後，越來越多系統採取模擬與真實資料共同訓練、世界模型生成合成軌跡、再用少量實體示範校正的方式。這不是因為模擬失敗，而是因為真正成熟的具身智能，必須同時利用兩個世界：在虛擬世界大量犯錯，在物理世界學會敬畏。
八、真正讓機器落地的，可能不是更大的腦，而是更誠實的皮膚
我們這個時代很容易崇拜「大腦」。
模型參數、推理能力、語言理解與世界知識，都能被做成醒目的排行榜。但在工廠、廚房、病房與家庭裡，最後一公分的成敗經常發生在指尖。
機器能不能在物體開始滑動時提早反應？能不能根據水量增加調整握力？能不能分辨布料已經拉平，還是只是把皺褶推到另一邊？能不能在旁人碰撞時保持穩定，又不因過度用力傷害人？
這些問題很少有一句驚人的答案。
它們需要更耐用的感測器、更低延遲的控制、更好的機械順應性、更大量的接觸資料，以及對失敗的精細定義。
語言讓機器知道任務是什麼；觸覺則讓它知道，世界沒有完全按照語言描述的方式存在。
當機器的手終於開始感覺，下一個問題便不再是它能否碰到世界，而是：這麼多來自眼睛、皮膚、關節與任務的訊號，究竟該由誰指揮？
那會把我們帶到下一個層次——機器如何看、如何選擇注意力，以及如何在未知環境裡建立一個可以行動的世界。
本章判讀
- 已驗證事實：觸覺與力覺能提升滑動偵測、柔性杯抓取與接觸豐富任務的穩定性；多模態觸覺與雙手操作是活躍研究方向。
- 產業趨勢：高規格資料採集、模擬訓練與低成本部署會形成分層硬體與資料鏈。
- 思想框架：「更誠實的皮膚」指的是物理回饋的重要性，不代表觸覺比所有其他技術都重要。
本章參考資料
- Li 等，〈Tactile SoftHand-A: 3D-printed, tactile, highly underactuated, anthropomorphic robot hand with an antagonistic tendon mechanism〉，《International Journal of Robotics Research》，2025/2026。 https://doi.org/10.1177/02783649251379516
- Higuera 等，〈Tactile Beyond Pixels: Multisensory Touch Representations for Robot Manipulation〉，2025。 https://arxiv.org/abs/2506.14754
- Zhou 等，〈TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation〉，2026 預印本。 https://arxiv.org/abs/2607.07287
- Hao 等，〈TLA: Tactile-Language-Action Model for Contact-Rich Manipulation〉，2025。 https://arxiv.org/abs/2503.08548
- Zhang 等，〈VTLA: Vision-Tactile-Language-Action Model with Preference Learning for Insertion Manipulation〉，2025。 https://arxiv.org/abs/2505.09577
- Wang 等，〈Embodying physical computing into soft robots〉，《Nature Communications》，2026。 https://doi.org/10.1038/s41467-026-70866-6
- Google DeepMind, “Gemini Robotics 1.5,” 2025。 https://deepmind.google/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/
- LG Electronics, “LG Electronics Presents LG CLOiD Home Robot to Demonstrate ‘Zero Labor Home’ at CES 2026,” 2026。 https://www.lg.com/global/newsroom/news/home-appliance-solution/lg-electronics-presents-lg-cloid-home-robot-to-demonstrate-zero-labor-home-at-ces-2026/
- Bi 等，〈H-RDT: Human Manipulation Enhanced Bimanual Robotic Manipulation〉，AAAI 2026。 https://doi.org/10.1609/aaai.v40i22.38875
