物界前沿3万小时触觉数据：是“手感”的突破，还是样本量的陷阱？
这个结论需要数据支撑。新智具身与复旦联合发布的N0系列模型，号称用3万小时触觉数据补齐了机器人的“手感”，这听起来像是一次感知层面的质变。但作为一个常年与金融时间序列和因子有效性打交道的量化研究员，我的第一反应是：样本量真的够吗？3万小时，换算成时间序列是1.08亿秒，看上去庞大，但当我们面对的是高维触觉信号——每个时间点可能包含数百个压力、温度、纹理特征——这个数字是否足以支撑模型泛化到真实世界的无穷变种，还是一个值得深挖的变量。
[!quote]
一位同行在技术社区里评论：“煮鸡蛋面和调柠檬水是高度结构化的任务，触觉信号在实验室环境下的信噪比远高于真实厨房。你确定模型学到的不是静态背景噪声？”
这句话点中了我的痛点。在因子挖掘中，我们最怕的就是“过拟合”——模型在历史数据上表现完美，一到实盘就崩盘。具身智能的触觉模型同样面临这个问题。3万小时的数据，如果是在可控环境、固定动作序列下采集的，本质上是在用有限样本拟合一个无限维的分布。短期看，这确实是一个里程碑，但长期看，数据的多样性、覆盖度、以及噪声的分布，才是决定模型是否具备“手感”的关键。
从短期视角来看，市场对这个消息的反应是积极的。新智具身的开源策略，让整个具身智能社区获得了一个可复现的基座。这就像金融领域里的因子库开源——你不需要从零开始构建特征，而是可以站在巨人的肩膀上做微调。对于小团队和初创公司，这是一个巨大的红利。数据驱动的研发周期会被压缩，应用层的创新会加速落地。比如，在工厂流水线上，机器人通过触觉反馈调整抓取力度，这不再是科幻，而是可以快速迭代的项目。
但短期繁荣的背后，隐藏着长期的风险。我斗胆提出一个量化视角的批判：触觉数据的“维度诅咒”远比视觉数据更严重。视觉数据可以用卷积神经网络高效提取空间特征，2D图像的信息密度相对集中。但触觉数据是时间序列乘以多传感器阵列的乘积，特征空间的维度可以轻松达到10^4量级。根据Vapnik-Chervonenkis维度的理论，要稳定学习一个VC维为d的函数，样本量至少需要d的10到20倍。3万小时的数据，如果按秒级采样，样本量是1.08亿，但若特征维度是1000，那有效样本量可能只够支撑一个中等复杂度的模型，远不足以应对真实世界的随机性。
[!example]
举个例子，在量化交易中，高频因子往往需要数亿条tick数据才能训练出有效的预测模型，因为市场微观结构中的噪声是白噪声级别。而触觉信号中的噪声，可能来自传感器的温漂、机械臂的微小振动、甚至空气湿度。这些噪声是非平稳的，需要一个更复杂的模型来捕捉——而更复杂的模型，就意味着需要更大的样本量。
从长期角度看，我认为这个项目最大的价值不在于模型本身，而在于它提供了一个可量化的基准。就像金融领域的Barra模型，虽然它不完美，但它让行业有了统一的因子分析框架。新智具身和复旦的这次开源，实际上是在推动具身智能领域从一个“堆Demo”的玄学阶段，转向一个“数据驱动的科学阶段”。但这个过程需要时间，更需要社区对数据质量的执念。
我注意到新闻中提到的“煮鸡蛋面”和“调柠檬水”任务，都是具有明确终点和反馈的闭环任务。在强化学习框架下，这属于“奖励函数明确”的场景，模型容易收敛。但真实世界的任务是开放式的，比如“整理收纳”——物品的形状、材质、摆放位置千变万化，奖励函数几乎无法定义。这种情况下，触觉数据的作用可能被高估了。
最后，给出一个行动建议。对于正在关注具身智能的投资者和开发者，我的建议是：短期看，可以基于这个开源模型快速构建原型，抢占餐饮、轻工业等结构化场景的落地先机。但长期看，不要迷信数据规模，而是要关注数据的“信噪比”和“分布覆盖度”。在金融量化中，我们经常用“夏普比率”和“最大回撤”来评估策略，在具身智能领域，我也建议引入类似指标：模型在开放场景下的泛化误差，以及在不同环境下的鲁棒性。如果你真的想投资机器人，不如先看看他们是否有一套完整的“数据质量审计”流程。
!(https://bbs-physixfrontier-com-data.oss-cn-hongkong.aliyuncs