本文解析蚂蚁集团投资戴盟机器人的战略逻辑，深入介绍全球首个触觉锚定世界模型Daimon-TWM，揭示触觉感知如何提升机器人复杂操作能力。
蚂蚁集团为何首次切入机器人触觉赛道？答案藏在戴盟机器人发布的全球首个“物理交互脑”Daimon-TWM中。本文带你拆解这一模型如何利用触觉数据提升机器人操作精度，以及背后构建的完整Physical AI Infra体系。
一、Daimon-TWM模型架构解析
深入拆解戴盟机器人的核心资产，全球首个触觉锚定世界模型 Daimon-TWM 的架构设计显得尤为关键。该模型并非凭空构建，而是基于百万小时含触觉全模态数据 Daimon-Infinity进行深度训练。这一数据底座赋予了模型真正的“原生触觉”能力，使其不再依赖视觉猜测，而是直接通过物理接触获取信息。
在机制层面，Daimon-TWM 引入了统一触觉词元（unified tactile tokens），构建了一个统一的触觉隐空间。这使得触觉数据能够与视觉、语言等模态在底层进行高效融合，打破了传统多模态模型中触觉信号常被边缘化的困境。其架构分为三层：物理认知负责“摸懂”物体属性与状态；推演决策基于当前状态预判后续动作后果；瞬时操控则在毫秒级时间内完成纠偏。这种从感知到执行的闭环，极大提升了机器人在复杂环境中的稳定性。
据官方数据，在处理接触密集型操作任务时，该模型的数据需求仅为纯视觉方法的千分之一。这一指标直接解决了具身智能中数据获取成本高昂的行业痛点，为后续复杂场景下的性能验证奠定了坚实基础。
二、复杂场景下的操作性能验证
架构设计的精妙之处，最终需在实际操作中得到验证。在针对接触密集型任务的实测中，Daimon-TWM 的表现远超预期。以多尺寸齿轮装配、花瓶持续擦拭及玻璃碎片清理为例，这些任务对触觉反馈的实时性和精准度要求极高。在无扰动环境下，该模型的成功率达到64.0%，而对比基准模型 π0.5 仅为 26.0%。更关键的是，当引入随机外部扰动时，Daimon-TWM 依然能保持 53.5% 的成功率，反观 π0.5 则骤降至 5.8%。这一巨大差距直观体现了触觉模态在复杂动态环境下的抗干扰优势。
这种稳定性的背后，是物理认知能力的显著领先。在涵盖9项核心指标的综合评估中，Daimon-TWM 得分 60.1 分，领先于 SToLa 模型 12.6 分。特别是在柔性物体操作如笔袋拉链开合时，模型能精准感知材料形变，避免过度用力导致损坏。配合底层 100Hz 高频伺服系统 的支持，机器人可在毫秒级完成姿态纠偏，确保长程任务规划中的每一步都稳如磐石。
三、Physical AI Infra全链路支撑
模型性能的飞跃并非凭空而来，其背后是戴盟机器人构建的完整Physical AI Infra支撑体系。这一体系打通了从感知硬件、数据采集到模型部署的全链路闭环。在感知端，自研的多维高频率高分辨率视触觉传感器发挥了关键作用，它不仅能采集常规压力数据，还能捕捉十多项细微的触觉模态，为“物理交互脑”提供了高保真的输入源。
数据是具身智能进化的燃料。戴盟与中国移动合作共建的“具身数据采集5S店”，首期已投放1000套设备，极大提升了数据获取的效率与规模。基于此积累的Daimon-Infinity数据集，预计年底规模将达百万小时，且下载量已突破460万次，形成了强劲的数据飞轮效应。与此同时，RobOmni评测基准的推出，也为行业提供了标准化的能力度量尺。
生态协同进一步加速了技术落地。通过与联想、汇川技术、上声电子等企业的战略合作，该技术正快速渗透至3C制造及家庭服务等实际场景，推动Physical AI从实验室走向产业化应用。
