不靠海量训练数据，本能驱动破局：清华团队探索具身智能新范式

这是一次截然不同的机器人作业演示：面对从未见过的异形物件，机器人无需提前采集样本、不需要大规模示教训练，接触物体之后，依靠实时触觉反馈就自主调整抓握姿态，稳定完成抓取、插拔等操作。

实现这套能力的，正是橡木果机器人。这支拥有清华背景的交叉学科团队，走出了一条和当下主流VLA范式完全不同的道路：本能驱动，一条不依赖前置数据训练的技术路线。当整个行业都在投入资源采集、标注海量物理世界数据，教机器人“看视频学动作”的时候，橡木果选择为机器人构建原生的物理交互本能，以此获得工业场景所需要的实操能力。

VLA范式，落地路上绕不开的现实阻碍

如今VLA（视觉‑语言‑动作）已经成为具身智能领域最主流的技术范式。它的底层逻辑是模仿学习：收集大量人类操作数据，让模型拟合人的动作逻辑，使用者输入语言指令，机器人就可以输出对应的行为。市场曾经普遍期待，只要数据规模足够膨胀，具身智能就能够复刻大语言模型的成功，改造物理世界。

但从实验室走向真实工厂之后，这套自上而下的路线暴露出不少工程难题。

真实工况里的摩擦变化、形变滑移、接触力矩，很难在仿真环境完整复现。VLA范式下任务与硬件深度耦合，想要提升泛化能力，所需要的数据量会呈现指数级增长。放到工业现场，哪怕夹爪、导轨出现细微硬件差异，往往都要重新做适配。

同时VLA高度依靠视觉单一信息输入，重心偏移、接触面滑移、物料软硬这些关键物理信息无法被感知，经常出现“视觉看着没问题，实际操作却失败”的情况。可以看懂画面，却无法真正理解接触过程，这成为很多方案落地的卡点。

行业一直在寻找破局方向：如果大量数据的获取成本高、供给缺口大，是否存在另一条可行路径？

本能驱动：自下而上，构建不依赖前置数据训练的操作能力

橡木果给出的答案，来源于对人类本身行为逻辑的思考。语言是后天学习得来，但抓取、握持这类基础操作，属于先天本能。婴儿不需要观看大量示范视频，就会自发伸手去触碰、抓握物体。既然人的操作本能源于物理感知刺激，机器人未必一定要通过海量样本记忆动作。

基于这一思路，橡木果将系统架构做了解耦：把上层任务规划与底层操作执行分开，两者独立迭代，通过标准化接口协同工作。团队并不侧重开发高层任务规划模块，而是聚焦攻克底层物理交互执行层，可以对接外部各类规划大模型。

端侧运行的Natus自主决策模型部署在末端执行器，依托触觉刺激形成本能反射与自主探索机制。这套技术路线不依赖前置数据训练，不需要提前针对任务采集和标注数据集。

模型包含定向本能、探索本能、执行本能三层机制。定向本能协同视觉信息，引导末端向目标物体靠近；探索本能在接触物体之后，自动沿着物体表面搜索稳定接触状态；执行本能以滑移最小化、阻抗匹配为目标，根据实时触觉信号动态调节出力大小。抓软质物料自动降低出力，装配作业自适应接触阻抗，全部调节都来自端侧实时触觉反馈，运行频率可达200Hz。

面对从未见过的物件，机器人可以自主涌现出合理操作行为，不是程序预先写死，也没有对应训练样本，依靠底层物理规律完成零数据冷启动。

橡木果发起人姜峣表示，本能范式的核心特质就在于，机器人的操作能力并非来自数据训练习得，硬件本身就具备物理泛化基础，遇到陌生物体可以自主探索，持续输出稳定动作。

高精度触觉硬件，是本能路线落地的必要底座

不依赖前置数据训练的本能体系，成立的前提是高质量、多维度的触觉感知输入。

在橡木果的技术框架中，完整的触觉信息分为三类：界面信息，包含接触点力分布、弹性形变、滑移趋势；物体信息，材质硬度、摩擦系数、质量与质心；环境信息，接触阻抗、外部扰动。其中滑移趋势，是实现无训练冷启动自适应抓握的关键。

团队经过多代迭代，打造自研视触觉传感器，采用弹性体搭配微型相机方案，通过算法把形变图像反演为真实物理量。硬件层面，动态特征追踪、黏弹性逆问题标定构成工程壁垒；同时把图像预处理下沉到指尖芯片，直接输出标准化触觉物理信号，规避不同硬件带来的模型适配问题，为本能模型提供可靠的输入来源。

Natus与Magis协同：本能冷启动之后，实现技能持续进阶

本能解决“上手就能用”，而产业场景还需要机器人越用越熟练。

Natus负责底层无训练的本能探索，机器人在真实作业中会产生大量触觉交互行为数据。橡木果不会从零采集百万小时级操作样本，而是对已有数据做触觉语义增强，把重量、硬度、摩擦、质心这类力学标签叠加进去，再训练上层技能模型Magis。

经过触觉语义增强之后，训练所需的数据规模大幅下降。Magis作为通用操作技能模型，目标实现跨机械手、跨任务的能力复用。

整体系统构想中，高层任务模型更像“包工头”，只负责拆解整体任务；具体精细的抓取、插拔、旋拧等操作执行，交给Natus与Magis在端侧完成。上层做任务拆分，下层靠物理本能完成实操，各司其职，以此追求真实环境下的泛化表现。

走进工业产线：把本能范式放到真实场景检验

橡木果核心团队来自清华大学、哈佛大学，覆盖机械工程、机器人、交叉学科方向。当不少具身智能项目还停留在演示视频阶段，橡木果已经把本能驱动方案推向离散制造产线。

快消、新能源、生物医药工厂普遍面临换产频繁、物料品类繁多、调参周期长的痛点。传统自动化柔性不足，主流数据驱动方案又要承担高昂的数据采集训练成本。而橡木果不依赖前置数据训练的方案，冷启动部署速度快，很适配这类场景。

目前团队已经完成全球头部化妆品ODM厂商产线POC验证，并且进入实际产线运行。面对形态、材质各不相同的瓶罐包装，机器人不需要针对每一类物料做前期数据训练，依靠触觉本能就可以自适应完成抓取作业，已经实现商业落地。

大模型、大数据、大算力是行业流行叙事，但物理世界有自身运行规律。橡木果的实践证明，不依赖前置数据训练的本能驱动路线，可以成为具身智能一条可行的发展方向。回归物理感知，挖掘交互本能，或许是机器人真正走进工厂的重要路径。