觸覺正在成為具身智慧領域的新風口。據第一財經記者不完全統計，自今年7月以來，具身智慧觸覺賽道至少發生8起融資事件，累計金額超過25億元，並催生出帕西尼、一目科技兩家百億元獨角獸企業，這兩家公司最新一輪融資金額均達到10億元，與機器人本體企業相當。

多模態觸覺感知技術企業千覺機器人創始人馬道林透露，今年上半年的產品訂單量已經是去年全年的“幾倍多”。多家投資機構和產業資本正在湧入這一賽道，行業普遍認為，機器人要真正學會“幹活”，觸覺已成為必選項。

觸覺讓機器人能幹“精細活”

多家觸覺賽道企業及機構釋出的DEMO影片顯示，搭載觸覺大模型的機器人能夠夾取柔軟水果和薯片、在人為干擾下完成疊紙盒、翻書頁以及盲摸麻將等操作。智在無界大模型相關負責人李明（化名）介紹，傳統機器人依賴腕部攝像頭拍攝的視覺畫面，當夾爪伸入包中時，攝像頭無法捕捉全域性，任務容易失敗；而擁有觸覺的機器人能在夾爪與物品接觸時獲取更多資訊，從而判斷如何取出物品，任務成功率更高。

馬道林補充說，在將耳機精準放入充電盒的任務中，夾爪抓取時耳機位置會發生偏移，攝像頭可能被遮擋，觸覺能為判斷夾取狀態、滑動狀態提供關鍵資訊補充。要以近零點幾毫米的公差將耳機塞入狹小空間，對機器人要求很高。大曉機器人相關負責人也解釋，視覺能判斷“手”是否靠近物體，但難以準確知道接觸位置、力度是否合適、物體是否滑動以及柔性物體是否持續形變，而觸覺能提供接觸壓力、受力分佈、摩擦與滑移趨勢等關鍵訊號，讓機器人動態調整抓取點、夾持力度和動作策略。

技術路線分化：硬體採集與影片估算

目前，觸覺賽道已發展出多種技術路線。硬體裝置如觸覺手套、感測器可直接採集觸覺資料，按感測器原理可分為壓阻式、電容式、霍爾效應式等傳統主流路線，以及近兩年備受關注的視觸覺感測器——通過攝像頭捕捉受力後軟膠（如凝膠）的形變，再用視覺演算法重建接觸面的三維形變和受力分佈。

千覺機器人採用視觸覺路線作為自研感測器的主要方向。馬道林表示，壓阻式、電容式等路線在精度、電磁干擾等方面存在侷限，而視觸覺路線具有空間解析度高、抗干擾能力強等優勢。團隊還通過自研數採裝置、資料處理引擎及資料清洗質檢體系，為訓練機器人互動能力提供高質量資料。此前，千覺機器人釋出了VTLA具身觸覺模型X-TouchMind V1，以及面向真實物理互動的視觸覺多模態具身資料集TacVerse 1k。

另一條路線不依賴感測器硬體，而是從人類影片中提取觸覺資訊。智在無界開發了面向大規模無標註人類影片的密集觸覺偽標籤系統TactoHand，無需為資料採集者配備觸覺手套或額外感測器，即可從人類影片中推斷手部與物體互動過程中密集空間點的接觸機率和連續接近度。李明解釋，該系統通過物理法則、人類先驗知識等估算摩擦力、接觸面及抓取力度，但估算資料相比硬體採集會損失一定準確性。因此，智在無界在預訓練時仍會引入部分硬體採集的高質量資料，其推出的具身基礎模型Being-H0.8便結合大規模人類影片與觸覺資訊，將觸覺模態系統性引入隱式世界模型架構。

挑戰：資料稀缺與訓練範式調整

觸覺具身智慧模型的訓練並不簡單。受訪行業人士提到，行業內帶有觸覺模態的資料量較少，馬道林判斷這類高質量資料規模或在萬小時級。採集成本高是重要原因：基於觸覺手套或UMI裝置的資料採集方案整套可能需數萬元，有的甚至十幾萬元，且部分感測器裝置不夠成熟，長時間使用可能損壞。李明還指出，觸覺手套採集的資料多來自數採工廠，背景和任務單一，準確性高但多樣性不足。

視觸覺感測器的成本方面，千覺機器人選擇從減少更換損耗入手。馬道林稱，單個感測器價格在一兩千元左右，兩指夾爪用4個，靈巧手用10個。感測器表面的柔性材料有壽命限制，整體更換成本高，而千覺基於模組化設計，只需替換表面柔性材料，無需重新適配或更換其他高成本部件。近兩年客戶採購量加大後，產品報價已有所降低。

將觸覺資料引入預訓練也是一道難題。直接將觸覺資料加入大模型，反而可能降低任務成功率。今年斯坦福教授李飛飛參與的一篇論文提到，T-Rex團隊把觸覺力訊號直接拼接到預訓練好的VLA模型中，任務成功率有所下降，原因涉及多資訊對齊、頻率及表徵淺等問題。大曉機器人負責人分析，視覺可遠距離連續記錄，而觸覺只有在真實接觸時才產生有效訊號，還受安裝位置、材料形變、摩擦變化、個體差異和感測器漂移等影響。觸覺資料真正難的不是採到一個壓力數值，而是把數值與視覺、動作、物體狀態及任務過程精準對應。其提出的環境式資料採集方案2.0通過ACE Sense Glove、統一時空標定和多感測器同步，將20餘種異構訊號控制在1毫秒級誤差內。

考慮到觸覺資料特徵和規模，千覺機器人率先探索出訓練範式。馬道林建議，針對想增加觸覺能力的公司，合理方法是先將原有VLA模型能力訓練到足夠好，再將觸覺資訊規範化納入訓練。引入觸覺資訊也推高訓練成本，尤其高效能世界模型訓練本身成本較高。李明估算，若顯式世界模型訓練資料規模達50萬小時，研發成本低則數千萬元、高則上億元。智在無界選擇的隱式世界模型路線一定程度上能降低訓練成本。

千覺機器人、智在無界均專注於具身“大腦”研究。千覺定位為觸覺基礎設施建設者，現階段收入更多來自資料產品及採集方案，同時探索具身模型場景落地；智在無界則與硬體公司合作為其提供模型支援，並正在進行模型商業落地的POC驗證。