触觉正在从一个传感器问题，变成一个系统问题。
作者｜寇雨然
作者｜王博
今年年初，一位在硅谷做具身智能研究的朋友和「甲子光年」聊到机器人感知问题时，说了一句话：“Tactileless is the new blindness（没有触觉，是一种新的失明）。”
但这种“失明”并没有那么容易被察觉。
多模态大模型和CV技术的进步，让机器人越来越擅长“看”。它可以识别桌上的杯子，判断物体的位置，理解自然语言指令，再规划出一条看起来合理的运动轨迹。
但当机器人真正伸出手，问题开始变得复杂。
在2026世界人工智能大会（WAIC 2026）上，「甲子光年」现场看到了大量机器人演示：有的机器人可以准确地把手移动到纸杯旁，却未必知道自己捏得太紧；有的机器人可以看见两张叠在一起的纸，却很难判断指尖究竟有没有把它们分开；有的机器人可以完成一次漂亮的抓取，但当物体突然滑动、变形或者受力状态发生变化时，视觉反馈往往已经慢了一拍。
但是，人类对此几乎没有感觉。
拿起一个快要滑落的杯子时，我们甚至来不及“想”，手指就已经增加了力。触碰一个滚烫的物体时，手也常常先缩回来，大脑随后才意识到发生了什么。
这些发生在接触瞬间的信息，构成了人类理解物理世界最基础的一层，这也是人类的“本能”。
如今，机器人产业正在补上这一课。
2026年以来，触觉突然成为具身智能最拥挤的方向之一。从机器人本体、灵巧手，到传感器、数据采集和模型公司，越来越多玩家开始讨论同一个问题：机器人想真正进入物理世界，只靠视觉还不够。
不过，行业很快遇到了一个更加棘手的问题：给机器人装上触觉传感器，它就真的拥有触觉了吗？
1.更多数据，有时反而让机器人变笨
今年6月，一项名为T-Rex的研究给出了一个颇具反差的答案。
这项工作由李飞飞、Pieter Abbeel、Jitendra Malik等研究者参与，专门研究机器人如何利用触觉完成翻书页、分纸杯、拧灯泡等高度依赖接触和力度控制的任务。
实验中，原本的π0.5模型在12项任务上的平均成功率为17%。研究者直接把触觉数据加入模型后，成功率没有提高，反而下降到了6%。
更多信息，带来了更差的结果。
真正的变化发生在研究者重新设计了触觉进入模型的方式之后。
T-Rex构建了100小时触觉同步数据，并使用独立的触觉编码方式和可变速率的模型架构，将相对低频的任务规划与高频触觉反馈进行解耦。最终，T-Rex在12项任务中的平均成功率达到65%，比此前最强基线高出30个百分点。
这个实验揭示了具身智能发展到今天，一个越来越重要的问题：触觉很难作为一个新的输入框，被简单添加到原有的机器人模型中。
视觉、语言和触觉生长在完全不同的时间尺度上。
摄像头负责告诉机器人“这是什么”“在哪里”；触觉面对的则是另外一些问题：有没有接触、抓稳了吗、物体正在滑动吗、力度是否已经越过安全边界。
这些变化可能发生在非常短的时间里。
因此，触觉需要高频采集，需要低延迟计算，需要和动作实时闭环；到了训练阶段，还涉及触觉数据怎样表示、怎样和视觉及动作同步、怎样进入模型。
机器人缺失的，逐渐不再只是一种感官，它们缺少的是从触觉信号产生，到数据形成，再到模型理解和动作反馈的一整条链路。
整条链路大致可以分为三层：
第一层是数据的生产者，也就是传感器、触觉芯片、数采设备，决定了数据的质量；
第二层是数据的使用者，也就是模型、训练范式，决定了数据能不能转化为具身机器人大脑的能力；
第三层最终的应用场景，决定了触觉落地带来的商业价值。
触觉反馈系统，图片来源：「甲子光年」制图
这也解释了触觉赛道出现的一个有趣现象：一些原本做传感器的公司开始越做越“重”。
芯片、数采设备、模型、训练平台，甚至强化学习，逐渐进入它们的业务边界。
看起来像一场不断扩张的军备竞赛，背后其实对应着一个更基础的问题：触觉怎样才能真正转化成机器人的能力？
2.为什么触觉公司开始走向“全栈”？
他山科技正是其中一个典型样本。
如果只看出货量，它很容易被理解成一家触觉传感器公司。
据新华网报道，他山科技已占据人形机器人触觉传感器超80%市场份额。「甲子光年」了解到，目前他山科技公开合作伙伴包括星动纪元、银河通用、自变量、因时机器人、强脑科技、灵巧智能等。
但如果观察他山科技近两年的产品布局，会发现它正在主动越过传感器这条边界。
从自研触觉芯片，到触觉传感器、数采设备，再到模型、强化学习和真实场景应用，他山试图搭建一条完整的触觉技术栈。
这是理解他山的关键。
触觉传感器首先是一个感知器件，但进入具身智能时代之后，它同时成为了一台数据生产设备。
触觉传感器作为数据源头，必须确保数据质量，否则后面的环节都没有意义，行业里有句调侃的话是“Garbage in,Garbage out（垃圾进，垃圾出）”。
要从源头确保数据质量，传感器的鲁棒性和稳定性就是必须关注的指标。
鲁棒性指的是在复杂工况，低温高温、电磁干扰等环境中保持稳定的能力。真实落地场景和实验室中的理想环境有着本质差异，而鲁棒性则是检验从实验室Demo到落地产品的关键指标。如果在真实场景中环境温度略有变化，输出的信号就发生漂移，这种误差较大的数据就会对“大脑”造成误导。
稳定性主要体现在重复测量一致性，就是同样给传感器15N的力，每次测量结果都是在可接受范围内，比如15.1N，数据一致性就是好的。如果这次13N，下次17N，再测又变成了14N，那就代表数据一致性不好。如果传感器本身的一致性差，数据不准确，得到的数据有太多的硬件噪声，那么模型基于这种质量差的数据，就很难学到东西。
他山科技在鲁棒性上，不局限于实验室或室内单一场景，延伸至室外复杂工况与水下环境，提升全场景适应能力；在稳定性上，着重提升重复测量一致性，传感器多次测量标准差≤0.03，线性拟合优度 R²≥99.9%，可以为具身智能提供稳定、可信、可复现的高质量训练数据。
在传统自动化时代，人们关心传感器是否能够完成一次测量；进入具身智能时代之后，还要关心它长期生产出来的数据，能不能被模型学习。
这也是全栈的第一层逻辑：模型能力的上限，有时在数据进入模型之前就已经被决定了。
但把触觉准确地感知出来，只完成了第一步。
接下来的问题是速度。
触觉和物理控制之间的关系，要比视觉更紧密。当杯子已经开始从指尖滑落，或者机械臂碰到一个意料之外的障碍，机器人需要在非常短的时间里感知变化并调整动作。
如果所有触觉数据都先上传到中央“大脑”，等待模型完成推理，再把控制命令传回来，这条路径很容易变得太长，机器人的反应也会变慢。
如何解决这一问题？他山科技在WAIC 2026期间发布的自研绿宝石E10A芯片，给出了一条从底层重构的路径。
E10A的架构中，自研ASC（模拟脉冲转换模块）将触觉信号直接转为脉冲信号，越过中央主控，直接进入本地路由与控制，压缩了传统方案中信号处理的链路。
成为付费用户可以阅读 尧乐科技 所有资料
了解更多 →