不卷視覺，卷“手感”！千覺機器人發佈首個VTLA觸覺基座模型與千小時數據集

具身智能領域過去幾年大量資源集中在視覺感知技術上，從百億參數的視覺大模型到複雜的空間識別演算法，業界試圖透過算力堆疊讓機器人在實驗室環境中精準避障、抓取物品。然而這套邏輯在真實的工廠產線或物流倉儲中逐漸失靈——表面正常的柔性包裝，視覺看不出異常，機械臂一抓就塌；需要精準插接的端子線，視覺對準了位置，一插就偏。視覺捕捉不到的受力變化、滑移趨勢與接觸狀態，才是機器人頻頻宕機的真正原因。更棘手的是，許多時候機器人不只看不出異常、一抓就錯，甚至根本意識不到自己已經出錯，反覆朝錯誤方向嘗試，把一次小偏差放大成產線級別的損失。行業逐漸意識到，視覺數據並非萬能，物理交互中「最後一釐米」的難度遠比想像中更高。

今年，史丹佛大學教授李飛飛、NVIDIA 具身智能負責人 Jim Fan 等頂尖學者發表的一篇消融實驗論文給出明確結論：在經典模型上單純疊加觸覺訊號後，任務成功率從 17% 驟降至 6%。這並非觸覺無用，而是把觸覺當作視覺附庸的路徑從根本上錯了。正值此際，一家國產具身智能創企的動作格外引人注目。7 月 14 日，千覺機器人剛完成由頂級具身智能產業方與吉德電器戰略投資的億元級融資。緊接著在今日，該公司正式推出業界首個面向觸覺智能的 VTLA 具身基座模型 X-TouchMind V1，以及 1000 小時原生視觸覺數據集 TacVerse 1k。

在即將開幕的 WAIC 2026 上，千覺機器人也將攜 VTLA 具身基座模型驅動的雙臂疊紙盒、耳機裝配等實景實驗亮相，讓「硬體-數據-模型」全棧能力直接接受真實操作場景的檢驗。千覺機器人此次發佈的 TacVerse 1k 數據集，不走「在視覺數據上後補觸覺」的彎路。該數據集實現觸覺數據 100% 覆蓋，將視覺、觸覺、力、位姿、高頻動力學統一採集，沿任務、場景、物體三維擴張。它從採集源頭就圍繞真實接觸構建數據，讓 X-TouchMind V1 從第一天起就在一套符合物理規律的座標系裡學習。

截至 2026 年初，全球合規可用的真機加無本體有效數據僅 50 萬小時，而實現通用自主能力的具身大模型至少需要千萬小時級高品質真實交互數據，缺口超過 99%。單一模態無法還原受力、形變、滑移等真實交互細節，TacVerse 1k 的推出正是為了解決這個根本痛點。為了產出讓模型真正用得上的數據，千覺機器人自研了穿戴式視觸覺多模態數據採集夾爪 XTac UMI G1。這套設備實現了產能、場景與機器人本體的解耦，使人工清洗成本下降 80%，採集效率提升 3 到 5 倍。不過，數據採回來只是第一步。

千覺機器人自研的 XTacFlow 自動化後處理引擎，負責統一調度整個採集鏈路，能夠實現 90% 以上的數據回傳與後處理自動化，把原始多模態數據轉化為可訓練、可追溯、可複用的數據樣本。該引擎在採集階段對低品質樣本的過濾率超過 95%，確保了工業級的數據「良品率」。有了高品質的原生觸覺數據，還需要一個懂得如何「用手」的模型。X-TouchMind V1 聚焦接觸發生後的物理狀態——是否對齊、是否滑移、力度是否合適，並進行動態判斷與修正。

該模型採用 System 0-2 分層架構：System 2 負責語義推理，回答「要做什麼」的問題；System 1 負責軌跡規劃，回答「怎麼做」的問題；System 0 利用觸覺進行高頻反饋修正，回答「接觸之後怎麼做穩、做準」的問題，形成閉環。X-TouchMind V1 是首個具備零樣本泛化能力的 VTLA 基座模型，可跨場景、跨任務、跨本體自適應工作。在易碎、柔性、小件異形件這些「沒觸覺就搞不定」的場景裡，它也能完成精細操作。透過將多模態數據與本體狀態統一建模，該模型讓機器人擁有類似人類潛意識的物理直覺與糾偏能力。

在 WAIC 展台上，VTLA 模型驅動的「雙臂長序列紙盒成型」、「耳機精密裝配」等高難度 Demo 將直觀展現千覺在柔性物料處理、強干擾作業場景下，如何依靠觸覺反饋動態調整雙臂協同軌跡。千覺機器人已打通從視觸覺傳感器到 TacVerse 1k 再到 X-TouchMind V1 的系統級自閉環。這套閉環對行業客戶的核心價值在於：不僅能直接提升精細操作任務的成功率，更大幅縮短了自動化部署週期。目前，千覺機器人已服務 300 多家行業頭部客戶。當硬體採集與模型反饋形成持續迴流的數據閉環，千覺交付的是一套能隨產業經驗共同進化的智能基礎設施。2026 年，具身智能的角力場已回歸真實的工廠與產線。

當絕大多數機器人還在努力「看懂」這個世界時，千覺機器人透過一整套觸覺智能生態，讓機器學會了如何「感受」並「掌控」世界。這一全棧體系的發佈，不僅是一家企業的突圍，更標定了整個 Physical AI 賽道邁向「產業實戰」的具體路徑。隨著觸覺智能成為模型能力的核心組成，高端製造、柔性物流乃至更廣泛的產業場景，正在這種能夠自主感知、即時糾偏的新範式下，完成真正意義上的效率躍遷。