被質疑「容易複製」的視觸覺，到底難在哪？

對視觸覺的許多質疑，並不中肯。作者丨向 欣 編輯丨高景輝 在 3C 產線上，讓機器人把一根 USB 線插進毫米級的接口，難點藏在視覺看不到的地方。插沒插正、有沒有卡滯、該加力還是收手，答案都落在指尖與工件接觸的瞬間。精密裝配、柔性物體抓取、插拔等任務，是自動化產線上價值最高、也最難被機器人替代的一批工序。這類過去依賴老師傅手感的工序，正把觸覺推到具身智能的臺前。視覺解決「看到了什麼」，觸覺解決「碰得怎麼樣」。VLA 模型在真實任務裡反覆碰壁後，越來越多團隊意識到，僅依靠視覺感知推進到一定階段後，性能天花板就會出現，核心短板正是缺少觸覺信息。

有具身廠商創始人打了個比方：如果讓一個人度過三天無觸覺的生活，他會活得非常痛苦，抓個杯子都不知道該使多大勁。觸覺賽道里，視觸覺是熱度最高的分支之一，高端靈巧手幾乎把它當成標配。資本也聞風而動，視觸覺廠商今年都完成了大額融資：戴盟機器人兩個月內完成億元級 A 輪與螞蟻集團領投的數億元戰略融資；一目科技 7 月完成超 10 億元 E 輪融資，投後估值超百億元；千覺、緯鈦今年也拿到億元級融資。但熱度越高，爭議也越多。

有人認為，視觸覺不過是「攝像頭+硅膠」，容易複製；有人認為，光學結構決定了它做不薄，幀率也很難提升；還有觀點擔心，大量視覺數據會帶來算力、存儲、線束和功耗壓力，柔性表面也很難經受工業場景的長期使用。不過，不少爭議未必是中肯的行業預警，很多已經與實際情況脫節，甚至演化成對整條路線的誤解。成本、厚度、一致性、耐久性，以及觸覺數據如何真正進入模型訓練體系，確實是這條路線目前還沒有完全跨過的坎。但把視觸覺從原理、產品、數據到落地場景完整拆開，會發現，市場上流傳的很多判斷，已經跟今天的產品進展出現了偏差。

帶著「視觸覺究竟走到了哪一步」的疑問，我們與戴盟、一目、緯鈦、千覺、模量等視觸覺廠商聊了聊，把市面上的產品參數和各家的技術生態梳理了一遍，試圖拆開那些被簡化、被誤讀、被低估的環節。01視觸覺的底牌：把觸覺變成圖像視觸覺的工作原理並不複雜：傳感器表層是一層透明彈性體，內部裝著光源和微型相機。物體壓上來，凝膠發生形變，形變在內部變成明暗圖案，相機拍下圖像，算法再從中重建接觸幾何、力分佈與滑動。把觸覺變成圖像，是這條路線的核心換算邏輯。這條路線真正起源於 MIT。

2009 年，MIT CSAIL 的 Edward Adelson 團隊在 CVPR 上提出 GelSight，最初只用於觀測物體表面的微觀形貌，和機器人沒有關係；GelSight2014 年，團隊推出全球首款超高分辨率指尖 GelSight 傳感器，視觸覺第一次裝上機器人指尖，那篇論文的第一作者李瑞，後來回國創立了緯鈦機器人。

全球首款超高分辨率指尖GelSight傳感器2020 年，Meta（當時 Facebook）開源 DIGIT 觸覺傳感器全套硬件設計，大幅降低了視觸覺的科研門檻；2021 年 Meta 與 GelSight 達成合作，由後者負責 DIGIT 的量產商業化，視觸覺從這個階段開始進入全球實驗室並衍生出 OmniTact 等變體，光學路線逐漸成為觸覺研究的主流技術路線之一。源自視覺算法與圖像處理，也讓視觸覺常被質疑「沒有自己的算法」。

實際上，雖然光度立體法本身來自計算機視覺，但 GelSight 將其與彈性體反射塗層和多角度可控照明深度結合，形成了視觸覺標誌性的高分辨率幾何重建範式；此後針對凝膠非線性、剪切力解耦、標記點跟蹤的定製改進，也都圍繞觸覺的物理特性展開，並非拿視覺工具、算法簡單套用。視觸覺的另一個質疑，是表面沾上油汙會不會弄髒圖像。其實，傳感器的光學腔體封閉，相機向內拍攝，油汙進不了內部，也不會像汙染攝像頭鏡頭那樣糊掉畫面。汙染真正影響的是凝膠表面的力學與光學耦合特性，改變局部變形、間接拉低精度與壽命。這個問題與壓阻、電容等軟體觸覺方案面對的汙染問題類似，屬於表面材料工程，談不上視觸覺獨有的原理缺陷。

回到價值本身。傳統的觸覺傳感器，本質上是通過佈置一個個離散的感知單元來獲取壓力或形變。感知點越多，意味著需要塞進更多物理器件，因此在密度上存在天然限制。而視觸覺的觸覺信息點的密度由相機分辨率決定，這正是視觸覺最突出的長處。緯鈦機器人創始人李瑞介紹，640×480 的圖像就有 30 萬個像素點，每一個對應一個觸覺信息點，若傳感器面積是3平方釐米，每平方釐米就是上萬個點甚至更多。一目科技創始人李智強用人體做對比：人手指尖約 1.2 萬個觸覺點，一目可以做到 24 萬個，已經超過人手。對比之下，傳統壓阻式傳感器每平方釐米只有幾十個點，電容、霍爾方案在百個上下。

感知維度上，視觸覺同樣能拉開差距，李瑞概括了視觸覺傳感器的三個優勢：能同時測法向力、切向力與滑動，能操作衣服、線纜、食物這類柔性物體，不受溫溼度與電磁場干擾。「最類人」是他們共同給出的理由，視觸覺跟人的感知能力最接近。有廠商認為，這條路徑會是觸覺傳感器的終極方案。02走上牌桌的廠商視觸覺熱起來之後，玩家也越來越多。專業視觸覺廠商中，國外有GelSight，國內有戴盟機器人、一目科技、緯鈦機器人、千覺機器人、模量科技、疊動科技、知行具身；另有一批靈巧手廠商選擇自研，如 Sharpa、曦諾未來、拾玥科技。

它們的出身也各異：GelSight 與緯鈦源自 MIT ，戴盟孵化自香港科技大學機器人研究院，千覺的創始人是上海交大副教授馬道林，疊動核心團隊也來自港科大，一目從光譜芯片業務轉來，模量創始團隊來自香港城市大學、廈門大學等高校。幾家公司身上有幾個明顯的共性。其一，都朝系統級公司走，產品邊界超出傳感器本身，紛紛向上遊數據採集、底層算法平臺以及數據集、末端執行器延伸，試圖打造系統級的能力閉環。戴盟、一目、千覺、緯鈦都做了數採設備、數據集與模型，模量發佈了數採手套，連成立最晚的疊動也推出了集成算力的夾爪。都在往全棧做，其實有兩方面的原因。一方面，尚未成熟的地帶是廠商的潛在業務增長點。

千覺聯合創始人、CTO 趙浩南解釋， 傳感器、數據、模型幾個環節環環相扣，在特別好的硬件或模型出現之前，這些接口地帶就是大家的機會。另一方面也是行業所處的早期階段使然，一目科技創始人李智強判斷這是「先全棧、後往回收」的過渡階段，最終會走向分工；戴盟相關負責人也認為，全棧不是目的，出發點始終在觸覺上，適合合作的部分會找做得好的廠家，不過，觸覺數據處理鏈路與觸覺模型能力必須自己做。其二，產業資本密集入場。

戴盟的股東覆蓋匯川技術、中國移動、中國電信、螞蟻集團、聯想、招商局創投；一目背後有小米系順為資本、TCL 與博世旗下博原資本；緯鈦的天使輪由小米戰投領投，Pre-A 輪有韋爾股份旗下韋豪創芯；千覺的天使輪由智元機器人領投，理想汽車、吉德電器隨後加入。翻看股東名單，會發現家電與消費電子產業方出鏡率最高。小米系資本、TCL、松霖、吉德都位列其中，家電產品迭代快、型號多，產線需要機器人適應更多變化，而插接、裝配、抓取等任務又高度依賴接觸反饋；車企、半導體產業方看中產線精密裝配，螞蟻、聯想等大廠在押注數據與生態。

落到場景上，各家都在啃高價值工序：戴盟在 3C 產線承擔 USB 插拔、標籤張貼，緯鈦與小米及多家世界 500 強合作，千覺已服務 300 多家頭部客戶，夾爪類產品去年完成量產，訂單量級在千套至萬套之間。其三，不少產品補齊了防水防塵能力，幀率基本都能達到百Hz級別。戴盟傳感器做到 IP67 防護，通過 500 萬次按壓與 20 萬次摩擦測試；緯鈦夾爪款視觸覺傳感器具備 IP54 防護，還可以升級防護等級，工作溫度覆蓋零下 25 ℃到 80 ℃；一目 Sentra T0 系列達到 IP65 防護，工業壽命超五百萬次按壓，並宣稱無懼溫漂；千覺正在研發防水款傳感器。

千覺機器人聯合創始人、 CTO 趙浩南解釋，研發防水款傳感器，是為了適應機器人進入家庭後的真實需求，洗碗、洗水果、拿抹布等涉水任務，都要求傳感器能夠在水環境中正常工作。而防塵更多是基於工業場景的需求，總體而言，防水防塵，目的是延長凝膠壽命與標定長期有效。戴盟視觸覺傳感器行業裡「視觸覺幀率只有 30 到 60 fps」的說法也已過時。戴盟夾爪款 120 Hz、靈巧手款180Hz，千覺的採樣幀率最高可到 150 Hz，模量工業夾爪可到120Hz，疊動甚至可以把全系採樣頻率拉到400Hz以上。其四，產品形態多樣，並且已出現不少曲面產品。

做曲面的視觸覺傳感器一度被認為是難題，其實如今的視觸覺傳感器可以做到仿生曲面，有的已接近指腹形態。一目有方形、楔形與指尖三類形態，千覺的視觸覺傳感器精靈為仿生指尖，夸克 N1 與夸克 W1 為仿生曲面，光子為楔形平面。03格局未定，各有各的解法廠商一多，同質化的說法隨之而來，甚至有觀點認為在電商平臺買齊零件就能手搓出產品。但把各家的產品放在一起看，同質化判斷其實站不住腳。開源方案確實降低了入門門檻，但真正商用的產品對凝膠配方、光學校準、批量一致性、可更換設計與軟件棧上都有極高要求，這些環節決定產品能否離開實驗室、走進產線。取捨不同，廠商產品也不同。

評判一款視觸覺傳感器，可抓住幾個方向：空間分辨率與深度精度：決定能「看」到多細的紋理與形變，直接影響對物體表面特徵（如芯片引腳、頭髮絲分叉）的識別能力；力感知性能：包括法向力、切向力、力矩的測量範圍與精度，決定能否感知滑動、判斷抓取穩定性，其中切向力非常關鍵；幀率與延遲：影響動態操作中的響應速度，高頻操作（如裝配、插拔）需要百Hz級別的實時反饋；尺寸與集成性：決定能否嵌入靈巧手指尖、能否適配不同構型的末端執行器；耐久性與環境適應性：決定產品在產線上能扛多久，包括防水防塵等級、按壓壽命、抗穿刺與抗腐蝕能力。

把市面上各類視觸覺傳感器的產品參數都盤了一遍後，我們發現行業裡參數標註並不統一，橫向對比有難度，不過仍然可以根據各家強調的指標，簡單看出他們打法差異之處。戴盟把功夫下在耐用性和一致性上。產品具備 IP67 防護能力，能夠防水防濺、抗塵耐汙，具備強抗電磁干擾，特別標註了靈敏度、零漂、輸出時漂、非線性等指標，傳感器表面可以承受劃、刺、刮等操作。這背後很大程度上是材料工藝的結果。傳感器並非單一材料構成，而是由外層保護層、中間透明層以及貼合工藝等多層結構組成，每一層都需要針對實際使用場景進行調整。一目最突出的標籤是薄，靠自研超表面硅光感光芯片壓縮光路，把產品壓到 10 毫米以內，第二代做到 3 毫米。

一目科技視觸覺傳感器一目科技相關負責人介紹，一目團隊多名核心成員有華為背景，優勢在於具備強大的工程化能力，據公司披露今年已拿下多家行業頭部客戶訂單，應用於靈巧手的仿生指尖款觸覺傳感器已經開啟量產。千覺在參數上強調一致性和精度表現，全繫帶自標定算法，自動校準保障片與片之間的穩定，其整手觸覺方案中跨傳感器一致性超過 97 %；對產品的合力精度、變形場精度標註細緻。緯鈦的產品明顯能看出有面向場景的取捨，夾爪款採樣頻率相對低但工作溫度範圍寬，指尖款頻率高、面向 0 到 50 ℃環境；GF225 的法向力與切向力量程都到 30 N，在幾家公開標註中最高。

模量走視觸覺與壓阻多技術融合路線，以視觸覺做指尖高精度，以壓阻做手掌大面積覆蓋。知行具身換了感知範式，把相機換成了事件相機：只檢測亮度變化的區域，變化即輸出，繞開了傳統視觸覺傳感器「逐幀快照」的物理限制，輸出方式的改變也減少了大量重複圖像數據的輸出，帶寬小而無需外掛算力設備。疊動則把 MEMS 工藝引入視觸覺，全系採樣頻率拉到 400 Hz以上，在頻率上形成了差異化。技術生態上，各家雖然都在全棧化，但也有具體差異。戴盟是目前技術生態佈局最完整的廠商，從傳感器到數據採集設備、數據集、評測基準到 VTLA 模型、世界模型均有佈局。

模型方面，戴盟2024年在業內率先提出 VTLA（視覺-觸覺-語言-動作）架構，後續不少廠商跟進。戴盟近期又發佈了觸覺錨定世界模型 Daimon-TWM。數據方面，公開數據集的有四家，戴盟的 Daimon-Infinity 是全球最大規模含觸覺數據集，並開源其中 1 萬小時數據；千覺的 TacVerse 1k是首批 1000 小時真實交互數據；緯鈦的白虎-VTouch 超6萬分鍾，強調跨本體；一目在聯合斯坦福推進開源項目 TouchNet。

此外，一目還著力於降低模型廠商用觸覺數據的門檻：觸覺基座負責採集，Tactile Transformer Encoder 把不同硬件採到的原始信號編碼成與視覺、語言對齊的通用表徵，做基模的人不再需要理解底層細節。仿真方面的探索也有不同。戴盟把仿真能力用在評測上，與銀河通用聯合發佈評測基準RobOmni，更希望定義行業標準；一目自研觸覺仿真平臺，千覺發布全球首個觸覺仿真工具Xense_Sim，填補切向力模擬空白；緯鈦與光輪智能合作，把傳感器數據接入人類示教平臺，記錄軌跡之外的手感數據。廠商選擇各異，行業對「觸覺該長成什麼樣」還沒有標準答案。

04落地之前，還有幾道坎關於應用節奏，業內比較一致的判斷是裝上視觸覺傳感器的夾爪會先行。夾爪裝上機械臂就能用，控制難度比靈巧手低不少，補上觸覺就補齊了抓取閉環的關鍵拼圖。而靈巧手各家構型不同，對傳感器的形狀與曲率要求各異，這種高度定製化要求，也是部分靈巧手廠商選擇自研視觸覺傳感器的原因，因為內部迭代效率更快。不過，各廠商口徑都稱自己的靈巧手款傳感器正在進入量產階段。一隻五指靈巧手需要的傳感器數量遠多於兩隻夾爪，需求起來後出貨量會可觀得多，但視觸覺要過的關也不少。第一道坎是成本和厚度。

國外代表產品 DIGIT 售價約 355美元；有靈巧手廠商透露，國產夾爪型視觸覺傳感器單價一千多元，指尖型三四千元，一隻整手僅視觸覺傳感器成本就可能上萬。廠商對此的態度比較一致：先解決性能，再談成本，產品成熟了，規模化過程中自然會降本。這個價格區間也正在被拉平。戴盟透露，其視觸覺傳感器不管夾爪款還是指尖款，單價都在一千多元。另一方面，視觸覺的成本也要換個算法，要拉長到整個生命週期來看。戴盟相關負責人介紹，視觸覺是唯一表面材料可替換的技術方案，其他方案花 500 元買傳感器，三個月壞了，再花 500 元換新的，視觸覺雖然一開始貴，但表面壞了，後續只需要幾十元換一片硅膠就能接著用。

這個賬，很多人一開始沒算過。一目科技還透露，自家視觸覺傳感器已進入可規模化量產的成本區間；能降本主要得益於自研解算芯片與供應鏈能力。厚度則是視觸覺從實驗室進入靈巧手時繞不開的問題，但它的進展經常被低估。最初的 GelSight 接近一個30釐米見方的盒子，2014 年的指尖版仍有 60 毫米厚，DIGIT 做到 18 毫米。Digit今天，戴盟產品已經做到 5 到 8 毫米；疊動產品做到 7 到 9.8 毫米；一目則將產品從第一代的 10 毫米以內迭代到第二代的 3 毫米；知行具身的產品最薄僅 3–4 毫米。視觸覺因為有攝像頭，所以永遠做不薄的說法並不成立。

厚度問題上，各家解法不同：戴盟可以靠材料與結構優化，一目用自研芯片壓縮光路。至於靈巧手指尖究竟需要多薄，行業還沒有共識，多數產品仍在迭代階段。第二道坎是一致性與耐用性，這其實比成本和厚度更重要。視觸覺數據要進入模型訓練，前提是同一批傳感器對相同輸入給出相近讀數；一致性差的傳感器，採出的數據進模型反而成為噪音。戴盟從材料、結構和防護入手提升耐用性，千覺用自標定算法解決一致性。一目科技具身產品 PDT 經理周愛第把這個問題歸結為系統工程能力：只做好傳感器某一個零件做好還不夠，材料、光學、算法、製造和標定全部需要協同。

「網上買零件就能手搓一個視觸覺」的說法，只能說明原理驗證的門檻並不高，卻不能說明產業化門檻低。第三道坎是算力與功耗。如果一隻靈巧手上部署多個傳感器，持續輸出高分辨率數據，算力、存儲和通信壓力確實會增加。但工程上並不意味著所有原始圖像都必須完整保留下來。一目工程師介紹，面對較大的數據量，實際使用時通常會先進行下采樣，或者用輕量級網絡（如ResNet）提取特徵，再交給下游模型。另一種方式是在感知端就減少數據量，從源頭解決。李瑞給出的解法是適當降低分辨率，認為 240×240 就夠了，甚至 120×120 也行。每個手指 240×240，五個手指加起來比一個 640×480 的攝像頭還少。

知行具身則改變了成像架構，通過基於定製的微型事件相機模組由內而外重構了整套傳感系統，使傳感器在高速感知下仍能保持較低的數據率，無需外掛算力盒。而且，視觸覺把幾何與力統一在同一個傳感器裡，比起「力傳感器再加一路視覺」的系統，整體鏈路反而更省力。真正需要比較的，是增加的計算成本，能不能換來足夠高的任務收益，並不是視觸覺的數據量大不大。第四道坎，是觸覺數據如何融入模型。這或許才是行業下一階段最大的變量。現在很多 VLA 模型仍然是先把視覺和語言體系做起來，再嘗試把觸覺補進去。千覺機器人把這種做法比作補作業，傳感器格式不統一，數據融合度不夠，多設備延遲不同，延遲越高，長序列任務越容易斷裂。

戴盟 2024 年提出 VTLA，把觸覺放到與視覺平級的位置，千覺也是類似思路，是讓觸覺作為原生模態，傳感器、數據規則、數採設備與模型訓練保持同一套體系。不過，戴盟相關負責人認為，數採硬件本身難度不大，真正的壁壘在數據鏈路：時間戳對齊、多模態打通、後處理管線，決定數據能不能用、好不好用。這也是觸覺數據競爭正在發生變化的原因。上半年各家還在卷數據集時長，下半年開始有人轉向卷質量，廠商開始越來越多地討論數據質量、一致性、同步精度以及數據能否真正訓練模型。正如趙浩南所說，時長再長，質量不夠，只會越採越汙染。模量科技聯合創始人周建林也提到，觸覺感知行業的競爭，最終是數據的競爭。

而這件事最終會落到一個現在還沒有答案的問題：訓練一個真正能完成靈巧操作的模型，到底需要什麼規模的觸覺數據？需要包含哪些維度的觸覺數據？目前沒人能交出一份準確的答卷，視觸覺廠商和具身本體、模型公司都在探索，這是一個需要合力才能解決的難題。對爆發時點，樂觀者認為今年下半年就會掀起觸覺風潮，保守的預判是靈巧手明年或後年先放量，觸覺傳感器隨後跟上。共識在於，視觸覺的節奏綁在靈巧手的成熟度上。對廠商而言，眼下要做的事排序清晰：把一致性與耐用性做到位，把數據管線打通，再逐步壓低厚度與成本。每一步都不輕鬆，但和一兩年前相比，方向已經清楚許多。視觸覺需要的，其實只是時間，以及更多耐心。

上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。