AREX Viewpoint Article
机器人也需要“手感”：触觉如何让AI理解物理世界
导读
当具身智能的竞赛从模型参数转向现实世界的“手感”，一个更基础的问题被摆上台面：训练机器人所需的真实交互数据究竟够不够？今年9月，帕西尼（PaXini AI）创始人兼CEO许晋诚在接受采访时给出一个刺眼的判断——目前行业可用的数据只有十万小时量级，而真正需要的在千万小时以上，缺口巨大。这来自企业方的说法，为10月29日上线的硅谷101 Alignment 2026大会演讲提供了最直接的现实背景。
这一缺口并非纸上谈兵。9月27日至10月1日的IROS 2026上，帕西尼展示了从芯片出发的全栈触觉产品，试图回应物理AI的规模化难题；而这场演讲，把展台上那些产品背后的判断与方法成体系地讲了出来。对读者而言，与其记住又一批新品，不如看清它为何把“数据”当成核心稀缺品。
许晋诚在演讲中强调，“知道”与“会做”是两回事：机器人可以从文本里知道杯子是圆柱形的，却未必知道该怎样抓住它、与它互动。在他看来，智能不能只停在文本知识层，还需要由人类与物理世界互动构成的“经验层”。这也解释了为什么再多语言和视觉数据，都不能自动换来可靠的操作能力。
针对这一点，帕西尼选择自建数据基础设施。据许晋诚介绍，团队已积累超过100万小时、包含触觉感知信息的高精度人类数据，构成OmniSharing DB数据集，可用于预训练、后训练乃至终身学习；支撑采集的是分布在宿迁、天津等地、另有三座在建的五座数据工厂，以及让用户在家中教机器人的设备。
但数据只是起点。许晋诚用“PIE”概括机器人必须具备的感知、智能与执行三项能力，并强调缺一不可：即便感知完美、大脑出色，缺少可靠的执行层——本体与末端执行器——机器人仍无法在现实中完成任务。为此，帕西尼从自研传感器芯片做起，覆盖指尖、关节、皮肤乃至脚底的触觉与力觉；执行端的DexH13灵巧手已通过超过2万小时使用测试，公司还表示可开源其设计，供其他机器人公司使用。
更值得留意的是它给出的评判尺度。许晋诚提出，判断机器人是否具备真实世界智能，一个简单直接的方法是看它能否处理以前从未遇到过的物体，因为“现实世界才是对机器人的终极考验”。这也正是这场演讲超出产品发布的意义：它把为何现在要谈触觉与数据，讲成一条从自研传感、百万小时数据集、灵巧手执行，到以陌生物体为准的评测与开源生态的完整链路。当数据成为稀缺品，读者真正要追问的或许不是机器人何时更像人，而是谁能先把感知、数据与执行连成闭环——这恰是这场大会分享试图回答的问题。
核心结论
- 触觉感知是机器人从“会看会说”走向“会做”的关键缺口：机器人仅靠视觉和语言理解无法安全、精准地操作物体，触觉反馈是弥合“看起来在做”和“真正理解”之间差距的基础能力。
- 文本知识不等于操作能力，机器人需要人类交互数据来积累经验：知道杯子是圆柱形物体并不等于知道如何抓取，物理AI必须超越语言模型的知识层，进入由人类操作数据构成的经验层。
- 能否操作陌生物体，是衡量机器人真实世界智能的硬标准：实验室成功不足以证明机器人能力，处理从未见过的物体才是可观察、可验证的智能基准，也是物理AI走向应用的前提。
- 感知、智能与执行必须形成闭环，灵巧手是执行层落地的核心：即使拥有完美的感知和出色的大脑，没有可靠的执行层，机器人仍无法完成任务。帕西尼以自研传感器和经过验证的灵巧手补齐了这一闭环。
- 开源灵巧手与开放生态，意在把机器人开发从少数厂商手中解放出来：帕西尼通过开源设计和产业合作构建平台、集成与生态，目标是降低开发门槛，让更多参与者能够基于开放基础设施打造自己的机器人。
观点拆解
1. 机器人仅有“大脑”不够，触觉感知是进入物理世界的关键缺口
-
触觉是人类与物理世界互动的核心通道，机器人同样需要这种感知能力：许晋诚博士用“一手拿水杯、一手拿鸡蛋”的日常场景说明，人类之所以能既不让鸡蛋滑落也不捏碎它，靠的是大量触觉信息被大脑实时处理。这个类比直接点明：机器人要进入现实世界，不能只靠视觉和语言理解，触觉感知是与物体安全、精准互动的基础能力。
“为什么我们拿着的鸡蛋不会滑落，也不会被捏碎，就是因为我们获得了大量触觉信息，大脑能够处理这些信息，所以触觉感知对于人体来说，是与物理世界互动的重要一环。”
-
机器人做出相同动作不等于理解动作，缺乏物理理解的智能是不完整的：视频以清洁地板为例指出，机器人和人虽然在做同样的动作，但人需要通过触觉感受地面并施加适当压力，而机器人是否真正理解这个动作仍然存疑。这说明仅靠动作模仿或指令执行，无法让机器人获得真正的物理理解，触觉反馈是弥合“看起来在做”和“真正理解”之间差距的关键。
“比如我们清洁地板时，需要用手，通过触觉感受地板，并把吸尘器的吸嘴压向地面，才能把地板吸干净，但机器人真的理解这个动作吗？这仍然值得怀疑。所以，缺乏物理理解的智能是不完整的。”
-
下一代AI不能只理解指令，必须通过与世界互动来让事情发生：许晋诚博士指出，机器人从“知道怎么做”到“实际去做”再到“可靠地做到”之间存在巨大鸿沟。下一代AI的核心转变在于：不再只是对提示词作出反应，而是要通过与物理世界的真实互动产生实际影响。这为触觉感知和物理交互能力提供了更高层面的定位——它们是AI从被动理解走向主动改变世界的前提。
“它们不应该只是理解指令，也不应该只是对提示词作出反应，它们需要与世界互动，并且让事情发生或带来改变。”
2. 从知识到经验：机器人需要人类交互数据而非仅仅文本知识
-
文本知识不等于操作能力：机器人知道杯子是什么，却未必知道怎么抓：许晋诚博士指出，智能不能只靠文本知识。机器人可以从文本中知道“杯子是圆柱形物体”，但这并不等于它掌握了抓取和操作杯子的能力。这个区分解释了为什么物理AI必须超越语言模型的知识层，进入真实的交互经验层。
“机器人可能知道杯子是什么，你看，杯子是一个圆柱形的物体，但它知道该如何抓住杯子或怎么与它互动吗？也许不知道。”
-
经验来自人类数据：要建立为物理AI提供经验的“经验层”：许晋诚博士把“经验”直接等同于人类数据，并主张机器人需要的不只是文本，而是人类与物理世界互动的数据。为此，他提出要建立一个专门为机器人或物理AI提供经验的基础层，这是从知识走向操作能力的关键一步。
“经验教会我们，也教会机器人如何行动，以及如何操作物体。”
“如果我们希望获得更多经验，就需要建立一个经验层，为机器人或物理AI提供经验。”
-
数据工厂与家用设备共同构成数据驱动的物理智能飞轮：帕西尼的路径不是只依赖固定地点的数据工厂，而是把每一次人类与物体的互动都视为学习机会。通过数据工厂采集操作数据，并提供家用设备让用户在家教机器人，帕西尼试图抓住更多教学机会，形成持续积累的数据驱动飞轮。
“大家看到的这个流程，是我们数据工厂里的一个流程。人进行观察和互动，然后拿起瓶子，我们就能获得与这类物体互动的数据。”
“我们也希望机器人能在任何地方学习，所以我们提供了这样的设备，让大家在自己家里教机器人。我们希望抓住每个教机器人的机会，这就形成了数据驱动的物理智能飞轮。”
3. 评测机器人智能的标准是能否操作陌生物体
-
机器人智能的评测标准是处理从未见过的物体：许晋诚提出，判断机器人是否具备真实世界智能，最简单直接的方法是看它能否处理以前从未遇到过的事物，包括从未见过或从未操作过的物体。这一标准把抽象的“智能”转化为可观察、可验证的操作能力，为机器人能力评估提供了清晰的基准。
“一个很简单的方法就是，看机器人能否处理以前从未遇到过的事物，比如它从未见过的物体，或者从未操作过的物体。如果机器人能够处理这些物体，就说明它能在现实世界中展现智能。”
-
现实世界是机器人的终极考验：在提出陌生物体评测标准之后，许晋诚进一步强调，现实世界才是对机器人的终极考验。这意味着实验室中的成功并不足够，机器人必须在真实、复杂、不可预知的环境中证明自己的能力，才能真正走向应用。
“所以，最终我们想说的是，现实世界才是对机器人的终极考验。”
-
可衡量的真实世界交互是物理AI的基础：许晋诚指出，机器人和物理AI必须以可衡量的真实世界交互为基础，而不是停留在模拟或理论层面。这一观点将评测标准从“能否操作陌生物体”上升到物理AI发展的根本原则，强调智能必须与现实相结合才能产生实际价值。
“而最重要的，就是让机器人和物理AI以可衡量的真实世界交互为基础。这就回到了我们的PIE，PIE就是让智能与现实相结合。”
4. PIE框架：感知、智能与执行三者缺一不可
-
PIE是机器人能力的三位一体框架：许晋诚博士将机器人的核心能力概括为PIE，即感知（Perception）、智能（Intelligence）和执行（Execution）。这一框架强调三者不是可选的附加项，而是每一个机器人都必须具备的基础能力，缺一不可。
“P是感知，I是智能，E是执行。对于每一个机器人来说，这三种能力都必不可少。”
-
没有执行层，感知和智能无法形成闭环：许晋诚博士指出，即使机器人拥有完美的感知能力和出色的大脑，如果缺少可靠的执行层——例如完整的机器人本体和末端执行器——机器人仍然无法在现实世界中完成任务。执行层是将感知与智能转化为实际动作的关键闭环环节。
“即使你有完美的感知能力，有出色的大脑，但如果没有一个足够好的执行层，比如没有完整的机器人本体，没有末端执行器，比如机器人手，那你还差得很远，无法让机器人形成闭环，在现实世界中完成任务。”
-
灵巧手是执行层落地的核心载体：帕西尼将灵巧手作为执行层的具体实现方向，不仅设计多种类型的机器人手，还通过开源设计和可靠性测试推动落地。其主打产品DexH13经过超过2万小时的使用测试，体现了执行层从设计到验证的完整路径。
“所以我们要打造这样的执行层，设计各种不同类型的机器人手，而机器人手的设计是非常重要的一部分。”
“我们的一款主打产品，也很有名的灵巧手DexH13，就经过了大量测试，使用测试时间已经超过了2万小时。”
5. 自研传感器芯片让机器人具备全身物理感知能力
-
自研FUSE芯片架构是帕西尼触觉感知产品的技术底座：帕西尼的感知能力并非依赖外购传感器，而是建立在自研传感器芯片架构之上。许晋诚博士明确表示，从机器人指尖传感器、触觉传感器到汽车及其他应用中的传感器，都可以基于这一芯片架构来构建，说明FUSE芯片和FUSE技术构成了其产品线的共同底层。
“我们的感知能力基于自研传感器芯片。”
“基于这样的传感器芯片架构，能开发各种产品，比如大家现在看到的机器人指尖传感器，还有触觉传感器，还有汽车上的传感器，或其他各种应用中的传感器，都能基于这种芯片架构来构建。”
-
多类型传感器覆盖指尖、关节、皮肤与脚底，构成全身物理感知系统：帕西尼将自研芯片架构落地为覆盖机器人身体多个部位的传感器产品，包括关节扭矩传感器、末端执行器上的六维力/力矩传感器，以及用于指尖、手掌、机器人皮肤甚至脚底的触觉传感器。这种多点位布局使机器人能够获得全身性的物理感知能力，而不仅仅是局部触觉。
“目前我们在机器人上有各种产品，比如关节上的扭矩传感器，末端执行器上的六维力／力矩传感器，还有触觉传感器，用于指尖、手掌和机器人皮肤，甚至机器人脚底。”
“有了这些技术，我们就能让每个机器人具备全身的物理感知能力。”
-
客户对多类型机器人传感器的需求验证了自研感知方案的市场价值：帕西尼的传感器技术不仅停留在演示层面，还吸引了机器人公司主动寻求合作。许晋诚博士提到，很多客户希望在机器人上安装不同类型的传感器，其中一些应用场景甚至超出了团队此前的认知范围，说明自研全身感知方案正在被真实市场需求所验证。
“因为最近有很多客户来找我们，希望在机器人上安装不同类型的传感器。有些应用我们以前从未见过或听说过，机器人公司的这些需求也令人惊喜。”
6. 百万小时触觉数据集OmniSharing DB是训练物理AI的基础设施
-
OmniSharing DB以超过100万小时含触觉信息的高精度人类数据构成核心壁垒：帕西尼通过数据工厂项目获得了超过100万小时的高精度人类数据，且这些数据包含触觉感知信息，形成了名为OmniSharing DB的数据库。这一规模和数据类型使其区别于普通视觉或语言数据集，为物理AI训练提供了稀缺的接触与力觉维度。
“现在我们已经能够获得超过100万小时的高精度人类数据，其中包含触觉感知信息，这个数据库叫OmniSharing DB。”
-
五座数据工厂的布局将数据采集转化为可扩展的物理AI基础设施：帕西尼不仅拥有数据，还通过布局五座数据工厂来持续生产和扩展数据能力。宿迁和天津的工厂已经落地，另外三座即将建成，表明数据采集正在从一次性项目转向长期、可复制的产业基础设施。
“依托这项技术，我们布局了五座数据工厂，一座在中国东部的宿迁，另一座在中国北部的天津，另外还有三座即将建成。”
-
OmniSharing DB支撑预训练、后训练与终身学习，是机器人持续进化的数据基础：这些数据不只是用于一次性训练，而是可以服务于预训练、后训练乃至终身学习，意味着机器人可以在部署后继续利用新产生的数据提升能力。许晋诚明确强调这类数据对机器人本身非常重要，凸显了数据作为物理AI长期学习基础层的战略价值。
“这些数据可以用来做预训练、后训练，甚至终身学习，所以这类数据对机器人本身非常重要。”
7. OmniVTLA模型融合语言、视觉、交互与触觉信息实现机器人学习
-
OmniVTLA 2.0用飞轮模型验证触觉数据的实际价值：帕西尼开发OmniVTLA 2.0的核心目的，是验证数据工厂和机器人自身产生的数据确实能用于训练。该模型支持机器人利用自己生成的数据进行终身学习，说明数据闭环不是单向采集，而是可以持续反哺模型能力。
“为此，我们开发了飞轮算法模型，用于机器人模型本身，来验证这些数据确实有用。这个模型叫Omni VTLA 2.0。”
“当机器人自己生成数据时，仍然可以用这些数据进行终身学习。”
-
模型融合语言、视觉、交互与快慢触觉信息：OmniVTLA 2.0并没有放弃语言和视觉信息，而是在此基础上加入机器人自身的交互信息，并重点嵌入慢适应型和快适应型触觉信息。这意味着触觉不是辅助信号，而是与语言、视觉并列的核心模态，直接进入模型和算法。
“我们并没有放弃语言信息，我们仍然会使用语言，也会使用视觉信息，还会使用机器人自身的交互信息。”
“除此之外，更重要的是触觉感知。我们会利用慢适应型触觉信息和快适应型触觉信息，让机器人将这些触觉信息嵌入模型和算法之中。”
8. 开源灵巧手与开放生态：帕西尼想降低机器人开发门槛
-
开源灵巧手设计，降低机器人公司的开发门槛：帕西尼明确提出可以开源灵巧手设计，供有需要的机器人公司使用，这意味着其技术能力不只服务于自身产品，也试图成为行业基础设施。与此同时，DexH13灵巧手经过超过2万小时的使用测试，说明开源策略并非牺牲可靠性，而是以经过验证的设计为基础。
“对帕西尼来说，我们可以开源灵巧手的设计，提供给有需要的机器人公司。”
“我们的一款主打产品，也很有名的灵巧手DexH13，就经过了大量测试，使用测试时间已经超过了2万小时。”
-
第二种PIE：用平台、集成与生态构建开放机器人生态：帕西尼在感知、智能和执行之外，提出第二种PIE，即平台、集成与生态。这一框架把公司战略从单点技术能力扩展到产业协作层面，目标是让更多人能够基于开放生态开发自己的机器人，而不是只能依赖少数厂商的封闭方案。
“最后，我们希望打造的不只是感知、智能和执行组成的PIE，还要构建平台、集成和生态。”
“另一种是建立良好的开放生态系统，让每个人都能拥有自己的机器人，用自己的技术成功开发机器人。”
-
开放生态的最终目标：让机器人承担累人的工作，解放劳动力：帕西尼的生态愿景不只是技术扩散，而是指向一个更具体的社会目标：让每个人都能拥有自己的机器人，从而把累人的工作和任务交给机器人，让人在物理世界中享受更多乐趣。这为开放生态战略提供了清晰的价值叙事，也更容易被大众理解和传播。
“我们希望每个人都能拥有自己的机器人，从而解放劳动力，在物理世界中享受更多乐趣，让机器人去做那些累人的工作和任务。”
总结
机器人真正的瓶颈不在算力或语言理解，而在它能否像人一样通过触觉感知世界，并从真实交互中积累经验。帕西尼给出的答案是一条从传感器芯片、百万小时触觉数据到灵巧手执行的完整闭环，同时用开源和生态策略降低行业门槛。这意味着物理AI的竞争焦点正在从模型参数转向数据质量、执行可靠性与生态开放性，谁能率先打通感知到执行的闭环，谁就更有可能定义下一代机器人的能力边界。
信息源
视频来源
- 机器人也需要“手感”：帕西尼谈触觉、数据与物理AI｜硅谷101年度线下大会：
外部资料
- 对话帕西尼创始人兼CEO许晋诚：好数据是稀缺品：
- 对话帕西尼创始人兼CEO许晋诚：好数据是稀缺品 - 财经- 凤凰网：
- IROS 2026 | PaXini Showcases Full-Stack Tactile Strategy ...：
- 机器人也需要“手感”：帕西尼谈触觉、数据与物理AI：