AREX Viewpoint Article
让机器人学习“人类的第一语言”：触觉，如何成为具身智能的关键能力？
导读
2026年下半场对机器人触觉来说不只是概念升温，而是第一次被摆到量产检验台上。东方财富号7月刊发的《2026中国触觉公司梯队与量产图谱：下半年是检验成色的关键》已经把这一点挑明：部分厂商将柔性触觉传感器产能扩至年产2000万支，良率稳定在92%以上，并通过IATF 16949车规认证。行业开始从实验室演示转向交付能力比拼，而视频发布的9月初，正处在“下半年”这个最需要证据的窗口。
正是在这个节点，《机器人触觉的爆发前夜》没有停留在产能数字上，而是把镜头带进了触觉实验室和试产车间。视频梳理的五条技术路线显示，压阻、压电、电容、光学和磁感应没有任何一条能单独覆盖全身需求；光学式精度最高，却受制于成本、体积和材料“不可能三角”。多位嘉宾因此判断，完整触觉方案必须多传感器融合，不同部位按精度和成本选不同路线。这解释了为何“具备产能”和“具备可用触觉”之间仍有距离。
更关键的距离在于量产一致性。视频嘉宾在ICRA 2026现场亲手测试后发现，大多数触觉传感公司仍难以保证输出一致：手指微调动作极其精细，弹性体厚度、弹性系数或传感器间距的微小偏差，都会直接影响精密操作成败。这与外部文章强调的车规认证、良率指标形成互补：良率只说明能造出来，一致性才决定机器人能不能稳定用起来。视频因此把“一致性”从一句行业口号变成了可核验的工程标准。
触觉另一道隐性的关卡在模型侧。视频引述T-Rex论文实验：直接把触觉信号输入π0.5模型，任务成功率不升反降。原因在于触觉规则难定义、维度过多、频率与视觉语言模型不匹配。正确路径是先训练自监督触觉编码器，再以异步架构做高频修正，让触觉像人类反射一样独立运行。对正在抢下半场量产窗口的公司来说，这意味着硬件出货之外，还必须交出可接入的模型接口和训练路线。
数据困局同样不会因产能扩大自动解决。视频指出，触觉可用数据基本为零，采集时“先屏蔽触觉才能采集触觉”的悖论使示范质量下降，各家数据格式不统一又让训练集难以规模化。但触觉也有独特优势：无操作时输入几乎为零，天然过滤无效过程，训练基础模型所需数据量约为视觉的十分之一。这个反差说明，行业爆发前夜真正的瓶颈并非数据规模，而是数据质量与格式统一。
于是，视频补充的最有价值的部分，是一套在2026下半年判断触觉公司成色的方法：看它能否解决光学触觉的材料与结构限制，能否在多传感器融合中保持量产一致性，能否用独立编码器和异步架构而非简单堆叠模态来提升成功率，以及能否把真机数据与仿真数据按至少1比1搭配训练。当产能数字已经先跑起来，这些标准决定谁只是交出货，谁真正能让机器人从“能看”走向“能干活”。
核心结论
- 没有触觉的机器人成功率是伪命题，精细操作必须依赖独立的力与形态感知：视觉只能支撑极慢的反复微调，无法判断抓握力度、滑动状态和材质差异。触觉提供的静态力、动态力和形态学信息，是机器人从演示走向真实任务的核心前提。
- 五大触觉路线各有硬伤，多传感器融合才是完整方案，但量产一致性是最大瓶颈：压阻、压电、电容、光学和磁感应路线均无法单独覆盖全部需求，不同部位需按精度和成本选择不同方案。光学式精度最高，但材料、结构和量产一致性难题使其难以快速普及。
- 触觉数据采集陷入“先屏蔽触觉才能采集触觉”的悖论，数据格式不统一加剧恶性循环：采集人手触觉数据需要在手和物体之间加装传感器，但这会屏蔽操作者自身的触觉，导致示范质量下降。硬件不成熟、数据密度不足和格式不统一，使触觉训练集难以规模化。
- 直接把触觉信号塞进视觉语言模型反而降低成功率，触觉需要独立的编码器和异步高频修正架构：T-Rex论文实验表明，触觉信号维度多、频率高、难以用规则定义，直接输入π0.5模型会导致任务成功率下降。正确路径是先通过自监督学习训练触觉编码器，再以异步架构实现类似人类反射的快速力控修正。
- 触觉数据比视觉更“省数据”，但真正的爆发取决于灵巧手和整机出货节奏：触觉数据在无操作时输入基本为零，天然过滤无效过程信息，训练基础模型所需数据量仅为视觉的十分之一。2026年灵巧手和具身整机加速出货，多位嘉宾判断触觉已处于爆发前夜，下一个量产里程碑就在今年或明年年初。
观点拆解
1. 触觉是机器人从“能看”走向“能干活”的关键，没有触觉的成功率只是慢速试错下的伪命题
-
触觉是视觉无法替代的感知通道，缺失触觉会让精细操作直接失灵：视频通过“手部麻醉”实验说明，即使视觉完好，一旦触觉感知被短暂阻断，人在拧东西、抓握、系扣子等日常精细操作上就会失灵。这证明触觉不是视觉的补充，而是完成真实任务所必需的独立感知维度。
“现实中有很多任务，是无法单纯通过视觉来完成的。行业界有一些实验，就比如说，专门把有一些正常人的手，我们打一些麻药，就触觉感知神经给它短暂地麻醉掉，这个时候的人其实对一些操作是，就已经失灵了，拧一些东西、抓握，或者甚至系扣子等等。”
-
只看成功率高是伪命题，没有触觉的机器人只能靠极慢的反复微调完成任务：业内人士指出，仅靠视觉的机器人虽然最终能完成任务，但依赖的是极慢的逐毫米微调和不断试错。这种“成功率”掩盖了实际可用性差的问题，因为真实场景无法接受如此低效的操作节奏。
“成功率高并不等于可用性强。只用视觉，我动得非常非常慢，每次微调一毫米，我不断地去试，总归我是能完成这些任务的。所以如果我们只是去看这个成功率的话，其实它是一个伪命题。”
-
触觉提供力与形态学两类关键信息，让机器人从“看到”升级为“判断到位”：触觉并非单一感觉，而是包含静态力、动态力和形态学感知的多维信息。静态力判断捏得够不够紧、物体有多硬，动态力判断物体是否滑动、摩擦力够不够，形态学感知则用于分辨材料。这些信息让机器人能够实时判断操作状态，而不是等螺丝拧花后才意识到力过大。
“比如说我要去拧一个螺丝，那我不能只靠视觉说，螺丝拧花了我才会认为，这个力过大了，那太晚了。”
“它其实包含两种不同维度的信息，一类是对“力”本身的感知，另一类是对“形态学”的感知。其中力的感知还分为静态力和动态力。静态力是抓握物品的时候，手指持续施加的压力，它告诉你，捏得够紧吗，物体有多硬。动态力是物体滑动时候产生的高频信号，它会告诉你，是不是要掉了、摩擦力够不够。”
2. 五大触觉技术路线各有硬伤，光学式精度最高但成本与结构限制突出，多传感器融合才是完整方案
-
五种触觉路线各有明确短板，没有一种能单独覆盖机器人的全部触觉需求：视频梳理了压阻式、压电式、电容式、光学式和磁感应五种主流方案，并逐一指出其局限：压阻式只能测垂直力且会漂移，压电式无法测量静态力，电容式力感知范围有限，光学式成本高，磁感应易受电磁干扰。这说明触觉技术路线目前仍处于“各有硬伤”的阶段，单一技术难以成为通用解。
“它最大的优势是成熟、便宜、技术门槛低，但是它只能测垂直方向上的力，并且会随着温度、湿度产生漂移。”
“所以压电式非常适合检测振动、冲击这类高频动态信号，却难以测量静态力。”
“但磁感应容易受电磁干扰，周围的磁场环境会影响精度。”
-
光学式是当前精度最高的路线，但高成本和大体积限制了它向全身覆盖扩展：光学式触觉可以同时解算接触形貌和接触力，被视频称为“目前行业最热门的方式，也是精度最高的方式”。但它的成本较高，且在覆盖手掌、手臂等大面积部位时光学模块设计非常困难，因此更适合指尖等高精度场景，而非全身通用方案。
“这就是目前行业最热门的方式，也是精度最高的方式，但是成本较高。”
“比如说我们去考虑视触觉的话，那我们这个光学模块的设计就会非常非常的困难。”
-
完整触觉方案需要多传感器融合，不同部位按精度和成本选择不同路线：视频指出，机器人若想达到人类水平的触觉，需要全身覆盖感知，但不同部位对精度和成本的要求不同。指尖适合高分辨率的光学式，而手掌、手臂等大面积部位更适合压阻式或电容式。电容式传感器已因成本优势被批量用于工厂分拣和检测，采购价仅为光学式的四分之一到二分之一。
“如果全身都用最好的技术，那么成本就很难控制了，而且不同部位的要求也不一样，同一种技术路径也难以适用全身。”
“与精度最高的光学式相比，采购价只有四分之一到二分之一。”
-
广义触觉还需要加速度计和麦克风等传感器补足振动与材质感知能力：触觉不只是力的感知，还包括振动和材质识别。视频以人类分辨丝绸和棉布为例，说明需要触摸加滑动来产生振动信号。机器人则需要加入加速度计或麦克风等传感器来捕捉高频振动，因此完整的触觉方案不能只依赖单一力传感技术。
“我们会加入像加速度计或者像麦克风这种传感器，能够更有效地捕捉到高频振动产生的信号。”
3. 光学触觉的材料、结构、算法和成本构成四重壁垒，量产一致性是行业走向成熟的最大障碍
-
光学触觉的材料面临软、薄、耐磨的“不可能三角”，只能寻找平衡而非彻底解决：光学触觉传感器的皮肤材料需要同时满足低杨氏模量以精确反映形变、足够耐磨以避免长期使用中的性能漂移、以及尽量薄以缩小传感器尺寸，但这三项要求天然对立。这意味着材料研发的核心不是追求完美，而是在约束条件下寻找工程平衡，并尝试通过新方法削弱某些约束。
“第一就是得特别软，业内称为“杨氏模量”低，这样才能够通过细致的形变精确地反映物体的硬度和力度；第二是得耐磨，不然日常执行任务久了就会出现性能漂移或者破损；第三是要尽量薄，才能尽可能缩小整个传感器尺寸，扩大应用场景。而这三点却天然对立，无法同时满足。”
“我们一直讲，它是个不可能三角，但我们只能找平衡，以及说找一些新的方法，能不能把某些的变量给的约束条件去掉，或者说减弱。”
-
光学触觉的结构受限于微距成像的物理距离，小型化需要同时压缩材料厚度和光学视距：光学触觉传感器需要感光芯片来观察皮肤形变，类似于微距摄影，必须保持一定的物理距离才能覆盖整个视场，这构成了小型化的底层制约。要突破这一限制，既需要把材料做得更薄，也需要通过超表面和芯片技术压缩视距、扩大视场角，同时还要解决弯曲手指形态下的照明一致性问题。
“光触觉它背后需要有一个感光的芯片，要么用摄像头，要么用一些感光芯片，但是你为了达到把整个视场都能看到的，相当于我们微距摄影一样，它总是需要有一定距离的，这个距离就是它最底层的一个物理的制约因素。”
“要做得小，一方面就是前面我们提到的材料要尽可能地薄，另一方面就得从摄像头上下功夫了，尽可能去降低摄像头的对焦距离，同时还要扩大视场角，来覆盖更多的感应区域。”
“因为手指的形态不是完全平面的结构，左右两边都有一些弯曲的弧度，这就需要精细设置照明灯珠的排布，保证不同位置照明的一致性。”
-
三种光学触觉算法在精度、制造难度和算力之间各有取舍，光度立体法是相对均衡的折中方案：标记点法制造简单但精度受限于标记点数量，纹理分析法硬件简单但三维解算复杂、响应延迟高，而光度立体法通过多色光照明和逐像素RGB分析，在制造复杂度、算力需求和精度之间取得了较好的平衡。这说明光学触觉的算法选择本质上是在精度、成本和实时性之间做权衡。
“第一种叫做标记点法，在皮肤层上会印很多微小的标记点，摄像头跟踪这些点的位移变化来计算皮肤层的形变。优点是算法简单、制造容易，但缺点是精度上限很低。”
“第二种是纹理分析法，皮肤表面不再需要规则的点阵，而是随机喷涂的细小颗粒，或者利用材料本身自带的不规则纹理。它的优点在于硬件制造简单，因为不需要做标记点了。而触觉传感器需要检测的是三维，这也是它的缺点所在，算法复杂，计算量更大，相对的响应延迟也较高。”
“第三种其实是兼顾了这两者优缺点的比较好的一个折中方案。制造方面来说也没有那么复杂，但是它在解算的时候，通过预训练的一些模型就可以快速地去做分析了，所以它算力要求比第一种大，比第二种小，精度也是比较优的。”
-
量产一致性是光学触觉从实验室走向应用的最大障碍，微小工艺偏差会直接导致算法失效：触觉传感器用于精密操作时，输出的微小偏差就可能导致任务失败，而传感器本身又极其精密，弹性体厚度、弹性系数和传感器间距的任何不一致都会造成参数偏差，使算法无法计算出正确数值。在ICRA 2026的现场测试中，大多数触觉传感公司都无法保证一致性，这说明量产一致性是行业当前最核心的工程瓶颈。
“量产的最大的难题就在于性能的一致性。”
“上周在ICRA 2026在维也纳，我们看到非常多的触觉传感的公司，我们亲手去测了一下这个事，它是否一致，其实大多数是做不到的。因为手指的调整动作都是非常微小的，在做精密操作的时候，输出的力稍微有点偏差，就可能导致任务失败。但触觉传感器又太精密了，但凡表面的弹性体厚度相差太大，弹性系数不一致、传感器间距不同，都会导致参数偏差。”
4. 触觉数据采集陷入“先屏蔽触觉才能采集触觉”的悖论，数据格式不统一进一步加剧恶性循环
-
触觉数据几乎为零，且无法靠互联网数据替代：触觉领域面临的不只是数据稀缺，而是可用数据基本为零。与视觉和文字不同，互联网上现成的视频、图片无法反映力的大小和方向，因此触觉训练必须依赖真机采集，这从根本上决定了触觉数据的获取难度远高于其他模态。
“现在触觉的数据基本为0，就可用的数据基本为0。”
“普通的视频还有文字等互联网数据，是无法反映出“力”的大小和方向的，所以这个领域尤其强调真机数据。”
-
采集触觉必须先屏蔽人的触觉，导致示范质量下降：触觉数据采集存在一个核心悖论：为了记录人手与物体的接触信息，必须在手和物体之间加装传感器，但这层隔离恰恰屏蔽了操作者自身的触觉。操作者无法感知摩擦力、形变等关键信息，手会"变笨"，示范动作的质量随之下降，训练出的机器人也难以具备灵巧能力。
“厚重的手套完全屏蔽了我们的触觉，我们无法判断豆腐和手指之间的摩擦力是否够，是否快掉下去了，以及豆腐的形变程度，是不是快破了。”
“要采集触觉，就得先屏蔽触觉，但是屏蔽触觉之后又难以采集触觉。”
-
采集设备笨重且数据密度不足，精细操作数据失效：现有触觉采集设备普遍尺寸大、穿戴麻烦，影响操作员的自然行为。即便使用对操作影响较小的织物手套，其数据密度也严重不足——最好的织物手套一只手也只有约500个点，抓取小螺钉时只能呈现为一个点，无法检测方向和大小。于弢团队与MIT的合作项目证实，这类手套的有效数据大多局限于整掌抓取大物体，一旦涉及精细操作就失效。
“大多数数采设备都非常的笨重，就是它尺寸大，穿戴比较麻烦，都会在某种程度上影响操作员采集数据本身的一些行为。”
“最好的织物的触觉手套，我们看到的，也就500个点一个手。如果我戴着这个手套去抓一个M2的螺钉，其实在这个上面就是一个点，我是没有办法去检测到这个螺丝的方向或者它的大小的。”
-
数据格式不统一与硬件不成熟形成恶性循环：触觉行业尚处早期，各家公司的数据采集格式、传感方式和数据形态各不相同，难以汇聚成大规模训练集。硬件不成熟导致高质量数据采不到，数据量不足又让算法无法演进、模型训练不好，进而抑制投资意愿，形成一个不断自我强化的恶性循环。
“各家公司的数据采集格式不统一，难以形成大规模的训练集。”
“设备不够成熟就采不到高质量数据，然后训练不出好模型，然后就没人愿意投资这个领域，这会是一个不断的恶性循环。”
5. 仿真只能作为真机数据的补充而非替代，柔性物体模拟的10%差距是当前主要瓶颈
-
仿真通过软接触模型大幅降低计算成本，成为触觉数据规模化的关键路径：真机触觉采集难以规模化，仿真可以在虚拟环境中批量生成数据。英伟达押注的TacSL用软接触模型替代有限元计算，以牺牲部分形变精度换取计算速度，使快速实时获取触觉数据成为可能。
“仿真是在虚拟的环境中模拟真实场景，可以同时、批量采集不同的数据。”
“它的核心思路是用软接触模型代替有限元计算……这样算出来的形变虽然不是最精确的，但也能大致模拟，而且在计算速度上更快。”
-
仿真与现实的差距集中在柔性物体模拟，约10%的准确率缺口需要真机后训练数据弥补：仿真永远无法完全复现现实，Eric透露其仿真准确率在90%以上，剩余10%的差距主要来自柔性物体模拟。针对这一短板，可以在已有模型基础上补充少量真机后训练数据，快速将模型从80分提升到90分以上，这与TacSL论文的策略一致。
“仿真和现实之间永远都会有差距……他们仿真的准确率大概是在90%以上，而其中10%的差距，主要在于柔性物体的模拟。”
“比如说我们已经有一个80分的模型了，我再加一点点后训练，很快就可以到90分以上。”
-
仿真只能作为真机数据的补充，两者至少需要1比1搭配训练：尽管TacSL通过物理参数随机化和触觉图像数据增强实现了82.7%的真机零样本迁移成功率，但仿真的意义仍在于补充而非替代真机数据。Eric判断，真机数据与仿真数据的比例至少需要1比1，短期内仿真甚至可能占多数。
“这样他们在真机上实现了零样本迁移，在插拔销钉的任务上，TacSL在真机上达到了82.7%的成功率。”
“所以仿真的意义更多是作为真机数据的补充，两者需要搭配训练……我们的判断可能至少1比1，甚至1比1以上，仿真可能会占多数，在短期之内。”
6. 直接把触觉信号塞进视觉语言模型反而降低成功率，触觉需要独立的编码器和异步高频修正架构
-
直接给视觉语言模型加触觉信号，任务成功率反而下降：T-Rex论文的实验结果揭示了一个反直觉现象：把触觉信号直接输入π0.5模型，各项任务成功率不升反降。这说明增加一个模态并不自动带来模型能力提升，触觉如何融入现有模型架构仍是行业面临的核心挑战之一。
“如果你直接把触觉信号输入到行为模型当中，机器人任务的成功率反而会下降。”
“如果把触觉信号直接输入到π0.5的模型当中，各项任务的成功率反而下降了。这反映出一个问题：加了一个模态不等于模型表现就能够变好。”
-
触觉难以直接接入模型，源于规则难定义、维度过多和频率不匹配三大障碍：触觉信号无法像视觉那样用简单规则描述，软硬、脆弹、可承受力度都缺乏固定阈值；同时触觉包含压力、剪切力、温度、振动等多维信息，未经处理就输入模型会成为噪声；再加上触觉天然高频而视觉语言模型低频运行，直接结合会造成资源浪费和反应迟缓。
“第一个问题是触觉没法用规则定义。一个东西到底是软还是硬、是脆还是弹，超过多大的力会破坏物品，物品能不能被破坏，我们没法单纯地设置一个数值、写一个规则。”
“触觉包含了纵向的压力、横向剪切力和摩擦力，还有表面材质感知的温度、振动、音频等等数据。这些数据不加处理地输入到大脑中，模型将难以分解。”
“触觉信号天然是高频的，而视觉语言模型通常运行在低频率，这就意味着两者难以直接结合，会出现计算资源浪费、反应速度慢、触觉噪声干扰高层规划等问题。”
-
触觉需要先经自监督编码器转化为语义理解，再以异步高频架构实现反射式修正：解决触觉融入模型问题的路径分两步：先用自监督学习训练触觉编码器，把原始多维信号打包成语义理解，再通过类似MoT的异步架构让触觉专家以更高频率独立运行，对动作进行实时修正。这样既保留了大模型的认知规划能力，又获得了类似人类反射的快速响应能力。
“利用编码器前置处理触觉信号，将这些数据打包后输出完整的语义理解。就是用这种自监督学习的方式去训练编码器，我们可以很容易地把不同类型的触觉模态甚至视觉结合在一起。”
“触觉专家就像机器人的反射系统，在动作执行过程当中，通过实时触觉反馈，对力度、角度和接触状态进行快速修正。”
“在推理时，动作专家生成动作规划，同时触觉专家以更高的频率独立运行，不断对动作进行修正。这样既保留了大模型的理解能力，又获得了类似人类触觉反射的快速响应能力。”
7. 触觉模型应单独训练还是与视觉联合训练，业界存在“语义力控”与“高频修正”两条路线分歧
-
触觉模型单独训练路线主张先完成触觉语义闭环，再与其他模态融合，以获得模块化和权重平衡优势：Eric认为触觉模态本身就能完成一定的语义理解闭环，因此应当先单独训练触觉模型，待语义理解完成后再与视觉等其他模态融合。这样做的好处是每个模块可以独立训练、测试和闭环验证，并且能够像即插即用一样接入不同系统，避免多模态数据混在一起时难以平衡权重的问题。
“我们会更倾向于触觉模态的单独训练，因为触觉模态它本身的语义理解就可以完成一定的闭环了。”
“这些模块可以像即插即用一样去插到不同的系统里面去做应用，它还能跟其他模态更好对齐，不然的话眉毛胡子一把抓都混在一起，到底模态之间的数据怎么去平衡，其实是个挺难的问题。”
-
触觉与视觉联合训练路线强调力在空间中的分布理解，认为单独训练会导致跨载体迁移困难：于弢认为触觉必须与视觉同时训练，因为视觉是全局信息而触觉是高度局部的信息，手的形态变化会让同一传感器在空间中的分布发生变化。只有在同一载体上做同一件事时，单独训练后的表征空间融合才可行，一旦脱离这个条件，模型迁移会非常困难。哥大李昀烛将触觉力的分布结合到三维点云上的工作，正是触觉与视觉结合的必要性例证。
“视觉它是一个全局的，而触觉它真的是一个非常局部的事情。我的手的形态动的时候，同一个传感器对应的在空间上的分布是不一样的。”
“你在同一个embodiment（载体）做同样一件事情的时候是可以的，但一旦这样做完之后，你的transfer（迁移）非常难。”
“哥大李昀烛老师是把这种触觉的力的分布结合到这种三维点云上的，那么也就是说这个力并不只是一个力，而是它在这个空间中力的一个分布。”
-
两条训练路线对应Tabero的“语义力控”与T-Rex的“高频修正”，行业早期多路径并行探索，尚无绝对优劣：于弢的联合训练思路对应Tabero论文，主张触觉参与高层决策，理解“轻一点”和“重一点”的语义，即前置的“语义力控”；而Eric的单独训练思路对应T-Rex论文，侧重执行过程中的“高频修正”。由于触觉行业目前处于非常早期阶段，多条技术路线同时探索，没有绝对的优劣之分，视频也只是展示不同路径而非给出定论。
“简单来说Tabero主打前置的“语义力控”，而T-Rex是执行过程的“高频修正”。”
“由于触觉这个行业目前处于非常早期的阶段，多条路线在同时探索，没有绝对的优劣之分。”
8. 触觉数据比视觉更“省数据”，10万小时即可产生泛化能力，但真正的爆发取决于灵巧手和整机出货节奏
-
触觉数据天然过滤无效过程信息，训练基础模型所需数据量仅为视觉的十分之一：触觉数据在没有操作时输入基本为零，相当于自动剔除了转身、移动等无效过程信息，只保留“拿起”“放下”等关键操作信号。因此，训练带触觉的基础模型所需数据量远低于视觉基础模型，10万小时数据即可开始产生泛化能力。
“但到了触觉领域，数据量却只要十分之一。训练一个带有触觉的基础模型所需要的数据，应该是要远低于基于视觉的基础模型。当你有10万小时的数据往上走，你会发现它逐渐就开始有一定的泛化能力。”
“而对于触觉数据来说，平时在没有操作时，输入的信息基本为零，相当于这10万小时已经减掉了无效操作的部分。”
-
2026年灵巧手与具身整机加速出货，触觉需求大幅上涨，行业已处于爆发前夜：多位嘉宾判断，2026年灵巧手、上下游和具身整机都在加速出货，带动触觉传感走向成熟。市场对触觉数据的价值认知也在提升，认为它是物理AI训练出更好模型的关键，因此触觉被普遍视为已处于爆发前夜。
“而到了2026年这个时间点，我们采访的几乎所有嘉宾都表示，触觉已经是处于爆发的前夜了。今年我们确实是看到了说，整个需求有一个大幅度的上涨。”
“今年来讲的话，灵巧手、上下游，包括具身的整机，大家都在去拼命地做、拼命地出货，自然也会带动整个触觉传感更加成熟。”
-
从量产节奏倒推，触觉的下一个里程碑节点就在今年或明年年初：根据美国银行预测，到2030年人形机器人出货量将达120万台，若每台装配10根手指的触觉传感器，市场需求将提升到千万级别。从量产时间倒推一年到两年的研发测试周期，触觉上量的关键节点被判断为今年或明年年初。
“根据美国银行的预测，到2030年，人形机器人的出货量将达到120万台。假设都装配了触觉传感器，每个机器人10根手指，那么触觉的市场需求将提升到千万级别。”
“如果那个时候是量产，我们倒推一年，或者一年半到两年，这么一个研发的周期，或者测试的周期。也就是说下一年（要开始上量），（触觉的）下一个里程碑节点会在什么时候发生，我觉得就是今年或者明年年初，应该就这个时间段。”
总结
触觉的价值不在于让机器人多一种感知，而在于让机器人真正具备“判断到位”的能力。当前行业卡在量产一致性和数据采集悖论上，但触觉数据天然的高效性，加上灵巧手和整机出货的加速，正在把触觉推向临界点。谁先解决工程一致性、数据格式统一和模型架构适配，谁就能在具身智能的下一阶段占据先机。触觉不是锦上添花，而是机器人从“能看”走向“能干活”的入场券。
信息源
视频来源
- 机器人触觉的爆发前夜：五大技术路线、数据困局与模型之争：
外部资料
- 2026中国触觉公司梯队与量产图谱：下半年是检验成色的关键 ...：
- 机器人触觉的爆发前夜：五大技术路线、数据困局与模型之争 - YouTube：