“真假花生”背后，藏着具身智能的最后一块拼图|传感器|具身|机器人|真实世界|花生|视觉|触觉

2026世界人工智能大会（WAIC）已正式落下帷幕。具身智能堪称其中最靓的仔，不仅首次独立成馆，与智算并列为大会两大核心赛道，更是靠着超高人气成了整座展馆人潮最拥挤的地方。

热潮之下，这届WAIC上，还有几个直观变化：

第一，机器人表演才艺的少了，上手干活的多了。从智能工厂产线到智慧药房、从物流仓库到精密装配，真实场景被复刻到了现场。大家关心的已不再是“能不能动”，而是“能不能用”。

第二，具身智能的战场在快速扩容，整个H3馆，200余家机器人头部企业、208款具身智能终端、300多台真机同台展演，从整机到灵巧手、从关节模组到传感器，全产业链的人都来了。

而在众多细分赛道中，触觉正成为今年最受关注的新变量之一。业内越来越多声音将2026年称为 “触觉元年” 。一目科技创始人兼 CEO 李智强向数智前线透露，过去半年间，触觉数据需求增长明显，“几乎每过一两个月，就能感受到一次明显跃升，大家都觉得触觉必不可少，现在不管是做大脑的，还是做数采服务的，都在找我们合作，希望能把触觉加进去。”

真假花生背后：触觉成为“物理真值”入口

“如果让机器人分辨两颗一模一样的花生，它会怎么做？”

在H3馆一目科技展台前，这个看似简单的问题一度吸引层层观众驻足。大家盯着桌面上的一堆花生——同样的颜色、形状和纹理，如果不伸手仔细触摸，肉眼几乎看不出任何区别。而机器人伸出指尖，轻轻按压了一下，随即做出判断，将真的放在了左边，假的放在右边。

（真假花生演示现场）

它是怎么做到的？答案并不藏在复杂的物理公式里，而在于一次真实的“交互”。

过去两年，大模型让机器人拥有了越来越聪明的“大脑”。VLA、世界模型等技术不断刷新机器人理解任务和规划动作的能力。但进入工厂、家庭和实验室后，人们发现，机器人依然会捏碎鸡蛋、抓滑杯子、装不好零件。

原因并不复杂。今天的大模型学习的是互联网世界，而机器人面对的是物理世界。互联网能告诉AI什么是鸡蛋，却不会告诉它鸡蛋壳在多大压力下会破裂；图片可以教会机器人认识花生，却无法告诉它哪一颗是真的。

在“大脑”训练中，仅靠视觉存在三个短板：一是视觉精度不足，尤其在测距和灵巧操作时，精度仅为几十毫米到几毫米，难以满足精细操作需求；二是视觉信息易被遮挡，抓取物体时后半部分完全被遮挡，无法判断手是否接触到物体；三是视觉完全不包含力觉信息，无论怎样提取，都无法获得“手感”。这些限制使许多模型在灵巧操作应用中难以收敛和有效解决问题。

李智强认为，婴儿认识世界不是从语言开始，而是通过触摸、抓握、摔打。几十年前的实验也早已证明触觉的不可替代性——若将人手触觉神经麻醉阻断，扣扣子、穿针引线等精细动作便无法完成。正因如此，具身智能行业对触觉数据和模态的关注正在日益增强。触觉感知的不仅是力场，更是物体在受力后的形变与响应——这正是Physical AI所需的Ground Truth（物理真值）。

正如黄仁勋所言，触觉是具身智能的最后一块拼图，若这块拼图未能补齐，整个具身智能版图便难以完工。

需求、技术与成本的三重临界点

“总是听到各种‘元年’的说法，这个词本身不重要，但它背后蕴含三层含义：第一，是否有价值；第二，技术是否成熟；第三，从成本和可行性来看是否成熟。”李智强说，今年，触觉感知在三个维度上都跨过了临界点。

价值层面，共识已经形成。过去半年触觉数据需求激增，模型方和数据服务商都开始明确要求加入触觉模态。李智强观察，触觉赛道正呈现几个特征：一是行业大佬纷纷发声，黄仁勋、李飞飞都在强调触觉的重要性，李飞飞上月发布的论文更是用视触觉方案验证了类人模型的可行性；二是技术路线开始收敛，都在往更类人的方向靠拢。

一目科技此次WAIC展示的机器人真假花生识别，正是触觉数据价值最直观的体现。视觉无法区分两颗花生，但机器人通过一次真实接触，便能够获取压力、形变等物理反馈，从而完成判断。

技术层面，触觉数据从硬件到算法的能力正在快速提升。压阻式、电容式等传统路线仍是市场主流，成本低、应用广，但在精度、响应速度、力觉维度等方面各有局限。面对具身智能对高分辨率触觉信息的迫切需求，视触觉（Vision-based Tactile）技术正快速走向台前。

这也是一目科技的技术路线。与传统力传感器不同，视触觉在柔性材料内部建立光学观测系统。当机器人与物体发生接触时，材料会产生微米级的形变，内置的光学系统实时记录这些变化的图像，再通过AI算法还原出压力分布、剪切力、纹理、滑移趋势等丰富的物理信息。这不是在“测力”，而是在“看见形变，理解力”。李智强判断，“今年行业会加速向这一方案收敛。”

据他介绍，客户选择视触觉方案时主要关注四个维度：性能指标如分辨率、可靠性、一致性和耐久性；尺寸能否与手部集成；算力消耗和数据量大小；以及规模化后的成本。

“我们算力消耗已经做到 TOPS以下，无需再集成大算力芯片。”李智强表示，传感器厚度也已迭代至小于3毫米，是全球最薄可量产的仿生视触觉传感器，未来还将实现贴片式安装，手掌、手心等部位都能灵活贴附。而在耐久性上，以前皮肤用个一两千次就容易坏，现在可以做到100万次。李智强评估，触觉赛道整体成熟度正从45-50分跃升至六七十分，但厚度和算力消耗仍有进一步优化空间，以便进入更多真实场景。

在成本层面，规模化生产的门槛已被突破。一目科技的视触觉传感器成本正遵循摩尔定律的趋势呈指数级下降，这得益于公司全栈自研自产的体系——从材料到芯片均为自主研发，加之产线自动化水平高，使得生产成本大幅降低。一目科技创始人李智强表示：“我们已经实现规模量产，这意味着触觉传感器正在从少数高端实验室的‘奢侈配置’，转变为整个机器人行业都能广泛应用的基础设施。”

从整个行业看，触觉赛道正进入规模化起点。“我相信今年至少会比去年翻倍，明年可能翻10倍以上。”李智强说。

从传感器到基础设施：一目科技在构建什么?

触觉市场正在升温，但一个现实是：触觉传感器至今没有大规模落地，像样的开源数据集也几乎不存在。

一个共识是，成熟机器人模型至少需要50-100万小时训练数据，部分企业甚至已将目标提至1000万小时。“带触觉的数据应该有相似量级，至少不会低于一个数量级。"李智强表示，目前有效触觉数据可能只有几万到10万小时，与未来需求差距巨大。今年触觉市场最大的挑战，已从硬件量产转向大规模部署与数据体系建设。

在一目科技的布局中，视触觉传感器只是起点。真正稀缺的并非传感器本身，而是其持续产出的高质量物理交互数据。因为对于Physical AI而言，每一次接触，都是机器人认识世界的一次学习；每一次抓取，都会产生新的Ground Truth。他们要做的，正是构建Physical AI基础设施，填补连接物理世界与智能系统之间缺失的那一层。

围绕这一目标，一目科技搭建了一套完整的基础设施体系：

底层，视触觉传感器持续采集真实交互数据；中间层，通过数据采集系统和触觉编码模型（Tactile Transformer Encoder），将复杂的物理交互转化为模型能够学习的结构化知识。“我们不仅仅是在编码触觉，我们是在通过海量的交互，让机器人学习GTM（Grounded Transition Model），最终形成机器人的Affordance（可供性）能力——即在什么条件下、对什么对象、施予什么力、得到什么结果。”上层，结合虚拟仿真平台，不断扩展真实数据的覆盖范围，形成真实世界、数据世界和模型训练之间持续迭代的数据闭环。

此次WAIC展出的视触觉产品矩阵、五指集成灵巧手、数据采集系统、虚拟仿真平台，以及覆盖生产制造、生活服务、精密实验等不同场景的应用展示，共同组成了这一完整链路。

在应用场景上，触觉正在打开新的可能性。插拔类组装、柔性材质的线束装胶条、公差变化较大的环境、需要“手感”判断的操作——这些过去必须依赖人力的环节，有望随着触觉技术的突破逐步解决。李智强透露，一目科技的触觉方案，已在智能制造、汽车制造、新能源电池组装等领域有实际落地案例。