戴盟把触觉送进世界模型：机器人竞争进入“最后几毫米”|传感器|形变|戴盟|机器人|空间感知模型|触觉|飞轮

触觉正在变成下一代具身智能的基础能力。

过去两年，机器人行业把大量资源投向本体、大模型、灵巧手和视觉能力。随着这些能力快速进步，瓶颈越来越集中在接触环节：机器人既要找到物体，也要在抓取、插拔、装配和柔性操作中感知受力、摩擦、滑移与形变。

8月10日，戴盟机器人发布触觉锚定世界模型Daimon-TWM。就在一天后，又完成数亿元战略融资。这也是戴盟两个月内拿到的第二笔亿元级融资。

这些动作集中出现，指向了同一个变化：触觉正在从指尖走向全身，也开始进入机器人的模型层。

最近，帕西尼推出足底多维触觉传感器PX-FOOTRIX；7月，1X发布的新一代NEO灵巧手，在指尖和手掌表面加入触觉皮肤；波士顿动力Atlas、Figure 03也把触觉列入新一代机器人的基础配置。

至少对头部机器人公司来说，要不要触觉已经不再是问题。竞争正在转向：触觉能否从硬件信号进入模型，成为机器人理解和操作物理世界的底层变量。

戴盟真正值得关注的，是把视触觉传感器、原生触觉数据、VTLA和Daimon-TWM接成了一条路线。它想做的，是让模型学会理解、预测并利用触觉。

从感知接触，到预测动作后果

在今年的WAIC上，戴盟展台上有两组操作，也吸引了我的关注。

一组是水果装盒。机器人要控制力度，拿起容易受损的水果，再完成摆放和盒盖扣合。另一组是整理笔袋，包括拉开拉链、放入文具和重新闭合。相比刚性物体，笔袋会变形，拉链阻力也在不断变化。

我在现场也测试了笔袋整理。在机器人干活的过程中，我在桌上多放了一个马克笔。它稍微停顿了下，重新判断笔袋里的空间，调整动作后继续收纳。

在我看来，这个停顿非常有价值。因为在真实的工厂和家庭里，物品的位置、软硬程度和摩擦力不是完全固定的。机器人除了完成抓取，还得判断接触过程中物体发生了什么临时变化。

以机器人进厂中最常见的USB插拔为例，插头接近接口后，关键接触位置会被遮挡。摄像头很难判断它是已经对正，还是顶偏、卡住。人可以根据“手感”变化完成最后的对位和插入。但常规的VLA模型却往往先生成一段动作，再按动作块执行。中途出现滑移、碰撞和卡滞，小偏差很快就会积累。

Daimon-TWM做的，是让触觉进入理解、预测和控制的主链路。模型先判断当前接触状态，再推演继续动作可能发生什么，最后用100Hz高频控制随时修正。插头可能卡偏，就先回撤；物体出现滑移趋势，手指马上改变力度。

这也是触觉发展的一个关键节点。

早期触觉解决“有没有碰到”，后来进入反馈控制，解决“用了多大力”。触觉锚定世界模型再往前一步：机器人开始根据接触信息，预测自己的动作会造成什么后果。

触觉的竞争也由此变了。过去主要比传感器的精度、频率和耐久性，接下来还要比谁能把触觉变成模型能力。触觉由末端信号进入认知和决策系统，才真正有机会成为机器人大脑的一部分。

戴盟参与发表的UniTacVLA论文测试了调整、擦拭、插入和装配等八项任务。在无扰动环境下，模型平均成功率为64%，加入人为扰动后约为53%；对照模型π0.5分别约为26%和6%。消融实验还显示，单纯增加触觉输入的提升有限，理解接触状态、预测未来触觉，再配合高频纠偏，成功率才明显提高。

这个结果也指出了一条很重要的路：此前的具身模型主要从视频中学习“人怎么做”，触觉世界模型开始学习人为什么在这里减速、换角度，以及碰到阻力后为什么没有继续硬推。

机器人由模仿动作走向理解动作的物理后果，Daimon-TWM的价值应该放在这个坐标里看。

触觉还没有通用语，模型已经开始选路线

目前，机器人触觉还没有统一的技术路线。压阻、电容适合大面积铺设，霍尔和磁阵列擅长测量多维力，视触觉则通过相机观察柔性材料的形变，读取接触位置、受力和纹理。我的判断是，未来机器人不会只押注一种触觉路线。

但从与大模型的适配程度看，视触觉是目前最好的选择。

原因是它产生的图像和形变场，恰好是现有AI最熟悉的数据。计算机视觉积累多年的编码器、训练框架和数据工具，大部分可以直接迁移。Meta的通用触觉表征Sparsh使用超过46万张视触觉图像训练，戴盟走的也是这条路。

视触觉的优势是数据形态更接近图像，难点则在于，触觉图像、形变、剪切、深度和力等不同模态，如何被同一个模型理解和使用。

戴盟提出“统一触觉词元”，首先解决的是这个问题：把不同触觉模态转成模型能够理解的token，并让触觉贯穿感知、预测和控制，而不是只作为一个孤立的输入信号。

这与跨传感器一致性是两个问题。戴盟构建了包含四种视触觉传感器的数据集，但不是简单地把已有数据拼在一起，而是先统一“如何接触”：让不同传感器经历尽量相同的交互过程，从初始接触连续按压至20牛，再在标准力下完成规定的探索动作，同时记录触觉图像、形变、剪切、深度和力。先建立共同的物理参照，再进行跨传感器学习。

在算法层，戴盟也没有要求不同传感器的feature完全相似，而是要求它们对同一物体的软硬、粗糙和凸起给出一致判断。换句话说，它对齐的不是数据长什么样，而是机器人对物理属性的判断。否则，一个传感器说软，另一个说硬，模型学到的只会是混乱。

如果这条路线走通，不同传感器可以保留各自的数据形态，模型却能形成相对一致的物理判断。戴盟争夺的，也会从传感器市场进一步深入到机器人如何表达和理解接触这一层。

目前，这种物理推理一致性能否扩展到更多传感器和机器人本体，仍需验证。但从统一触觉词元到跨传感器物理推理，已经构成了戴盟最有辨识度的技术路线。

通往世界模型的路上，先把生意做起来

戴盟另一个容易被低估的能力，是“沿途下蛋”。

数据显示，其视触觉设备已实现万片级出货，服务全球200多家客户，其中海外客户超过50家，并向OpenAI、Figure、Physical Intelligence、Meta、BMW和Google DeepMind等企业或机构完成设备交付。

虽然设备交付不等于进入核心供应链，也不能直接视为批量订单。但硬件先进入客户实验室，戴盟可以更早接触不同本体、任务和工程问题；这些反馈又会回到下一代传感器和模型。

在触觉数据的建设上，戴盟与中国移动启动“数采进家庭”网络。首个具身数据采集5S店落地湖南郴州，由营业厅完成设备发放、培训和服务，数采员再把设备带入家庭。首期计划投放1000套设备，满产目标为每年100万小时真实操作数据。