GPT-6 Astra 一出手，具身智能行业的“狼来了”，变成了“狼进门了”。
给GPT-6 Astra接上机械臂，再告诉它：“把桌上的红色方块放进碗里。”在第三方项目Robocurve公布的评测中，Astra完成了20次尝试中的19次。
但如果换成拼图零件嵌入对应凹槽，20次却只成功2次。从抓起物体、移动位置，到需要精确接触的最后一步，表现拉开了距离。
Astra发布之后，OpenAI CEO 山姆·奥特曼（Sam Altman）更是首次明确宣布布局人形机器人，重点关注驱动机器人运转的“大脑”能力。
Sam Altman近期接受Sources 播客访谈首提“一定会做人形机器人”
Astra在操控机器人上体现出的强大能力足以让一众“具身大脑”公司感到畏惧，但其暴露出的精细操作短板，同样帮助具身行业指出了一个清晰的投入方向：深入真实接触，解决通用基模尚难掌控的物理交互问题。
资本最早嗅到机会，继灵巧手之后，触觉正在成为今年具身智能产业链炙手可热的细分赛道，触觉技术路线也已分化出电容式、霍尔式、视触觉三大主流路线。
三种路线各有优势，但Astra的启发在于引导我们从“模型需要什么样的触觉数据”这个根本问题反推解法，从这个视角来看，戴盟机器人是极少数从一开始就带着这一问题出发的公司，其视触觉布局，正是围绕“为模型造物理交互数据入口”展开。
戴盟找到的正是与通用模型协同的空间。Astra 这类通用大模型在任务理解与规划上优势明显，戴盟的视触觉能力则提供接触、受力和滑移等物理信息，并通过“物理交互脑”把这些信息用于判断和调整动作。一个直接佐证是，包括 Open AI 在内，戴盟的客户囊括了 Physical Intelligence、Skild AI、Google DeepMind 等一众头部 AI 公司。
这一布局也持续获得头部资本关注，今年 6 月完成亿元 A 轮融资后，戴盟于 8 月再获蚂蚁集团领投的数亿元战略融资。
这种互补帮助机器人完成更复杂的精细操作、打开市场空间，更帮助资本进一步明晰具身公司的技术壁垒与商业价值。
新数据入口来了
从GPT-6 Astra操纵机械臂的诸多公开实验可以看到，尽管互联网可以提供大量物体图像和操作视频来推动通用大模型能力的扩张，但机器人真正动手时仍存在卡点，物体受到多大力会变形、接触面是否容易打滑等问题仍未解决。
这些信息产生于具体的物理交互，也直接影响模型的任务成功率。
触觉的机会正在于此——能否稳定获取这些物理交互和接触信息，并将其转化为大模型能够掌握的精细操作能力，这也是其在产业链中的长期价值。
在机器人触觉路线之争中，视触觉正在成为模型研究的事实标准。
据不完全统计，仅 2026 年前 8 个月，视触觉论文数量已达到同期阵列式论文的近10 倍。李飞飞、Jim Fan等顶尖大模型研究者领衔的 T-Rex、Meta FAIR 的 Visuo-Tactile World Models等标志性工作，不约而同押注视触觉。
T-Rex将较慢的动作规划与较快的触觉修正结合，用于翻页、分离纸杯、旋拧灯泡等精细操作任务；Meta FAIR则将触觉图像引入世界模型，帮助系统在视觉遮挡或接触状态不明确时，更准确地预测物体会如何运动。
视触觉独特的技术优势，首先是信息密度。视触觉通过摄像头记录柔性介质与物体接触后的形变，将接触过程转化为高分辨率图像。
相比常见的电阻式、电容式触觉阵列，视触觉能够完整收集人类操作所需的十多个触觉模态信息，以密集的图像数据保留接触区域的空间细节，呈现接触轮廓、表面纹理和局部几何，并结合连续观测进一步估计受力、切向位移和滑移等变化。
视触觉将接触形变转为图像，捕捉完整物理交互信息
更重要的是，视触觉能够使得接触信息高效接入大模型已有的多模态体系。
视触觉将接触形变转化为图像，研究者能够借助成熟的视觉编码方法提取触觉特征，再通过专门训练，将其与视觉、语言信息对齐。
由此，机器人感受到的接触变化就有机会与模型看到的物体、理解的指令联系起来。
首提“物理交互脑”
随着Astra所代表的通用模型能力向机器人行业的延伸，视触觉的价值有望进一步放大。大模型能够理解的指令、规划的任务越丰富，则执行时需要应对的物体、材料和接触条件也越多，对物理交互信息的需求随之扩大。
戴盟具备完全自主知识产权的视触觉感知技术，恰好能够连接这两端：一端获取真实接触中的受力、形变和滑移信息，另一端以图像形式衔接大模型已有的多模态学习能力。
经过相应训练，这些信息可以与语言指令、视觉观察和动作关联，帮助机器人根据实际接触情况调整操作，推动通用模型的能力进一步用于物理任务的执行。
对戴盟而言，此前多年积累的视触觉能力正在随着大模型向现实世界延伸，被进一步放大为数据与模型层面的长期价值。
在今年8月发布模型期间，戴盟更在行业首次提出“物理交互脑”概念，戴盟的触觉锚定世界模型 Daimon-TWM，具体包含物理认知、推演决策与瞬时操控三层能力，专注解决机器人的灵巧操作难题。
Daimon-TWM 在接触密集型任务中展现了出色的自主操作能力，无扰动条件下平均成功率较π0.5 提升两倍，有扰动条件下提升更是达十倍。
Daimon-TWM在橙汁倒入瞬间即刻调整力度，不滑落和变形
这与基模之间存在明显的协同空间。Astra等通用模型展现出的任务理解与规划能力，可以为机器人组织操作步骤；戴盟的物理交互脑则围绕具体接触过程，进一步判断动作能否继续、需要如何调整。
从这里可以看到，对于“具身大脑会不会被取代”的争论，戴盟提供了一条更具体的思路：利用基础模型不断提升的任务理解与规划能力，与自身围绕接触操作建立的预测和控制能力协同。
阶梯渗透，打开千亿增长空间
人形机器人市场的扩张，正在为行业提供更大的市场空间。
摩根士丹利预计，中国人形机器人市场规模将从2026年的20亿美元增至2030年的150亿美元，同期年出货量由5万台增至44.6万台。
随着应用从展示、教育研发和数据采集向生产与服务延伸，机器人能否稳定完成工作，成为更直接的检验标准。抓取、插接和装配中的精度、可靠性与适应能力也为触觉等数据基础设施提供了新的投入方向。
视触觉企业可以参与的环节由此拓宽：面向灵巧手和夹爪提供触觉感知设备，为模型训练提供采集设备与物理交互数据，再向具体任务的解决方案和模型服务延伸。
据第三方机构测算，涵盖视触觉传感器、数采设备及物理数据集、含视触觉解决方案、触觉模型服务的全球相关市场，预计将从2030年的约521亿元增长至2035年的约4386亿元。
其中，通过模型调用释放触觉能力价值的触觉MaaS模型服务，预计在2035年增至约1479亿元。从核心部件到数据供给，再到应用交付和模型服务，视触觉正在展现贯穿具身智能产业链的多层次商业潜力。
广阔的市场前景之下，戴盟正受到来自产业方更多的关注。
今年8月，戴盟宣布完成蚂蚁集团领投的数亿元战略轮融资，距离上一轮亿元A轮融资仅两个月，其产业投资方还包括联想创投、汇川产投、招商局创投以及中国移动、中国电信等头部产业资本。
与产业资本进入相伴，戴盟的商业化路径也逐渐展开。公司定位物理AI全栈，围绕感知、数据和模型布局业务：以视触觉设备交付为起点，向物理交互数据供给、模型部署及MaaS服务延伸，形成不同层次的收入来源。
在应用顺序上，戴盟优先切入接触密集、触觉需求明确的制造和商业场景。按照已公布的合作计划，戴盟正与合作伙伴围绕3C精密制造、柔性生产中的精准装配、自适应插拔和柔性物体操作开展验证。
戴盟机器人在3C产线完成自适应插拔、贴标签等“精细活”
商业服务则提供了更多样的任务空间。密集货架上的取物、易碎品搬运，以及不同包装商品的抓取，都需要机器人根据接触情况调整力度和姿态。
从触觉需求明确的工位出发，在制造与商业场景中验证能力，再将操作经验带向更多设备、任务乃至家庭，戴盟的成长空间也将随着机器人应用边界的拓宽而展开。
Astra所代表的通用模型正在打开机器人理解世界的新空间，戴盟则有望凭借视触觉、数据与物理交互大脑，让这些能力在真实任务中落地。通用模型拓宽机器人“能想什么”的边界，戴盟的机会是让机器人“能做什么”不断向前。
*以上内容不构成投资建议，不代表刊登平台之观点，市场有风险，投资需谨慎，请独立判断和决策。
热门跟贴