点击下方卡片，关注“具身智能之心”公众号
01.
当所有人都在卷「大脑」，
千觉盯上了机器人的「最后一厘米」
这次WAIC 2026，今年我们照例要去探展。
出发前盘了盘最想蹲在展台前看的东西，不是又一个会跳舞、会翻跟头的人形，而是一件看起来无聊得多的小事：一台机器人，能不能把两片耳机外壳，稳稳地扣到一起。
别小看这一下。过去两年最聪明的那批机器人，恰恰最容易栽在这里。它能听懂“把这副耳机装好”，也认得出桌上每个零件长什么样、该放哪，动作规划得漂漂亮亮——可真到两片外壳要「咔」地合上的最后一下：要么差两毫米没对齐，要么使猛了压出裂纹，要么手一滑，零件掉在地上。它知道要干什么，却感觉不到自己正在把这件事干成，还是干砸。
行业里给这一下起了个名字，叫“最后一厘米”：大脑都想明白了，就差手上这一下没做稳。问题不在大脑，在那只手，在接触真正发生之后的那一瞬间。而这，恰恰是整条具身链路里最没被大模型红利照顾到的一段。
巧的是，这次去 WAIC，我们在千觉机器人的展台上，拿到了这个正面回答。7 月 16日，就在 WAIC 前，千觉一口气放出两样东西：一个叫 X-TouchMind V1 的VTLA具身触觉模型，一套叫 TacVerse 1k 的 1000 小时视触觉开源数据集；展台上那两条自主叠纸盒、装配耳机的机械臂，展示的正是它想给的答案。
我们借这次发布，聊聊这件被行业追了很久、却一直没啃下来的事。
02.
这两年，具身的目光几乎全在「大脑」上
过去两年，具身智能最热的叙事，几乎都长在大脑这一侧：VLA 把视觉、语言、动作端到端接起来，视觉大模型让机器人认得出成百上千种物体，世界模型又想让它在脑子里预演物理。各家 VLA、世界模型每个月都在刷新 benchmark，Demo 一个比一个流畅。
这些工作，本质上都在解决同一件事：让机器人「看得见、想得明白」。
这条路当然没错，也确实跑出了成果。但「想明白」到「做成功」之间，还隔着一只手，一只要真的伸进物理世界、去碰、去抓、去用力的手。
而所有人的目光都在往上看「大脑」，恰恰把这只手落下了。
03.
真到产线上，卡住的是「最后一厘米」
把“拿起杯子、拧开瓶盖、把散落的东西归置好”这些人随手完成的动作拆开看，里面全是力量控制、触觉反馈、关节协调、实时修正。
人手能一次做对，靠的不是想得多快，而是指尖时刻在反馈：滑了没、稳不稳、力够不够、会不会捏碎。
机器人缺的就是这一层。
它可以生成一个漂亮的抓取动作，却很难保证稳定地完成——因为它不知道接触之后发生了什么。模型都对了，就差手上这一下。
这不是千觉一家的观察。
最能说明问题的是特斯拉：Optimus 的那只灵巧手一度单只成本约 6000 美元、寿命却只有六个星期，为了这只手，量产计划一推再推。连全世界最能造东西的公司，都被一只手按住了。
另一边，Meta 这两年也在专门补触觉：从开源的 DIGIT 传感器到 Sparsh 触觉基础模型，路线不同，但指向的是同一个共识：“摸得着”正在成为全行业公认的短板。
一句话，机器人已经「能干活」，但离「干好活」，就差这最后一厘米。
这「最后一厘米」怎么跨，行业给的答案是分岔的。
一边是把末端做简单。Generalist 选择了一条不同于拟人灵巧手的路线：不追求复制人手的复杂结构，而是通过更可靠的通用夹爪，让机器人用更简单的方式覆盖更多任务。其核心判断是，复杂度不一定应该堆在硬件上，真正的泛化能力可以交给数据和模型。
他们公布的 GEN-1 体系中，积累了大规模机器人操作数据，并展示了叠盒子、装手机、码积木等任务能力。但仔细看这些任务会发现，它们有一个共同特点：任务状态大多仍然可以通过视觉观察和动作结果判断。
另一边，是把末端做得更有感觉。
因为真正困难的任务往往不是把东西拿起来，而是在接触之后完成精细控制：插接、压合、对位、拧合……决定成败的那一下，恰恰发生在视觉最不确定的地方。
这条路线听起来更符合人类经验，但它也已经卡了很多年。
04.
触觉这一关，为什么一直没迈过去？
既然大家都知道触觉重要，为什么迟迟没解？我们梳理下来，卡点有三层，一层比一层难。
第一层，物理上的矛盾。想让手更有力，通常要提高减速比、放大电机输出，代价是力反馈变迟钝。手越有劲，越感觉不到接触；反过来想更敏感，又输不出足够的力。力量和感知，天生打架。
第二层，数据的困境。训模型要数据，可市面上能拿到的公开数据集绝大多数是视觉主导的，触觉信号稀疏、时间对不齐、脏数据多。这样的数据还原不了真实接触里的受力、形变、滑移。模型看到的只是动作的结果，不是接触过程中到底发生了什么。
第三层，也是最隐蔽的一层：行业惯性的错法。主流做法是先在视觉数据/模型上把能力做出来，再「后补」一层触觉。这么做，模态是补上了，能力却没补。触觉在这里只是个附加输入，而不是模型从底层理解世界的方式。更麻烦的是，不同厂家、不同型号的触觉传感器数据规格差异极大，硬接进一个现成模型，不但难融合，甚至可能污染模型原有的能力。
三层叠起来，接触之后到底发生了什么，就成了具身智能里一块几乎没人能系统啃下来的认知盲区。
当然，这块不是没人动。近一两年，把触觉接进 VLA 的工作陆续冒出来一批：Tactile-VLA 用少量演示，就把视觉语言模型里潜藏的物理常识「激活」到触觉上，在插接、拧合这类富接触任务上做出了零样本泛化；伯克利的 FuSe（Beyond Sight）用语言当「粘合剂」，把触觉、听觉这些异构信号一起接进通才策略，遮挡看不见时靠摸、靠听补全，成功率比纯视觉基线高 20% 以上；再加上 VTLA、VLA-Touch 等一串名字，方向已经被反复验证是对的。
但你会发现，它们大多还是「在一个视觉 VLA 上补触觉」的思路，且多停在研究阶段、单任务、少量演示。真正卡住规模化的，还是第二层那个原生触觉数据稀缺的问题。
05.
千觉的解法：不是补模态，而是“触觉原生”
正因为坑在源头，千觉给的答案也在源头：不在别人的模型上后补触觉，而是从硬件、数据、模型三层，全部围绕「接触」重新走一遍。他们把这叫「硬件-数据-模型」全栈触觉智能闭环，主要包括：
硬件：自研的视触觉传感器和穿戴式数采设备；
数据：从采集源头就围绕真实接触构建的 TacVerse 数据集；
模型：在这套原生触觉数据上训出来的 X-TouchMind 具身触觉模型。
这套闭环的核心论点，是“原生”两个字。
千觉给的判断很直接：当数据入口、采集设备、数据质量体系高度自闭环、自成一体，模型的能力上限才更高，训练和复现的过程也更高效、更可控；反过来，从不同渠道、不同规格东拼西凑来的触觉数据，硬接进一个视觉模型，上限一开始就被锁死，甚至可能反过来污染模型原有的能力。
这个逻辑成不成立，后面我们会给判断，先把这两样新东西拆开看。
06.
X-TouchMind V1：
让机器人“摸着之后还能改”
先说模型。
X-TouchMind V1 基于千觉自研的高质量原生触觉数据集训练，官方给它的定位是首个具备零样本泛化能力的 VTLA 具身触觉模型。和以视觉为主的 VLA 不同，它把视觉、语言、触觉、动作和机器人本体状态统一建模：比一般的 VLA 多了“触觉”和“本体状态”两路，业内把这类叫 VTLA/VLTA。
它关注的重点，不是动作生成，而是接触发生之后的物理状态。
最值得讲的是那套分层架构，正好对应真实操作里的三个层级：
System 2：任务理解层：搞清环境、目标和语言指令，回答「要做什么」；
System 1：动作生成层：结合视觉、语义和机器人状态规划动作路径，回答「怎么做」；
System 0：触觉-本体交互控制层：在真实接触中用触觉和本体反馈做高频修正，回答「接触之后，怎么做稳、做准」。
前两层很多 VLA 都有：认得清、想得明白。
真正的区别在最底下这个 System 0，它让机器人在手已经碰到东西之后，还能根据滑移、受力持续把动作往回调。这也是“生成一个动作” 和“稳定完成一次操作”的分水岭。
落到能力上，最能说明问题的是：
一是接触状态理解与反馈修正。判断有没有碰到、对齐没、滑没滑、力度合不合适、会不会压坏；
二是 Contact-Rich 富接触任务。拨开、抽拉、压合、插接、对位、复原这些「没有触觉就做不成」的精细活；
三是零样本泛化。在陌生环境里也能复现动作、完成任务，以及面向易碎、高价值、柔性件的无损精细操作。
这里有个千觉反复强调，我们也觉得很有意思的点：X-TouchMind 的能力不是从一堆通用动作演示里抽象出来的，而是围绕滑移、受力、形变、遮挡、精细对位这些“没有触觉就难以完成”的真实任务，从头构建的。
前面说的那套统一建模，落点也在这儿。让机器人在接触发生之后，还能持续地感知、判断和修正。说到底，它要的不是把一个动作做完一次，而是在复杂的物理交互里，稳定、可靠、无损地把任务完成。
07.
TacVerse 1k：解决模型最缺失的燃料
如果说 X-TouchMind 是果，那 TacVerse 1k 才是因。前面讲过，触觉这条路最难的一层就是数据，千觉这套闭环能不能立住，很大程度上要看这份数据集的成色。
它要正面回答的，正是前面那个「有量无质」的老问题：数据从来不缺，缺的是能还原真实接触的数据。
和市面上大多数数据集最大的不同是，触觉从一开始就在场。每一条数据里，视觉、触觉、受力、位姿这些信号都是一起记录下来的，而不是先拍好视频、事后再补一层触觉标签。而且它不攒在某一个任务、某一个场景里，而是顺着任务、场景、物体几个方向慢慢铺开，专门去补那些没有触觉就根本采不到的接触过程。
能采到这种数据、还能越采越多，靠的是一个挺巧的设计：把采集从机器人本体上解耦下来。千觉用自研的穿戴设备加遥操作来采，人戴着就能把接触的全过程记录下来，不用占着一台真机一条一条地示范。做过真机数采的朋友都懂，真机遥操最贵、最慢的地方，就在「一台机器人一次只能采一条」；把本体从采集链路里拿掉，规模才有可能真正起来，成本也才压得下来。
光是量大还不够，能不能拿去训模型，看的是质量。这块千觉做了两件事：采的时候就把精度卡住，让不同设备之间的时间和空间对得足够齐——触觉是高频信号，差一点点没对齐，训出来就成了噪声；采完之后，又有一套自研的后处理流程，把绝大部分清洗、对齐、标注的活都自动化掉，不用靠人一帧一帧去筛。说白了，就是让「原始采集」到「能训练的样本」这条路尽量不堵车。
一个我们比较看重的设计：数据飞轮。模型部署后产生的失败、低置信、边界案例，会持续回流到数据体系，转成下一轮定向采集任务和训练样本。也就是说，每一次模型「失败」，都不是单纯的错误，而是下一轮数据提纯的入口。这套「采集—训练—部署—回流」的闭环一旦转起来，才是比单点性能更硬的东西。
开源也不是喊口号。首批数据会分批放出来，走申请制，上大家常用的魔搭和 HuggingFace；格式上兼容 LeRobot、ROS2 这些主流工具链，拿到就能接着自己的流程用，不用先折腾一遍格式转换。往后还会持续加量。
这一步的野心其实很清楚：谁能把「触觉原生 + 可回流 + 可开源标准化」的数据先做起来，谁就有机会去定义触觉这条线的数据标准。而在具身这行，定标准往往比做出一个更强的模型更值钱。
08.
竞争正在从「看得见」下沉到「摸得着」
把这件事放回大盘看：过去几年，具身智能几乎所有的突破都发生在「看得见、想得明白」这一侧，模型越来越会认、越来越会想。
可机器人和物理世界之间，始终隔着一层它自己感觉不到的膜。决定它究竟是「看着」这个世界、还是真能「走进」这个世界的，恰恰是接触发生之后的那一下——是触觉。当「大脑」这一侧逐渐同质化，VLA 架构趋同、视觉数据人人能拿，具身的竞争正在往下沉：从「看得见、想得明白」，沉到「摸得着、做得稳」。
而在这条下沉的路上，「触觉原生」的分量只会越来越重。道理不复杂：触觉不是一个能在视觉模型上事后打补丁的模态，它得从数据入口、采集设备、训练的第一步就长进骨子里。
后补上去的触觉，终究只是个旁听生。
千觉这次把最难啃的数据这一环，用「无本体解耦 + 数据飞轮」摆到台面上，又把数据、模型、硬件接成一个闭环，走的正是「原生」这条更重、也更慢的路。这一步，我们是认可的。
但也得把话说全。
触觉原生今天还远不是一条走通了的路：原生数据的规模仍在早期，真正的泛化要靠第三方评测和产线上的连续运行来兑现，而不是发布会上的一段视频；不同厂家的触觉传感器至今没有统一标准，「原生」最后是长成整个行业的地基，还是只停在一家公司的院墙里，也还没有答案。从展台上那两片严丝合缝的耳机外壳，到产线上每天数千次、连续几年地扣对，中间还隔着一段不短的距离。
在WAIC上，我们在千觉的展台前站上一会儿，专门看那两只手，把耳机外壳一次次扣到一起。开头我们说，最想看的不是又一个会翻跟头的人形，而是这件「无聊」的小事——因为机器人能不能真正走进物理世界，答案就藏在这最后一厘米、这接触发生之后的一瞬间里。触觉这条路，最终会靠「原生全栈」这样的专精玩家赢下来，还是被通用大模型加上海量视觉数据「顺手做了」？
这个问题继续跟。
