>>直播和内容获取转到
点击按钮预约直播
今天，是一场关于触觉的圆桌，分享人为国内触觉及触觉模型基座领先带头人秦逸然和他带领的N₀团队。
纵观N₀系列三份报告，释放了明确的行业信号：
N₀-Foundation验证了触觉模态具备类似视觉的Scaling潜力；
N₀-VTLA证明了触觉可以自然的接入现有 VLA 架构；
N₀-TWAM 确立了触觉在世界模型顶层设计中的核心地位，使其与视觉模态真正平起平坐。
这意味着，机器人的认知范式正从单一的“视觉驱动”向“视触融合”演进。它们不再仅仅通过“看”来理解世界，而是开始像婴儿一样，通过主动的触觉探索来验证假设并规划下一步动作。“看得见杯子不等于拿得稳，认得出插座不等于插得进”——这一物理世界的常识，终于被写入了机器人的底层逻辑。
尽管距离“随手一摸即知轻重”的通用具身智能仍有长路要走，真实场景下的数据采集成本、跨本体泛化能力以及推理实时性仍是亟待攻克的工程难题，但NeoteAI的这组工作已实质性地推动触觉从“小众研究方向”跃升为“具身智能核心基建”。
本次分享之外，圆桌部分话题将会聚焦：
盘点近半年来的带触觉的工作，有哪些发现？
2026年触觉传感器，带触觉的手和手套都有了哪些变化？
触觉被大规模地讨论，是具身叙事必要性，还是在任务执行过程中产生了新的质变？
在训练的三阶段，触觉数据都能发挥怎样的作用？
家庭场景任务和工业场景任务，触觉对任务成功率的加成差异大吗？
真实触觉数据难以scale，需要哪些数据以外的内容去弥补？
触觉解决方案供应商的壁垒应该如何构建：长轨迹稳定输出；操作员的采集组织（加入了触觉模态，对操作员要求提高了）；本体的数据转换经验；接触事件标注和质量控制流程；从传感器标定到机器人执行的系统调试经验。
本次分享嘉宾是由国内触觉及触觉模型基座领先带头人秦逸然和他带领的N₀团队：
秦逸然，上海新智具身智能有限公司数据平台和具身基座模型负责人。从零到一构建大规模精细化数采平台，集成多种类型机械臂和无本体视触觉数据采集管线，构建十万级别高质量精细化数据并构建对应VTLA和World Model。博士期间曾在蔚来自动驾驶算法团队进行感知算法研究，与快手Kling团队进行世界模型相关研究，在上海人工智能实验室进行具身智能和VLA的相关研究。以第一作者和通讯作者在人工智能和机器人顶级会议上发表十余篇论文。
宋修丰，上海交通大学硕士三年级研究生。他的研究聚焦于构建可泛化的具身智能体系统，包括具身智能体自主规划与操作、协作式多智能体智能，以及弥合 Sim2Real 差距的世界模型，。他在 CVPR、ICCV、NeurIPS 等顶级会议发表多篇论文，并获 CVPR 2025 MEIS Workshop 最佳论文奖。
分享人说：
N₀-Foundation围绕具身视觉策略无法观测触觉这一缺口，构建了一套以接触力为中心的数据平台与评测基准。
第一，我们自研的TacUMI手持采集设备实现视触同步采集，完善硬件、采集与数据链路；
第二，我们开源了5,000 小时的数据集、真机与评测套件，为富含触觉的具身任务提供数据与统一基准；
第三，我们提出以稠密三轴力场作为硬件无关的统一触觉接口，通过视触表征模型，让不同硬件的触觉信号可跨设备通用，不再绑定于某一款传感器。
周恒，中科大一年级博士研究生，N0-VTLA 的核心开发者，研究重点在让预训练 VLA 真正用上视觉之外的模态，构建具备精细物理交互能力的通用机器人策略。在N0 VTLA负责触觉通路设计、三阶段训练配方与大规模多机器人预训练工程，并主导了模型的开源发布，包括预训练底座、后训练工具链与推理服务。
分享人说：
N₀-VTLA 是我们在 Vision-Tactile-Language-Action 这条路线上的第一个工作。给 VLA 加触觉，最省事的做法是把触觉图当成第四路相机接进去。但触觉信号本身噪声大，这么接进去很容易被视觉稀释掉，模型索性就不用它了。训练曲线看不出任何问题，上了真机才发现策略对触觉是盲的。
我们的做法是把触觉压成几个 Latent Token，让它表示接下来一小段时间里接触会怎么变，再直接送进 flow-matching 动作专家，同时在架构上不给模型绕过去的路。另外我们做了一套因果探针，用来确认模型是不是真的在用触觉。
康力，上海交通大学一年级博士研究生，研究重点是具身机器人操作，围绕世界模型、触觉感知与多智能体具身系统展开，曾在NeurIPS、ICCV、RSS、CVPR、ECCV等顶级会议发表多篇论文，获CVPR 2025 MEIS Workshop杰出论文奖、EMNLP 2025 SAC Highlight奖等。同时，他是N₀系列技术报告的核心贡献者，主导了N₀-TWAM的预训练、真机后训练与数据处理。
分享人说：
N₀-TWAM是我们在触觉原生世界模型这条路线上的规模化尝试。围绕当前已经能把视觉语言对齐到动作的WAM基座，我们想处理的是接触发生那一刻视觉恰好失效的问题：遮挡、形变和受力大小都看不见。我们旨在让模型在预测未来画面的同时也预测未来的接触，把触觉当作与视觉同等的模态来建模。
文章聚焦于视触觉联合的世界模型如何与动作生成一起训练，以及这套方案在 6 种本体、450 个任务的预训练规模下，对接触密集型操作带来的收益。
更多精彩回顾
🚀 直播精华看不够？完整版深度内容已独家上线知识星球「」！涵盖所有技术细节、QA及未公开彩蛋。深度解析！
干货满满，快来加入！
