当前，具身智能行业的叙事重心正在发生结构性转移。
随着具身模型持续推高机器人的“认知天花板”，产业逐渐意识到一个更为根本的瓶颈：当机器人真正站在产线、走进家庭，它对物理世界的理解依然停留在“看得到、摸不准”的层面。
于是，行业集体进入物理感知“补课期”，具身智能的全栈时代来临。感知，尤其是力触觉感知，正在成为具身智能大规模落地最难啃、也最关键的短板。有意思的是，这个共识今年才在行业层面成形，但有人早早地就想清楚了答案。
在日前举行的的帕西尼媒体开放日上，公司创始人兼CEO许晋诚将公司的路线凝练为一个“派”——PIE：Perception（感知）、Intelligence（智能）、Execution（执行）。
事实上，早在2021年成立之初，这位早稻田大学出身的机器人博士就锚定了这一方向：“机器人要真正进入物理世界，感知、学习与执行三题必须同解，缺一不可。”
感知（P）：触觉硬件矩阵
背后的“真实”物理
人可以在黑暗中凭触觉从口袋里掏出钥匙——这个看似寻常的动作，恰恰是具身智能最难复刻的能力。许晋诚表示，“纹理、粗糙度、弹性、热导等物理属性，能直接反映物体本质，构成具身智能机器人认知物理世界的多维真值”。
那么，触觉真值从哪里来？帕西尼把它做到了GEN4 FUSE芯片上，它是全球首款、也是目前唯一量产的原生真6D触觉感知阵列芯片。
“所谓真6D，即同步感知三维力与三维力矩，这正是机械手完成精细操作所需的完整力学信息。”他进一步介绍，这并非传感模组的简单堆叠，而是在GEN4 FUSE芯片中原生测量连续的法向力与切向力变化，并以0.005N的超高灵敏度和每秒百万级高频率采集，让微秒级的物理信号都被完整捕捉。
同时，该芯片采用独创的类脑突触架构，能够通过超高带宽的并发机制，同时将上万FUSE芯片同时传输给机器人的智能系统，为其提供全面的物理感知决策基础。
这组特性的行业意义在于这些特性叠加在一起，指向一个更关键的行业命题：触觉数据可以在端侧直接处理，无需云端回传。这为具身智能普遍面临的端侧算力瓶颈，提供了一条纾解路径。
但GEN4 FUSE的意义不止于一颗芯片。它亦是帕西尼全身感知体系底座。以此为基础，帕西尼的物理感知引擎已延伸出完整产品矩阵，并实现规模化应用。
专业级机器人ITPU触觉传感单元：超轻薄设计，厚度最低仅1.9毫米，同时能够做到大曲率的全曲面测力，结合其极其精微的力识别能力，不仅能识别螺纹、麻将牌面级别的细微特征，也能捕捉到精细操作中的全手动态力变化，极大拔升了机器手精细作业的能力上限；
全身电子皮肤：搭载FUSE新品，突破触觉传感器的形态局限，让精细触觉能力第一次覆盖机器人全身，无论是连续弧面还是复杂曲面均可无隙覆盖。带给机器人前所未有的物理感知能力提升，也重塑了机器人在未来人机交互中的想象空间；
足底多维触觉传感器：已获十余家本体企业定制采购，系统性解决地面策略切换、关节保护、行走轻量化三大痛点。
从指尖、掌心、皮肤、关节到足底，以帕西尼GEN4 FUSE为核心的行业领先的全域物理感知系统，正在让机器人更全面、更准确地理解真实环境。也正如摩根士丹利在报告中所指出那样：“稀缺的物理感知能力，正是解决具身智能现实数据难题的关键钥匙”。
智能（I）：数据闭环
而非数据倾销
如果说感知（P）是机器人的“皮肤与神经”，构成帕西尼的技术起点，那么数据智能（I）则是解开具身智能现实数据困局的关键。当前具身智能的数据困境集中体现于以下三个层面：
其一，仿真环境难以复刻弹性、超弹性等复杂材质的物理特性，以及真实物理接触中的摩擦、滑移等高维信息，模型在虚拟环境中表现优异，迁移至真机却频频失效，sim to real鸿沟至今仍是行业最深的沟壑；
其二，第一人称视觉数据因数据量大、成本低、易获取，成为行业首选数据。导致行业深陷“数据冗余”陷阱，实际可利用率低；
其三，高保真物理交互数据依旧不足，部分数据供应商仅交付未经清洗的原始数据。客户投入清洗、标注成本高。另数月人力处理后，效果依然有限。
由此，行业共识逐渐清晰：具身智能既需要大规模可持续的高质量数据供给来驱动Scaling Law，更需要真实、多样、通用性高的高质量数据来有效提升机器人能力与泛化跃迁。
“如果缺乏力触感知数据，后续的模型学习、任务执行都如同空中楼阁。”帕西尼的许晋诚对此有着清晰的判断：仿真数据表面成本较低，实则当其与物体的弹性、超弹性等物理材质属性做精准对齐后，综合成本甚至高于实采。
显然，“仿真先行”这条行业默认的“低成本捷径”，在物理交互数据这一细分领域并不成立。帕西尼的答案，是重新定义“高质量物理数据”。
“PIE”体系中，感知是一切的源头，由触觉感知延伸出的数据能力，从根本上重新定义了“什么才是高质量的物理数据”，并由此构建起一套全新的数据范式：
第一层是“触觉-视觉-关节”三位一体的全模态采集与融合。全新一代旗舰级数据采集手套PXCap Pro，集成了多维阵列式触觉传感器、自研微型高精度角度编码器与超广角腕部相机，在实现姿态数据零漂移的同时，同步获取视觉画面、关节角度、末端空间轨迹等多模态数据，并以毫秒级硬件同步能力保障各模态间的严格对齐。
此处的关键正在于“对齐”：视觉信息、触觉反馈与关节运动在时间轴上严格一致，物理真值得以高保真沉淀，极高的原生采集数据基准大幅减少数据清洗等后处理成本。
第二层是“在环训练”机制，构建数据回流闭环。“把数据倾销给客户而不为效果负责，是不可取的。”许晋诚表示。帕西尼的原则是：具身数据须先在内部模型训练中验证有效性，方可对外输出。
具体而言，内部模型团队向采集团队提出明确的数据规格与精度要求，采集侧依据模型迭代反馈反向调整——数据由此从一次性交付的商品，转变为持续回流的闭环资产。
第三层是跨本体适配的“无本体”数采能力。机器人本体构型各异，直接影响数据的可迁移性。帕西尼聚焦于物理交互核心相关的上半身及手部交互，据此开发出“以人为中心”的无本体数据采集，不仅完整保留了物理交互动作的全维度细节，配合逆向运动学解算，客户可按自身构型完成映射，从而规避构型差异带来的后训练补偿成本。
范式之外，工程化能力是落地的支撑，体现在标准、产能与生态三个维度。
标准层面，帕西尼牵头构建具身智能全域标准体系，已全面参与超50项国际、国家及行业标准制定 —— 在标准尚未定型的赛道上，参与定义标准本身即是战略卡位。
产能层面，全国五大区域的超级数采工厂同步展开大规模采集，年产能超百亿条。与无锡共建超大城市数据库，采集人类在生产、生活、公共空间中的真实行为经验。
生态层面，腾讯云、百度云、京东云等均建立合作，数据与算力基础设施已初步就位。
回到根本问题：具身智能行业真正稀缺的，并非数据总量，而是视觉、触觉、关节姿态与操作结果相互对齐的高质量物理交互数据。
帕西尼的这一方案，直指数据生产的效率命题——以其独有的百亿级数据闭环体系，持续驱动机器人“大脑”的迭代进化。
执行（E）：重构操作边界
补齐物理交互“最后一厘米”
感知与智能最终需要物理载体回到真实世界来完成闭环。
沿着这条原则走下去，帕西尼把近3000平方米的「ONE FOR ALL」物理AI实景展厅，变成了一条看得见、摸得着的PIE因果链：帕西尼则通过自研执行器矩阵从多维触觉灵巧手，到TORA系列人形机器人本体构成 PIE 体系的执行出口。
灵巧手端，DexH13单手集成1140个ITPU多维触觉处理单元、16个仿生关节，具备0.01N力控与5kg单手负载，已批量进入3C制造与汽车产线;
本体端，TORA系列则集成了这些末端能力。活动日当天，TORA化身迎宾接待专员完成礼宾交互。不仅如此，同系列机型已在“智慧工厂”场景中完成物料转运、工业分拣、拧灯泡、元件插拔及实验室药剂分装等任务。
另外，在许晋诚看来，具身智能从技术走向产业，还要同时算清三笔账感知的成本账、数据的效率账、产线的价值账。
第一笔是感知的成本账。触觉传感器做得足够灵敏，是技术问题；能否装进每一根手指、每一个关节乃至机器人全身，则是产业问题。
帕西尼的解法是把半导体晶圆工艺引入触觉芯片生产，让原本偏向精密器件的小批量制造，进入芯片级规模量产——其自研触觉芯片出货量已突破100万颗。只有当成本实现数量级下降，触觉才有可能从少数机器人的高端选配，变成具身智能的出厂标配。
第二笔是数据的效率账。具身智能行业真正稀缺的，不是数据量，而是视觉、触觉、关节姿态与操作结果相互对齐的高质量物理交互数据。如果每一批数据都依赖大量人工清洗和标注，数据越多、成本反而越高，模型进化自然难以为继。
帕西尼的OmniSharing DB以多模态协同自标定为抓手，通过自动化流程完成数据清洗、校准与标注，将人工、算力及Token消耗压至最低。它的价值不只是省一次训练成本，而是让数据能持续采集、持续训练、持续反馈，这才是数据资产真正的复利所在。
第三笔是产线的价值账。它也是PIE体系进入真实制造需求的第一次产业级检验。以比亚迪合作为例，TORA、夹爪和灵巧手将接触力度、操作节奏、异常纠偏等隐性工艺经验转化为可学习的数据，直接提升产线机器人的多维力触觉能力。
比亚迪提出真实问题、定义生产标准，帕西尼提供从感知、数据到执行的一站式答案，双方围绕具体生产任务联合研发。判断标准很直接：只有进入核心工艺，机器人创造的生产价值才经得起产线节拍、良率与人工接管率的真实检验。
这三笔账看似分属三个环节，实则指向同一个判断具身智能价值兑现标准——一项能力，全行业用不用得起、用不用得好、用了能不能赚钱。
总结：闭环即壁垒
帕西尼争夺的是物理AI的进化效率
物理AI的下半场，比拼的不再是叙事能力，而是谁能真正跑通“感知—智能—执行”的链路。
当业界还在单一硬件维度上内卷时，帕西尼选择做感知革命中最执着的供给者。即P降低获得真实物理信息的成本，I降低机器人学习和进化的成本，E在真实生产中验证并放大这些能力，PIE环环相扣、循环进化。既是其下一阶段战略的坐标系，也是具身智能走向真实世界最稀缺的那块拼图。
这条路线能否兑现为产业级价值，尚需时间和真实场景检验。但可以确定：在物理AI的世界里，先看清世界的人，才谈得上人机协作共生。
