加入高工机器人专业行业群，加微信：17811613845，出示名片，仅限机器人及智能制造产业链相关企业。
一场具身智能展会上，一只灵巧手做了一个获得满堂掌声的演示：机械手从一堆杂乱物件里找出鸡蛋，轻轻夹起，平移，放下，全程没有碎。
然而观展人群中，有人发起疑问：“表演是好的。但是上了产线——它拧坏一个工件，怎么办？”
演示环节从来不考虑“拧坏了怎么办”，但产线每天都在问。
高工机器人曾与钧舵机器人创始人兼CEO介党阳——这位在航天集团做过空间机器人研发、在末端执行领域创业八年的行业老兵对话，他表示这类问题听过太多：它们很少出现在发布会的主屏幕上，却一定会出现在客户的采购评审会上。
现在，这个问题成为了整个行业的拷问。
所有人都在卷大脑，产线在等一只接得住的手
过去两年，具身智能的主旋律是卷大脑，参数一路飙升，世界模型、VLA轮番刷屏。但去产线待几天，看到的是另一幅图景：能跑通的大多是结构化、容错空间大的任务；一旦涉及插拔、拧紧、柔性抓取，成功率就断崖式下跌。大量项目卡在“实验室能做、产线不敢用”的临界点，一卡就是一年。
共识其实在形成。今年WAIC上，AI灵巧手第一次与人形机器人并列，被官方点名为重磅新品品类；多份产业报告把竞争重心的转移总结成：从“能动”到“能干”。而在量产爬坡、数据闭环、末端操作、场景落地四个环节里，末端操作的路线至今没有收敛。
终端需求的信号更直接。业内越来越多声音把今年称作“触觉元年”：灵巧手配备触觉方案的比例，从2025年初的两成左右爬到去年Q4的六成上下；有企业做过对比：轴孔装配任务，纯视觉方案成功率只有百分之十几，引入触觉后提升到80%以上——有些任务纯视觉训练到七八成就触顶，数据堆再多也上不去，加入触觉后直接进入可用区间。
这些信号来自产业链的不同环节、不同阵营，彼此并无串谋，却指向同一个判断：落地的卡点，正在收敛到末端执行。大脑的天花板已经抬得很高，但智能要变成生产力，最后一棒总得有人接得住。
只是共识只回答了“卡在哪”。真正值得想透的是两件事：为什么偏偏卡在末端？以及，怎么破？
客户验收的不是自由度，是成功率
要回答“为什么卡”，得先看清工业场景到底要什么。这些年，介党阳在客户现场被反复问到的，其实只有三个朴素的问题。
能干活吗？不是Demo里能不能干，是这个工序、这批料、这种工况下能不能干。拧一颗M4螺丝，力大了滑丝，力小了虚拧；抓一袋灌装粉料，握紧了破袋，握松了脱落。
可靠吗？工业现场不相信一次惊艳，只相信一万次不出事。一百次成功建立不起信任，一次拧坏就足以清零。这就是工厂宁可多养一个老师傅，也不敢轻易换掉一条跑顺了的产线的原因。
划算吗？设备投入、节拍、效率、维护成本，最后都折算成每个工件的人工替代成本。账算不平，技术再先进也只能停在展会。
这三个问题在过去的大批量标品时代，可以用“高精度夹具+视觉定位+反复示教”来回答。但今天制造业是另一番景象：消费电子的生命周期从18个月压缩到6-12个月，“批量=1000件”的订单变得普遍，产线一年要应对几十次产品切换，来料的形状会变、位置会偏、材质会不同。多品种、小批量的柔性制造，已经从边缘需求变成制造业的新常态。
这对末端是个近乎苛刻的要求：每一次接触，都可能面对一个没见过的物料。视觉能告诉你物体在哪里，但回答不了“手里这个连接器的塑料壳有多滑、金属针脚有多脆、插拔力在哪个角度会突然增大”。这些信息只存在于接触发生的那一瞬间。换产时如果每个新物料都要重新标定、重新编程，调完跑一周又要换型，这笔账工厂算不过来。
柔性制造的本质，就是每一次接触都是一次未知。而触觉，是唯一能在接触那一瞬间告诉你“摸到了什么、该怎么做”的感知通道。三把尺量下去，量出的短板几乎都在同一个位置：末端。
最后一厘米之后，还有最后一克力
行业对落地卡点的主流解释是“断层”：大脑规划得挺好，手执行不到位，解法是把断层补上。然而，介党阳认为，这个前提本身就不成立。
这个传统逻辑把工作流看作线性链条：大脑规划→手执行→完成。在这个链条里，执行是终点，执行完就结束了。
但物理交互的真实因果是：接触产生信息→判断→执行→再感知→再判断，这是一个闭环，不是一条直线。执行不是终点，是下一个感知的起点。
把末端当执行末梢，等于把闭环切成了开环。接触过程中产生的力信号、滑移信号、失败重试的修正动作，统统没有被采集、没有被回流、没有被用来训练模型。这就是为什么成功率卡在94%上不去——不是手不够灵巧，是闭环没有合上。
除了链路的错位，还有四个错配造成了末端执行的“卡”。
错配一：VLA的“视觉霸权”
当前主流VLA的架构逻辑是：图像+语言指令→动作token序列。它只能从视觉里找规律，也就默认了“看到什么”可以推导出“怎么碰”。这个假设在非接触任务里成立，在接触密集型任务里是失效的。
更根本的问题是VLA根本没有处理表征“手指正在滑移”这个状态的能力。触觉信号拼进去，反而变成了噪声，干扰了原本的视觉－动作关联。这就是为什么李飞飞的实验里, 把触觉力信号直接拼进预训练VLA模型，任务成功率反而从17%掉到6%。不是触觉信号不重要，是视觉霸权的架构没有给触觉信号留下可用的表征位置。
从这个角度理解，VLA不是“工业大脑”，它更像“视觉预测器”。
错配二：触觉信号的保真度不够
当前主流的磁触觉和视触觉方案，本质上都是用算法去“翻译”触觉——信号是经过多步算法转换后的“推算值”，而不是物理接触直接产生的“原始值”。磁触觉的霍尔元件对电磁场敏感，视触觉的光学系统对油污、粉尘敏感。
更麻烦的是，触觉传感器普遍存在迟滞、漂移和非线性问题，校准参数容易被时间和环境改变，需要反复标定。对于多品种、小批量的柔性产线，每一次换料都可能意味着一次重新标定。标定要时间，停线要成本，效率和可靠性便无从保证。
信号是“算”出来的，还是“长”出来的？这是触觉路线之争背后真正的分水岭。
错配三：数据的“维度缺失”
截至2026年初，国内高质量真实物理交互数据总量仅约50万小时。而行业预计需要的200万小时中，最稀缺的恰恰是15%到25%的失败与恢复数据——打滑了怎么办、插歪了怎么调。
数采工厂的数据有三个先天缺陷：数采员速度比真实产线工人慢得多；复刻场景缺少真实工厂的来料偏差和设备振动；更关键的是，触觉数据在采集环节就被结构性忽略了。
仿真可以补量，但补不了维度。一个在仿真中完成50万次训练、评分99.8%的模型，在真实世界中，夹爪“要么在瓶身光滑的曲面上打滑，要么以错误的角度接触瓶盖导致扭矩无法传递”。
工业场景真正有价值的数据，不是“人类如何操作”的数据，而是“机器在真实工业环境中如何成功、如何失败”的数据。前者可以采集，后者只能生长。
错配四：“卷参数”与“卷适配”错位
展台上20多个，甚至30多个自由度的灵巧手层出不穷，但真正在产线上走量的，是精简自由度的产品。高自由度带来的是高故障率和高成本。先做了最炫目的“手”，再去思考它能干什么，而不是从产线需要什么出发，倒推手应该是什么样。
参数表的时代，供应商比的是“我这一环最强”；场景的时代，客户只认“能不能适配产线生产需求”。
四个错配指向同一个根源。行业给视觉的盲区起了个名字，叫“最后一厘米”。但它只回答了“碰没碰到”。介党阳认为，应把它再往前推一下：“最后一克力”。
厘米是空间，克力是分寸。卡住那些工序的，从来不是看不见，是手上没有分寸。
当这个手没有分寸的时候，就产生了一个荒诞的结果：大脑说指令对了，手说按指令动了，传感器说数据传了，链条上每一环都无责——但最后那颗螺丝就是坏了。
所以这不是断层，是第一性原理的错位。物理定律决定了：精细执行的判断必须发生在末端。手要有自己的判断力，而不是等大脑的下一个token。
过去行业里讨论末端执行器，习惯把它归入“硬件部件”这个筐里。夹爪、灵巧手、吸盘，按自由度、负载、精度分类，和减速器、伺服电机放在同一个货架上。
但这个分类方式，在具身智能时代已经不够用了。
介党阳认为，行业需要重新定义末端执行。
末端执行不是“执行大脑指令的硬件终端”，它是智能与物理世界交互的双向接口，是一个需要具备本地实时力控能力的智能节点。
第一，末端执行是认知到物理动作的唯一出口。大脑输出的是意图、策略、坐标、轨迹，但物理世界只认力、位置、摩擦、形变、滑移。末端执行器就是那个翻译器。翻译得准不准，直接决定大脑的指令能不能变成有效动作。
第二，它是双向桥梁，不是单向配件。下行，它把AI认知变成物理动作；上行，它把触觉、力觉、滑移、形变这些接触数据回传给小脑和大脑。没有这个上行通道，大脑只能发指令，永远学不会真实世界的物理规律。视觉看到的是表面，触觉和力觉看到的是交互本质；末端执行器是机器人本体中唯一能采集这些数据的部位。没有它，具身智能就是离身智能。
第三，它直接决定大脑能力的发挥比例。大脑能力再强，实际表现也受限于执行层。末端没有力控，大脑就不知道接触状态；末端没有触觉，滑移就无法感知，模型无法微调；末端接口不开放，数据不回流，大脑就无法从真实交互中持续进化。
入口、出口、回流——三个环节合在一起，末端执行器就不再是一个硬件载体，而是一套执行能力生态。
所以“最后一厘米”有三层含义：物理上，是末端到物体的接触距离；信息上，是触觉力觉数据的入口；系统上，是AI认知与物理动作之间的关键桥梁。桥断了，智能过不去；桥窄了，能力打折扣；桥稳了，大脑才真正落地。
在接触物理世界的现场，自行感知、自行判断、自行形成指令，让执行层拥有自己的“就地思考的大脑”，而不是继续充当上位VLA的执行末梢，才能让具身智能真正落地为生产力，这就是钧舵机器人在做的:“让精密执行拥有思考力”。
正如你端起一杯正在加水的纸杯，不会逐帧请示大脑：杯壁在滑，手指压力自动加大，这个闭环发生在脊髓和手部神经，毫秒级完成，大脑只负责“把水端起来”。人类的精细操作之所以精妙，恰恰因为执行层从不空转，它在现场实时思考。机器人要复刻的不是一只爪子，而是这套就地思考的能力。
让执行层拥有思考力，落到工程上是三层闭环，但是第一性原理仍然是场景需求适配，落地安全可靠，成本可验证ROI。
第一层，触觉感知，思考的神经末梢。没有感知，思考就是无源之水。这也是触觉一年内从选配变标配的原因——行业已经用订单投了票。
钧舵机器人在触觉上不押单一路线，而是从场景需求适配来定技术路线。
类人触觉（BioTac）解决强电磁干扰、频繁换产下的信号保真：刚性核心外包填充导电液体的弹性硅胶皮肤，力的感知从物理结构上直接产生，液体传递力的方式不随电磁环境改变，换料时不存在需要重新标定的算法。
视触觉方案解决精密装配的高几何分辨率需求：积木式模块组合，不同指尖形态、不同覆盖密度快速拼装，触摸片成本压到可大规模部署的水平。
在介党阳看来：“用一条技术路线套所有场景，本身就是对工业复杂性的低估。”
第二层，数据采集，思考的经验来源。当前行业普遍的解法是建数采工厂，让操作员操控机器人反复执行任务。尴尬在于：数采员比真实产线工人慢得多，复刻场景里又缺少来料偏差、设备振动和异常处理，而触觉数据在采集环节就被结构性忽略了——绝大多数数采设备以视觉为主，力觉、滑移信息在源头就缺失。
行业预计需要的200万小时人类操作数据里，最稀缺的恰是那15%—25%的失败与恢复数据：打滑了怎么办，插歪了怎么调。而这恰恰是仿真引擎最不擅长生成的——物理引擎对接触力、摩擦力的建模偏差，让仿真中“学会”的策略在真实接触瞬间即刻失效。
钧舵机器人的工业具身数采平台走了另一条路：在真实产线上边工作、边采集。末端执行器本身就是数据源，每一次接触产生的力信号、滑移信号、振动信号，都在真实作业中自然生长。真正有价值的不是“人类如何操作”的数据，而是“机器在真实工业环境里如何成功、如何失败”的数据。前者可以采集，后者只能生长。
第三层，工作流闭环，思考的价值兑现。感知和数据最终必须闭环到工序里：这个场景成功率多少、节拍多少、失效模式是什么、出了偏差如何自纠。闭环还意味着有人对最终结果负责。大脑说指令对了、手说按指令动了，链条上每一环都无责、最后那颗螺丝却坏了——这种荒诞局面，就是没人对闭环负责的产物。端到端负责，才是端到端方案。
对应到产品逻辑，是一次价值尺度切换：从卷参数，换成卷场景适配。未来的验收单上，自由度和分辨率会让位给三个词：成功率、节拍、失效率。
最后，介党阳分享了他对于行业的三个判断。
一、末端智能化会是下一个主战场。大脑竞赛格局初定，边际收益递减，价值正在向末端下沉，订单和资本已经双重确认。未来两三年，“执行层有没有思考力”会像今天的“模型参数量”一样，成为方案评审的第一问。
二、行业会经历一次信用筛。今年具身智能的融资热度，和真正三班倒运行在产线上的设备数量之间，存在一个不需要点破的落差。末端是离结果最近的位置，天然是全行业的信用保证金：能对场景最终结果负责的公司留下，只对参数表负责的公司离开。钧舵机器人也常被客户问“凭什么可信”，他们的答案永远是：不靠说，靠交付台账。
三、生态会赢过单品。触觉感知、数据采集、工作流闭环，没有一家公司能靠单点产品同时做好这三件事，也没有客户愿意为没有形成三者闭环的供应商承担集成风险。末端这条赛道的终局，属于能提供完整执行能力生态的玩家。
10月12日，工博会在上海开幕。触觉元年行至尾声，末端价值下沉刚刚被确认，所有线索都会在那个展馆里短兵相接。关于“让精密执行拥有思考力，让具身智能落地生产力”，钧舵机器人准备了完整的答案，届时见。
高工机器人相信，具身智能的下半场，不在屏幕里的Demo里，而在产线上那颗被恰到好处拧紧的螺丝里。那颗螺丝拧下去的瞬间，就是思考力兑现的时刻。
