具身智能在实验室里抓取、分拣、行走，样样亮眼。可一旦走上产线、进入仓库、站上服务等真实岗位，性能便显著滑坡，一点风吹草动就“翻车”。这不是某家企业的尴尬，而是横亘在全行业面对的一堵高墙——高质量物理数据荒。
而根源在于：视觉与听觉数据可以被动采集、海量沉淀，物理交互数据却必须主动生成——每一次抓取、搬运、装配等，方能产生一条数据。进一步导致机器人“看得懂、听得懂”，却“摸不懂”。
基于这一观察，一目科技创始人兼CEO李智强博士在此前媒体公开采访中表示：“只有补齐触觉感知这一层，机器才能从‘看懂世界’真正走向‘能干实事’。”换言之，触觉感知已成为物理AI落地的“最后一毫米”。
而他和一目科技的破局之道，同样出人意料：它并非为机器人赋予全新的感官技术，而是让它以最擅长的视觉，去“看见”每一次触碰，即视触觉感知技术。
用「光」去理解「力」
让机器人第一次“摸”到世界
为什么说一目科技押注视触觉，是一件反直觉的事？要讲清楚这一点，得先从具身智能行业触觉主流路线说起。目前业界应用最广的无论是压阻式还是电容式方案，本质上走的是同一条路：“力—电信号”的直接转换。
原理并不复杂：材料受力形变，电阻或电容随之变化，再反推出压力值。这条路胜在成熟、便宜、易于量产，但它的问题并非是精度不够，而在于单一换能机制的天花板，其难以同时覆盖压力、剪切、纹理、滑移等多维力信息，而这恰恰是灵巧交互操作最需要的“手感”。
更为棘手的是，柔性材料本身的物理规律决定了触觉领域长期存在的“不可能三角”——柔软、灵敏、耐用三者几乎不可兼得。这不难理解：柔性层越接近人体皮肤的柔软度，材料就越容易疲劳失效；反过来，越追求耐用，触觉往往就越迟钝，厚度被物理定律锁死了。
而视触觉恰恰绕开了这种直接转换的困局。据悉，它采取间接测量路线，技术逻辑大概分为两层：底层以光学系统捕捉柔性接触层的微米级形变；上层以自研算法将形变“翻译”为压力、剪切力、纹理、滑动趋势等多维力学信息。
用李智强的话说，视触觉的本质不是给物体拍照，而是“用光读懂形变，用形变读懂力”。可以理解为一句话：形变本身就是最好的信息载体，与其急着把它换算成电信号，不如先让光来“看”。
柔性高分子层受力形变，光学系统实时读取这片形变，算法再将其解算为触觉信息。三层架构，各司其职——摊开这条链路，会看到一个熟悉的结构：柔性层对应皮肤，光学系统对应神经末梢，算法对应大脑皮层。
它复刻的不是人手的外观，而是人手的感知逻辑。将“读取”与“解算”拆成两步，还带来一项容易被低估的结构性红利：感知与处理分层解耦。
这正是一目科技视触觉能做到3毫米以内厚度、成为目前全球最薄可量产仿人视触觉传感器的关键。要知道，灵巧手指节空间以毫米计，“装不下传感器”是行业多年的工程化死结，而一目科技从架构层面解开了它。
参数层面，一目科技交出的答卷是：0.005N力分辨率（约微米级形变感知）、最快8ms响应、单颗最高24万个检测点位，这一感知密度已远超人类指尖；配合IP65防护与500万次按压耐久，硬件素质达到工业级标准。
至于“不可能三角”，一目科技的解法不是推翻物理规律，而是在硅基高分子材料分子层面做定制设计：让柔性层在杨氏模量逼近真人皮肤的同时，抗疲劳性能提升至工业级——在柔软、灵敏、耐用之间，抵达一个此前无人企及的平衡点。
从「能看」到「能干」
绕不开的胜负手
如果说自动驾驶的生存法则是“远离一切”，那么具身智能的核心价值恰恰建立在“接触”之上——抓取、握持、插接、旋拧，每一个动作的成败，都取决于那零点几牛的力。
成熟的机器视觉存在难以规避的盲区：遮挡、反光、透明物体均会导致误判；更根本的缺陷在于，视觉永远无法回答那个最本质的问题——接触发生的一瞬间，力有多大，方向何在。
具身智能恰恰相反，其全部价值都要在“碰触之后”兑现。据介绍，人抓取玻璃杯即将滑落时，纠正动作必须在80ms以内完成，留给感知环节的时间仅有十几毫秒；视觉处理链路耗时动辄上百毫秒，根本来不及完成这套紧急闭环。
因此触觉，才是高速物理交互的第一信号源。沿着这条约束往下看，工业现实中哪些环节真正卡在“手感”上，便一目了然。
首当其冲的是柔性装配与精密操作。即便在自动化程度极高的汽车工厂，喷涂、焊接车间早已无人化，总装车间的胶条安装、细小接插件装配仍高度依赖人工。线束插拔就是典型例证：插接力过大损伤端子，过小则插接不到位，而线缆的柔性形变难以建模，控制只能依靠力反馈，而非预设路径。
其次是感知与辨识的模糊性，它同样延伸到物流分拣。包裹里的物品，可能是外观相同、重量虚实迥异的罐头与空盒，也可能是任意形变的软包衣物。即机器既掂不出“虚实”，也抓不住“软硬”。
最后是依赖“巧劲”的精密操作。钥匙开锁便是典型：力度与角度差之毫厘即告失败，这种融合了触觉反馈、微调试探与经验直觉的动作，恰恰是当前机器人最难企及的能力。
综合来看，这些任务的根本难点在于：判断依据不在“看见”，而在“接触”——依赖的正是难以言传的老师傅手感。只有先将视触觉信号数字化，并蒸馏为具身智能可学习的数据，这种手感才可能复制为机器人的能力。
更进一步来看，不管采用何种数采方案或大脑策略，要获取超越预设脚本的灵巧操作，都需要触觉实时反馈来闭合“感知—决策—动作”回路，是行业共识。视触觉的价值正在于此：它把这种难以言传的手感数字化，为上述闭环提供了可落地的数据基础。
一目科技的方案正是循此路径，已在柔性装配、精密实验、食品加工等场景落地，破解了非结构化环境下小批量、多品种生产的自动化难题。场景价值已经清楚，但技术路线能否兑现为产业能力，最终取决于另一件更朴素的事：能不能造出来、造得稳、造得起。
Physical AI 基础设施
生态卡位物理世界数据入口
硬指标达标，只是拿到了入场券。真正的门槛，藏在看不见的地方。
一个常被忽视的行业现实是：实验室原型追求的是单次高光表现，商用产品则须同时通过一致性、寿命与量产良率三道关口。而绝大多数触觉创业公司均折戟于此，触觉感知天然存在结构性矛盾，技术原理决定了上限，商业化则要求上限之下还能批量复制。
据悉，一目科技已一次性通过三道关口：分子层面的材料定制，解决一致性与寿命；量产车间主体已实现自动化组装；试产车间则承接新工艺验证与定制化需求，稳住量产良率。
加之，视触觉传感器并非通用器件：面对工业装配、食品分拣、人形机器人灵巧手等多元场景，一目科技还将材料层面的定制能力一路延伸至形态适配与量产交付。
此外，资本市场的嗅觉从不缺席。今年7月，一目科技完成E轮超10亿元融资，估值突破百亿。真金白银投出的，正是对“触觉是Physical AI数据入口”这一判断的重新定价。
但融资与出货只是这一商业故事的前半程。当传感器大规模部署于产线与机器人本体，每一颗芯片都在真实作业中持续采集物理交互信号，故事的性质便发生了变化——一目科技输出的已不再是单点硬件，而是一条高保真的物理触觉数据流。
将Physical AI视为下一个产业锚点，打造可流通、可训练的物理触觉数据资产统一“入口”。这正是一目科技对自身的核心定位——并非传感器硬件厂商。其核心使命是加速物理世界的 AGI 进化，为各式各样的具身大脑提供一套高保真的物理信号输入接口，让上层算法不必纠结底层硬件差异，专注于触觉信息本身。
但“接口”成立的前提，是行业具备统一的标准体系。目前，触觉行业恰恰缺乏这一基础——尚无公认的“Type-C式”标准，硬件路线分散、数据格式互不兼容，已成为制约行业发展的关键瓶颈。
在标准尚未定型之际，谁先定义数据的格式，谁就占据了产业话语权。
一目科技的开源共建生态卡位应时而生。据介绍，公司已联合斯坦福等海内外机构推进TouchNet开源触觉数据集项目，推动触觉数据采集、标注、评测的统一标准建设；同时推出开源仿真插件，通过仿真大规模生成触觉交互数据，弥补真机采集成本高的短板，打通仿真到现实的能力迁移链路。
至此，一目科技的战略目标已不止于技术指标：宏观上瞄准Physical AI最大瓶颈“高质量物理数据荒”；技术层面，视触觉方案在空间分辨率、信息维度、长期稳定性上优于传统方案，可输出直接用于模型训练的数据流；产业端完成从材料、硬件、算法、数据集到生态合作的全栈闭环，并与灵巧手厂商、仿真平台深度合作共建数据资产。
总结：时刻「未到」
但路已经清晰
回望科技发展史，颠覆性产品问世前总有漫长蛰伏无论是iPhone还是ChatGPT亦然。
今天的具身智能正处于同一坐标：具身大脑持续爬坡，身体渐趋成熟，唯独那只“手”仍是短板。而突破口恰在于此：触觉之于机器人，是物理AI获取真实反馈的第一入口。
以此审视一目科技“Physical AI基础设施提供商”的定位：量级出货、数据飞轮、标准建设三线并进，正成为一条可逐条核验的战略路径。
