触觉入局、世界模型共生，各家机器人模型走到哪一步？

电子发烧友网报道（文/莫婷婷）在具身智能领域，VLA/VTLA模型与世界模型加速融合已经成为业内共识。从 VLA 到新增触觉模态的 VTLA，再叠加世界模型实现状态预判，具身智能正着力解决精细接触作业难题。当下赛道路线尚未统一，从千觉、戴盟到帕西尼、芝诺，各家差异化布局持续推进，而稀缺且昂贵的真机数据，成为制约规模化落地的关键瓶颈。

从 VLA 到 VTLA：补上“接触之后”的那一段

VLA 把视觉模态、语言模态、动作模态统一到一个模型中，主要靠图文预训练获得语义泛化，能够完成抓取、搬运等基础操作。但在进行需要精细操作的任务时，例如拿取柔性物体时暴露了它的缺陷：摄像头知道目标在哪，却难以掌握力度以及物体的形变信息。

这一缺陷在工业场景领域更为突出，因为插接、装配、擦拭和柔性抓取等操作高度依赖毫秒级的力觉变化。例如在汽车总装流程中，线束装配属于典型的高柔性、高离散度工序。线束本身形态自由、易变形，使端子插接、曲面贴合等动作对感知精度、力控闭环和动态适配能力提出亚毫米级要求。由于该工序长期依赖熟练工人的指尖触感与操作经验，自动化替代一直是行业难点。

戴盟机器人指出，机器人操作的核心，不只需要一双灵巧的手，更需要一个能够操控这双手的“物理交互脑”。这也正是 VTLA（视觉—触觉—语言—动作）出现的原因之一，它将触觉提升为与视觉并列的核心模态，依托视觉、触觉等多模态感知输入，机器人可构建物理环境认知，具备实时交互、状态预测与自主决策能力，进而形成长程思维链（CoT）推理与持续自主学习能力。

今年下半年以来，多家企业纷纷推进VTLA模型的布局。

例如千觉机器人在 WAIC 2026 发布的VTLA具身触觉模型 X-TouchMind V1，其架构分为三层：System 2 负责任务理解、语义推理，System 1负责动作生成与轨迹规划，System 0则触觉与本体的交互控制，回答的是“接触之后怎么做稳、做准”。

戴盟机器人则是这条路线最早的提出者之一。数据显示，戴盟机器人在2024 年就将触觉写进 VLA 架构，并且在今年8月基于自研的原生触觉具身数据集发布了全球首个触觉锚定世界模型 Daimon-TWM（Tactile-grounded World Model），参数规模达 10B 级，可在 NVIDIA RTX 5090 平台实时推理，具备跨本体、跨机械臂部署潜能。

Sharpa的CraftNet 采用端到端分层 VTLA，System 2 ~1Hz、System 1 ~10Hz、System 0 ~100Hz，帕西尼自主研发迭代 OmniVTLA 2.0 全模态大模型补齐了行业长期缺失的物理感知短板，配合自建数据工厂与 HyperCosmos 世界模型形成闭环；卧安的 OneModel 1.7 则把潜在世界动作模型与“成功记忆层”叠加。

补齐触觉感知能力之后，机器人在实操层面将迎来怎样的突破？

以 Sharpa 人形机器人 North 为例：在 CES LVCC 北馆的现场演示中，它完成乒乓球对打，实现 0.02 秒级的极速响应。这一表现依托于CraftNet上层模型负责来球方位、回击速度与方式判断，底层控制器则通过触觉与本体觉进行高频闭环调节，从而在敏捷回球的同时维持全身稳定性。回溯更早节点，就在2025 年 10 月 IROS 展台上，Sharpa 的 BlackJack 演示还停留在遥操作模式。

又如补齐多维 ITPU 高精度触觉感知后，搭载帕西尼 OmniVTLA 2.0 全模态大模型的 TORAONE 人形机器人落地吉利钱塘工厂。上层大模型融合视觉、语言、动作与触觉信号完成任务理解和动作规划，底层依靠触觉反馈做高频闭环力控，解决整车线束插接这类柔性精细装配难题。帕西尼的数据显示，机器人可连续稳定作业 8 小时，作业成功率达 99.8%，填补了约30%人力缺口，弥补了传统自动化缺乏触觉反馈、柔性接触作业力度难控、易失效的短板。

TORA-ONE 执行线束整理、端子装配任务（图源帕西尼）

机器人大模型：有人补触觉，有人做世界模型，有人押注多机协作

在VTLA模型加速落地到机器人身上时，VLA/VTLA模型正与世界模型实现快速适配融合。世界模型指能够对物理世界进行建模和预测的AI系统，它可以“想象”动作执行后的世界状态变化。

从功能分工看，世界模型正在从“附加模块”升级为与动作模型并行的核心能力层。VLA、VTLA模型主要解决“看到什么、理解什么、执行什么”的问题，负责生成策略并输出动作；世界模型则提供物理推演与状态预判能力，帮助机器人判断动作是否必须执行、何时执行、以何种力度和路径执行，从而降低试错成本，提升长时序任务的稳定性与泛化能力。

高盛在报告中分享了其看到的行业技术迭代路径：先完成VLA与世界模型的基础融合，再通过引入触觉、力觉等物理感知模态，升级为VTLA体系，使模型不仅会“看”和“动”，还能在接触瞬间完成高频闭环调节。高盛特别指出，银河通用、星海图、千寻智能、卧安机器人等企业均将“VLA+世界模型”列为下一阶段重点方向。

不过，当前具身智能赛道尚未收敛至统一技术范式，各家具身智能模型方案基于自身场景定位与技术积累，走出了差异化的发展路径，方案特征各有侧重。

安努智能选择了“先部署、后建模”的独特路径。2026年9月，安努智能连发六款模型，覆盖了从数据生成到端到端部署的全链条：实时长视频生成模型Helios（14B参数，单张H100 GPU实现19.5 FPS推理）、软物体仿真平台SimLab（自研软体和热学物理求解器配合Isaac Sim合成数据工厂）、动作锚定世界模型ActiWorld（让模型对动作后果负责，对成败判断偏差低于3.25%）、真机强化学习技术RoHIL/EvoHIL（实现跨光照部署成功率100%）、工业垂类模型AnuVerse-0.5（MoT架构，百毫秒级推理，单卡桌面级部署），以及端到端部署系统Nexus（支持多技能Agent调度、SAP EWM/Joule系统融合）。

安努的核心壁垒是基于开源基座模型，通过深入富临精工、英特尔等真实产线积累部署经验，在通用基座与真实产线之间构建"检验-学习-执行-落地"的技术闭环。其强调的是“把世界模型接进工厂”。据了解，多家头部具身智能与世界模型团队采用了安努的Helios。

芝诺机器人以去中心化多机器人协同为差异化方向，走全栈式具身智能路线。在9月发布了Zeno-1，这是全球首个专为去中心化多机器人协作设计的物理智能基础模型。该模型仅3B参数，可在本地以30Hz频率进行闭环视觉-运动推理。

Zeno-1并非外挂世界模型，而是内置“行动条件潜在世界模型”，在动作执行前0.5秒预判接触失败风险，预测准确率显著优于基线。同时，模型能在协作决策中评估对搭档行为的影响，自发涌现出等待、让步等协调策略，实现不依赖中央调度的自然协作。在200次真实实验中对接触失败的预测AUC达到0.94。

路线再热闹，最后一公里卡在同一件事：数据不够多、不够真、不够对齐。业内数据指出，真正可用需 1000 万小时级真实交互数据，截至2026年初，全行业高质量真机数据仅约 50 万小时，缺口超 95%；真机遥操作有效数据约为500—1000 元 / 小时。

工业场景更贵，威卡移动控制智能化中心总监武博文提到，当前挖掘机真机数据采集成本接近每小时5000元，训练一套可用模型通常需要约10万小时量级的真实工况数据，仅真机采集一项就可能产生上亿元投入。这也意味着，工程机械智能体能否真正落地，关键不在于有没有大模型，而在于能否持续获取真实、完整且可复用的作业数据。

因此可以看到，多家具身智能企业在布局模型的同时，也围绕具身智能数据瓶颈从不同路径补齐触觉数据缺口。例如千觉机器人发布了首批 1000 小时视触觉多模态数据集 TacVerse 1k，并开源了其中一万小时数据。帕西尼依托超级数据工厂集群，支撑其 OmniVTLA 大模型训练。安努智能则通过自研软体与热学物理求解器，结合 Isaac Sim 搭建仿真合成数据平台，重点解决柔性物体、复杂接触场景下真实数据稀缺的问题。

高盛判断，机器人大规模商业化部署的窗口期集中在2027至2029年，届时那些率先积累起千万小时级真实场景数据、并建立起“部署-数据-模型”正向飞轮的企业，将最有可能拉开与同行的身位，真正打开具身智能的商业化大门。

触觉入局、世界模型共生，各家机器人模型走到哪一步？图2