杭州一家做机器人算法的公司，最近在给大模型接触觉，工程师们被一个问题折腾得够呛。他们试了几种触觉传感器，数据采回来之后五花八门：有的是一串电阻值，有的是电容阵列读数，有的是压力矩阵，格式各异、噪声很大，想把这些信号喂给已经很成熟的视觉大模型，中间要做大量别扭的转换和对齐，效果还不稳定。团队负责人跟我吐槽，说视觉数据那么规整、那么好处理，怎么触觉数据一进来就全乱套了？

我跟他说，你这个烦恼，恰恰点出了触觉赛道今年一个很关键的技术分野。传统阵列式触觉传感器，数据天生是一组离散的、非视觉的物理读数，要融入现在以视觉和Transformer为核心的大模型架构，确实得跨一道坎。但有一条路线从根上就绕开了这个麻烦——视触觉。因为视触觉的触觉信息，从采集那一刻起，就是图像。

这话听起来有点反直觉：触觉怎么会是图像？道理前面几篇我们聊过，视触觉用一层弹性体模拟手指皮肤，皮肤接触物体发生形变，藏在后面的微型摄像头把这个形变拍成画面，再由算法从画面里反推出法向力、切向力、滑动这些触觉信息。注意这个链路——信息的载体，从头到尾就是一张一张的图像。皮肤怎么凹陷、怎么错动、纹理怎么变化，全都呈现在像素里。

所以视触觉背后说到底是一个摄像头，它产出的数据，和机器视觉同源，都是视频、都是图像。这个"同源"看似只是技术实现的细节，在大模型时代却成了一个巨大的结构性优势。

过去这些年，AI领域绝大部分的模型积累、算力优化、数据处理工具链，都是围绕视觉和语言建起来的。卷积网络、Transformer、海量的图像视频预训练，一整套基础设施都是为视觉数据准备的。视触觉的数据既然天然是图像，它就能几乎无障碍地搭上这趟快车——同样的模型架构、同样的训练范式、同样的数据管线，视觉怎么处理，触觉就能怎么处理。有位做视触觉的创业者说得很直接：视触觉背后是摄像头，数据以图像形式呈现，和视觉模态本质一样，在架构设计时比其他类型传感器更有优势。

更有意思的是，很多人担心"触觉数据太丰富、模型接不住"，在视触觉这里反而成了优点。传统思路觉得，信息太多、维度太杂，模型容易混乱。可大模型时代的逻辑变了：模型容量足够大、表征能力足够强，它不怕信息多，反而怕信息少、信息丢得早。传感器端如果只输出一个粗糙的合力读数，信息在采集时就已经被压缩、被丢失了，模型再聪明也变不出细节；而视触觉把高分辨率的原始形变图像保留下来，让模型自己去挖掘里面丰富的力、纹理、位姿信息，模型能捕捉到更多线索，从而完成更精细的泛化操作。信息丰富在大模型这里，是红利而不是负担。

这个判断也在学术前沿得到了印证。今年就有知名学者的研究专门探讨触觉和视觉的融合，结论是多模态融合之后，机器人在操作任务上的表现，相比纯视觉有大幅提升。道理不复杂：视觉告诉你物体在哪、长什么样，触觉告诉你接触时发生了什么，两者用的还是同一套图像语言，融合起来天然顺滑。眼和手，第一次在数据层面真正"说上了同一种话"。

顺着"数据是核心资产"这个思路往下看，你会发现领先的触觉公司，野心早已不止于卖一颗传感器。

传感器只是入口，真正的壁垒在于围绕触觉数据建立起来的整套体系。有公司明确把自己的定位描述为“物理AI基础设施”，甚至类比成“触觉领域的英伟达”——不只想做那颗芯片（传感器），更想做支撑整个生态的平台。它们的布局是全栈的：最前端是各类触觉传感器，中间是数据采集设备，后端是自己的触觉大模型和世界模型，硬件、采集、模型全都自己做，而且每一环都紧紧围绕“触觉”这个核心，把触觉信息扎扎实实结合进去。这种全栈的好处在于，传感器采什么格式的数据、采集设备怎么标定、模型要什么输入，全都可以协同优化，不会出现各家接口不匹配、数据对不上的内耗。

为什么非要自己做数据采集设备？因为光有传感器，采不到规模化、高质量的训练数据，模型就是无米之炊。这两年行业里有个很火的东西叫通用操控接口，本质是一套让人带着设备去演示动作、机器人从中学习的数据采集方案，但它早期主要是纯视觉的，只记录动作轨迹，没有触觉。客户很快提出需求：能不能把触觉也加上？于是就有了带视触觉版本的采集设备——人怎么抓、怎么用力、接触时发生了什么，连同视觉和位姿信息一起被高保真地录下来。

这些采集到的数据，价值在于可以"精准回放"。它不只是记录了一只手从A点移到B点，而是把接触位置在哪、皮肤怎么形变、有没有滑移、力怎么变化，全都完整保留，并且能够适配、迁移到不同的机器人本体上。相当于把一个老师傅的精细操作，连同他手上那点难以言传的手感，一起录成了可以反复播放、可以喂给模型的教材。

光有工具还不够，整个行业缺的是高质量的公开触觉数据集。视觉领域能爆发，很大程度上得益于海量公开图像数据的喂养；可触觉数据此前几乎是空白，各家自己采、自己用，形不成规模。这个短板正在被补上：有公司和国家级的技术创新中心联合发布了触觉数据集，把触觉图像、视觉信息、位姿信息整合在一起对外开放，下载量短时间就超过了百万次。这相当于在给整个具身智能行业，补上那块一直缺失的触觉数据拼图。

与此同时，产业协作也在展开。有触觉公司和做人类数据开放平台的企业签了战略合作，把触觉传感器接入对方的数据平台。这意味着以后大规模采集到的机器人操作数据，记录的不再只是干巴巴的动作轨迹，还包括接触位置、形变、滑移这些丰富的触觉信息。数据的维度一旦补齐，训练出来的模型在"动手"这件事上的能力，就会上一个台阶。

从我们工业设计和产品系统的角度看，这套"传感器+数采+模型+数据平台"的全栈打法，其实暗合了制造业里一个很成熟的逻辑——赢家往往不是只卖一个零件的，而是那些能定义标准、搭建平台、让生态围着自己转的。

我们见过太多零部件供应商，产品做得不差，但因为只停留在"卖一个件"，最终在产业链里沦为可替代的价格竞争者。而真正掌握话语权的，是那些能向上定义接口标准、向下搭建开发工具、把自己的核心能力做成生态底座的公司。触觉公司现在做的事，说穿了就是不甘心只做一颗“手指上的传感器”，它们想成为机器人触觉这件事的底层平台——你要做灵巧操作、要训触觉模型、要采触觉数据，都绕不开我这一套。这种从部件到平台、从产品到生态的升维，是硬科技公司跳出低价竞争的典型路径。

当然，平台和生态的故事讲得再大，最终还得落回到一颗颗能在车间里稳定工作的传感器上。数据再丰富、模型再先进，如果指尖的传感器寿命不够、一致性不稳、成本下不来，一切都是空中楼阁。所以全栈布局和工程化落地，在触觉这件事上是一体两面：向下要把硬件做到五百万次寿命、万只一致，向上要把数据和模型的生态搭起来，两头都硬，这门生意才立得住。

还有一个现实的工程问题常被提起：视触觉数据是图像，分辨率又高，会不会特别占存储、吃算力，反而成了应用瓶颈？这个担忧听起来合理，实际有解。做这行的人算过账，其实根本不需要全程用最高分辨率，把分辨率降到够用的水平就行——比如每个手指用240乘240，甚至120乘120的分辨率就足够完成任务。五个手指加起来的数据量，还不如一个640乘480的普通摄像头大。也就是说，通过在端侧按需降低分辨率、只保留任务需要的信息，存储和算力的压力是完全可以控制的，并不会成为普及的拦路虎。这又是一个典型的工程权衡：不追求参数上的极致，而是按实际任务需求做到"刚刚好"，把成本和性能平衡在最优区间。

杭州这座城市，是数字经济、平台生态和人工智能最活跃的土壤之一，这里的创业者和工程师对"数据""模型""平台""生态"这套逻辑有着天然的敏感。他们看触觉，不会只停留在一颗传感器灵不灵，而会立刻追问：数据怎么流转、模型怎么接入、生态怎么搭、平台价值在哪。这种从系统和生态高度看问题的方式，恰恰契合触觉技术当下的发展阶段——当触觉数据终于以图像这种"通用语言"被生产、被采集、被共享，它就不再是一个孤立的零部件参数，而成了整个物理AI基础设施里，可以自由流动、被反复利用的核心资产。

机器人过去的智能，主要体现在"看"和"想"上，是视觉和语言的智能；而触觉数据这扇门一旦打开，补上的是"做"的智能——是接触、是操作、是与物理世界真实互动的能力。当触觉和视觉说着同一种图像语言，当数据可以被大规模采集、回放、共享，当传感器、数采、模型、平台串成一条完整的链条，机器人那双过去还略显麻木的手，才真正开始接入智能的主航道。这最后一块拼图补上之后，具身智能的故事，才算从"看懂世界"走到了"动手改造世界"。