视触觉路线被高估了吗：具身智能触觉感知的技术现实

具身智能正从算法演示走向物理交互的真实产业落地，触觉感知被视为继视觉之后的关键拼图。其中，视触觉传感器（Vision-Based Tactile Sensor, VBTS）凭借 GelSight 路线十余年的学术积累，成为最受关注的方向之一。但 36 氪一篇深度分析指出，这条看似热门的路线在底层硬件、可靠性与扩展性上存在多重结构性矛盾，可能被显著高估。

学术繁荣背后的产业空心化

视触觉的核心硬件是一枚微型 CMOS 摄像头、透明弹性体与光源的组合，本质上是将视频摄像模组改造用于触觉成像。自 2009 年 GelSight 以来，底层方案变化有限，主要沿用索尼 IMX 等成熟摄像头模组，空间分辨率与采样频率并无本质突破。

在算法层面，视触觉研究大量复用 ResNet、U-Net、光流法等 CVPR 时代沉淀下来的视觉工具，针对触觉物理的原创算法贡献有限。这种「拿来主义」虽然加速了论文产出，但也使得该领域的算法壁垒极低。硬件可复用、算法可外购，导致国内外视触觉创业公司批量涌入，产品同质化严重，至今未出现具备技术代表性的头部企业。文章直言，这是一种「供应链外采、算法外购」的拼装式创新，资本应警惕其「高风险的低壁垒资产」属性。

硬件结构与规模化部署的硬约束

视触觉方案要走向工业部署，必须跨过尺寸与可靠性两道门槛。

• 厚度刚性：为保证成像均匀性与最小工作焦距，含透镜方案的模组厚度普遍在 10 mm 以上，无透镜方案则引入光学畸变，对正向微型化演进的灵巧手而言空间挤压严重。
• 形态受限：依赖封闭光学腔体与刚性成像基底，无法像电子皮肤一样柔性贴合躯干与曲面，只能作为末端局部感知。
• 多路集成崩塌：以双手五指、9 个指腹加 1 个掌心的配置计算，单只灵巧手需近 30 个摄像头模组，线束穿过手指根部数毫米的中空结构已不现实，160+ TOPS 的算力需求与百瓦功耗更击穿了毫秒级实时控制的延迟底线。文章将其概括为「视觉通路增加 → 走线无解 → 算力扩大 → 功耗爆炸 → 成本抬高 → 部署受限」的死循环。

弹性体软硬之间的零和博弈

视触觉的感知能力与弹性体软硬直接耦合：弹性体越软，微观形变越显著，成像越清晰、灵敏度越高；弹性体越硬，耐久性与测力线性度越好，但微观纹理信号被抹平，触觉分辨率迅速劣化。

这一矛盾在工业现场尤为致命：油污、高温、机械磨损要求材料足够坚固，而高灵敏度又要求材料足够柔软，二者在同一弹性体上不可兼得。文章判断，视触觉产品形态将长期徘徊在「精密但脆弱」与「皮实但平庸」两极，无法诞生兼具高灵敏度与长寿命的工业级标准品。

力反馈才是灵巧操作的核心

更深层的问题在于，视触觉将三维形变压缩为二维图像后反演力分布，本质上是欠定逆问题。在多点接触、边缘接触等工况下，法向力与剪切力耦合混叠，误差源于原始信息缺失，难以通过算法消除。

此外，像素数并不等于有效测力点数。文章举例，部分公开视频宣称的「每平方厘米四万多个感知单元」，实际有效追踪点仅约 180 个，且为平面测点、无原生 3D 信息。在灵巧操作中，确定性的力反馈才是闭环控制的核心，而视触觉难以同时满足工业落地所需的高可靠与高一致性。

路线之争才刚开始

文章是 36 氪触觉传感技术路线系列的首篇，后续还将对比压阻式、电容式、磁电式等方案。对视触觉的上述质疑，并非否定其学术价值，而是提醒产业界与投资人：一条门槛低、易复制、底层非自主可控的路线，能否承担起具身智能规模化落地的「基建」角色，仍需更扎实的工程验证与更开放的横向比较。