触觉赛道从比拼传感器硬件，转向同时争夺数据、模型与评测基准；触觉可补足纯视觉世界模型的物理短板，却因传感器高度异构而面临…
今年以来，触觉赛道出现了一个明显变化：从 WRC 等场合的展示来看，不少玩家讲的不再只是传感器硬件能力有多强，而是开始摆出自己的数据集、模型，乃至评测基准。围绕触觉的竞争，正在从一块传感器，扩展到数据采集、模型训练和能力评估的整条链条。
触觉竞争中藏着一个常被忽略的悖论：触觉能补上纯视觉模型「看得见、摸不透」的短板，让世界模型对物理世界的想象更贴近真实；但同一次接触，换一个传感器、换一只机械手，反馈信号可能完全不同。它让模型更懂物理，也更容易被焊死在某一特定硬件上。
如果只看出货，触觉仍是一门硬件生意；但若看 2026 年以来的投融资与产品消息，它正在向数据和模型端靠拢。
研究界也在向同一方向汇聚。RSS 2026 触觉专题研讨会上，多位头部企业与学界研究者认为，过去很多机器人论文习惯把触觉留到「未来工作」一笔带过，如今它正被重新拉回机器人基础模型的核心设计环节。新加坡国立大学、复旦大学等机构提出的 OmniVTA，以及哈工大团队的 TouchWorld，都把触觉纳入「预测接下来会发生什么」这一世界模型核心任务。
模型侧的公开成果目前仍以论文预印本、展会 Demo 与技术验证为主，商业收入与长期部署还很有限。但趋势已足够清晰：触觉企业不再只争夺机器人身上的硬件位置，也开始争夺触觉数据如何采集、如何表示、如何进入模型的定义权。
把触觉纳入规模更大的视觉-动作世界模型，是近一两年才兴起的变化。2019 年加州大学伯克利分校与 Meta（原 Facebook）AI 团队的论文《Manipulation by Feel》已用触觉预测模型控制机器人操作，但当时的体系规模有限。
触觉预测能力，恰恰是纯视觉世界模型最容易露怯的地方。华盛顿大学与 Meta FAIR 团队 2026 年 2 月发布的论文《Visuo-Tactile World Models》指出：纯视觉世界模型在物体被遮挡或接触状态模糊时，经常凭空想象出违反物理规律的画面；加入触觉后，模型在物体恒存性上表现提升 33%，符合运动规律的比例提升 29%，真实机器人零样本任务成功率最高提升 35%。
国内方面，新智具身与复旦团队 7 月发布的 N₀-TWAM 模型，在公开 UniVTAC 仿真基准上取得 84.5% 的平均成功率，高于同一实验中表现最好的纯视觉世界动作模型 FastWAM 的 48.0%。消融实验显示，去掉对未来触觉的预测或当前触觉输入，成功率都会明显下降。
但一个更棘手的问题随之浮现。2026 年 6 月，斯坦福、伯克利与英伟达联合发布的 T-Rex 论文（作者包括李飞飞、Jim Fan 等）给出一个直接反例：把触觉信号直接拼接进一个已经训练好的 VLA 模型后，平均成功率由 17% 降至 6%；采用独立高频触觉专家、时序编码与专门训练流程后，成功率才回升至 65%。作者将触觉与视觉的频率差异、同步方式与表示方法列为重要挑战。RSS 2026 研讨会上，斯坦福大学教授 Mark Cutkosky 也佐证了这一点——他把触觉信号的时序结构类比为声音而非静态画面，认为这一领域至今没有摸索出一套专门处理高频、多速率信号的标准流程。
核心难题由此被摆到桌面：模型学到的究竟是「物体打滑时摩擦力如何变化」这样可迁移的规律，还是「这套传感器在打滑时电压如何跳变」这样与硬件绑定的规律？若是后者，换一个传感器、换一只灵巧手，模型积累的「手感」就可能要从头学起。
视觉领域之所以能较早形成模型与数据的良性循环，很大程度上得益于摄像头这一相对标准化的硬件底座。触觉硬件则远未形成通用方案：电容、压阻、霍尔磁、视触觉等路线记录的并不是同一种信号——同一抓取，有的传感器输出压力数值，有的测量多维力，有的记录接触面形变图像。RSS 2026 研讨会上，与会专家直言触觉领域缺少类似摄像头的硬件规范，多种方案并存让领域长期处于割裂状态。他山科技将其归纳为「跨设备迁移难」，新智具身则形象地称之为触觉的「方言问题」。
也有人尝试给不同触觉硬件加一层「翻译器」。清华大学、加州大学伯克利分校与 Sharpa 等 8 家机构联合提出的 FTP-1，是一套跨传感器训练的触觉基础策略：先用不同编码器分别处理图像、阵列与力状态等输入，再根据信号来源位置（指尖、手掌或手腕）把编码结果放入统一的触觉表示空间，供同一个触觉专家和动作策略使用。
不过 FTP-1 还不是通用触觉的最终答案：接入新传感器仍需从头训练编码器，三项新任务仍分别使用 50 或 100 条示范数据，并非直接迁移；实验也只覆盖两套新配置与三项任务。它证明了一部分触觉经验能够跨硬件迁移，却还远未把所有传感器翻译成同一种可直接互换的「手感」。
对世界模型而言，这意味着触觉暂时还不是一种可直接汇入同一训练池的数据。数据规模因此不能只用小时数衡量：如果不同传感器数据无法共同训练，再大的数据集也可能只是在扩大一套软硬件系统的经验，而没有同步扩大世界模型对物理规律的理解范围。
对触觉企业来说，这将决定它们向上延伸后，建立的是一套围绕自家产品运行的软硬件体系，还是一种能够连接更多传感器、机器人和模型的数据基础设施。前者有利于特定产品快速落地并形成商业壁垒，后者更符合世界模型跨硬件、跨本体扩展的长期构想。
短期看，在当前硬件与数据条件下、在商业化要求下，能够形成自家可用体系的「全栈派」可能更有落地希望——客户需要的是能跑通的方案，而非与研发团队一同探索「通用触觉」的技术愿景。千觉、戴盟等同时做传感器、数据和模型，本质就是以系统集成闭环换商业落地速度。
而在更长时间维度上，只做全栈的公司恐怕会被锁死在自有硬件出货量的天花板里。真正能跑出大估值的，是那个能做出「触觉界 ImageNet」或「触觉界 Transformer 架构」的玩家——无论是 FTP-1 这样的产学研体系化成果，还是某家愿意开放数据接口的公司。
触觉要让世界模型经得起真实接触的检验，也让世界模型原本看似直接的规模化路径多了一些曲折。触觉真正进入通用世界模型的标志，不会停留在模型能够生成一段逼真的触觉信号，而是模型不必跟着每一款传感器重新认识一次物理世界。
