具身智能的视觉红利正在见顶，我们判断，触觉是下一阶段最确定的技术风口与落地抓手。 基于这个判断，我们在WAIC期间系统性对标了全行业触觉技术方案。 会后两周，我们完成了主流触觉路线的真机实测、方案拆解与产业复盘，覆盖传感器、灵巧手、数采设备、触觉算法、触觉仿真全链条。 我们初衷很简单：摸清楚触觉赛道到底走到了哪一步、是否值得重注。 但一轮深度梳理下来，我们反而变得更加审慎。 行业现状非常拧巴：所有人都认可触觉是具身智能的必选项，但没有任何两拨人对触觉的理解是一致的。 做传感器的聊材料、工艺、参数；做手套和灵巧手的聊一致性、漂移、标定；做算法的，甚至在尝试脱离硬件做触觉感知。 整条产业链的认知割裂，远比纸面参数更能反映赛道真实现状。
借着WRC开幕前夕，我和星际元团队把近期的实测与研究结论整理成文，分享我们对触觉赛道的一线判断。核心结论先前置： 1）触觉作为具身智能的刚需，上下游无争议； 2）当前没有任何一套触觉传感器方案，能完美满足算法落地需求，行业仍处极早期； 3）传感器的核心卡点不是精度，而是一致性与稳定性，最终壁垒是工程能力； 4）算法端对硬件精度并不敏感，行业趋势是弱化硬件依赖、做通用触觉； 5）触觉仿真被严重低估，是未来三年最值得长期布局的方向。
先搞清楚 到底是谁在用触觉？
整条触觉产业链可以清晰分为三层，每层的诉求完全不同，也是行业认知撕裂的根源。 01底层：触觉传感器厂商 目前触觉传感器路线繁多，电容、压阻、霍尔磁、视触觉并行发展，各家技术路线不统一、没有形成行业收敛。 底层厂商的核心关注点高度集中：材料、工艺、良率、批次一致性。 他们很清楚触觉有用，但大多说不清具体场景价值，也很难对齐算法的真实需求，整体是“重硬件、轻应用”的状态。 02中层：灵巧手、数采手套、数据服务商 传感器本身无法落地，必须搭载在手、指套、贴片上才能产生价值，这也是目前最内卷的环节。 赛道跨界渗透非常严重：做传感器的往下做终端，做本体的往下做数据，大家都在卷“更好用的手套与传感器”。 这里有一个非常精辟的行业观点：客户要的从来不是手套，客户要的是干净、稳定、高质量的触觉数据。载体形态并不重要，数据质量才是核心。
03上层：算法与具身大脑团队 算法团队对触觉的理解，和硬件团队完全不同。 站在星际元的视角，触觉不是器件，而是模型的一路感知模态。我们不需要深究底层硬件原理，只需要硬件能输出标准化、可对齐、可规模化迭代的有效信号。 可以对标自动驾驶激光雷达：算法只关心可用的点云结果，不关心雷达内部工艺。触觉同理，硬件只要输出稳定数据，算法就能完成迭代。 三层团队唯一共识：触觉是下一代具身模型的核心拼图。但认可“必选”，不等于搞懂“怎么用”，这是行业最大的分歧起点。
行业暴论 目前没有一家触觉方案是真正能打的
基于我们的实测与路线拆解，有一句实话必须直说：当下市面所有触觉方案，都有明显短板，没有完美选项。 每条技术路线都是取舍博弈，赛道远未成熟，还没出现类似灵巧手“连杆、腱绳、直驱”的收敛范式。 1.织物电容 优势是低功耗、不发热，适合长时间连续采集，也是目前多数数采手套的主流方案。 短板同样明显：灵敏度、线性度先天不足，依赖大量外围电路与算法补偿；大面积阵列容易出现串扰、基线漂移，量产问题很多。 2.薄膜/柔性电容 以他山为代表，工程成熟度最高、出货最大、开箱即用，商业化落地最快。 短板是形变空间有限，交互细腻度不足，软硬结合的结构设计，也无法兼顾超高灵敏度与大范围形变。 3.织物压阻 成本低、易集成，是早期手套的常用方案。致命问题是发热、温漂严重，工作半小时就无法持续使用，完全不支持长时间稳定数据采集，不适合规模化训练。 4.薄膜压阻 结构简单、成本低廉，但精度一般、一致性差。我们实测过同类方案，同一砝码多次测试数据波动极大，完全达不到模型训练标准。 5.霍尔磁式 以帕西尼为代表，优势是天然支持三维力检测、抗破损能力强，裁切、针扎后仍可工作。 代价是无法抓取磁性物体，抗磁干扰难度大，芯片流片成本高，整体造价昂贵。 6.光学视触觉 千觉、戴盟、纬钛为代表，精度与空间分辨率是目前天花板，能捕捉细微形变。 但痛点集中：成本高、有温升、指尖空间难布局、一致性极难管控。灯光、位置、厚度、透光率的微小差异，都会带来数据偏差，量产难度极大。
总结来看：触觉赛道没有免费的午餐。想要稳定就要牺牲精度，想要高清就要牺牲成本与稳定性，想要三维力就要牺牲场景适配。赛道仍处于早期博弈阶段。
全行业统一共识 难点不在精度，在一致性
所有头部厂商互相竞争，但所有人都承认同一个事实：触觉传感器的核心难点，不是纸面精度，而是量产一致性和长期稳定性。 我们对赛道壁垒周期的判断非常清晰：算法壁垒半年即可抹平，真正的壁垒是一年以上的硬件工程积累。 触觉算法可复制、可微调，追赶速度极快；但硬件工艺、良率、自研芯片的积累，需要数年时间、上亿投入，短期无法复刻。 行业目前最大的卡点是一致性。
通俗解释：固定误差可以通过算法标定修正，最怕随机波动。同一设备两次测试数据不一、不同设备同一场景数据偏差巨大，对模型训练是毁灭性问题，整批数据直接作废。 各家宣传都是个位数误差，但我们实测体感完全对不上。落差来自两点：实验室参数≠量产参数，单点测试≠长期整列工作。 一致性与稳定性，是当下触觉赛道唯一真实的护城河。
算法视角 精度真的没那么重要
很多人误以为算法在追求极致精度，实际恰恰相反。 从具身落地逻辑看，人类指尖本身就不是高精度感知器官。指尖的核心价值是干活、交互、容错，而非精细识别。真正的高感知区域，是掌心和手背。 产业落地后大家才明白：客户最缺的不是超高分辨率，而是长时间干净、无漂移、可复用的稳定数据。 并且，触觉的时间分辨率，远重要于空间分辨率。持续、稳定、高频的信号输入，比静态精细度更能提升模型交互能力。 也正因硬件普遍不稳定、不统一，算法端的趋势非常明确：弱化硬件依赖，做通用化触觉感知，通过算法抹平硬件差异。 我们判断，未来最容易跑出来的是中层集成厂商。底层硬件视野窄、只看参数，上层算法视野虚高、不懂落地痛点，中层承上启下，最懂真实需求。 长期来看，行业不会依赖某一家完美硬件，而是通过统一标定、适配、抹平差异，让参差不齐的硬件数据可以通用、可规模化训练。 当然硬件依然不可替代：视觉可以推导很多信息，但摩擦、刚度、形变、接触逻辑，无法靠视觉衍生，触觉永远是具身智能的刚需底座。
被严重低估的赛道 触觉仿真
本次复盘后，我们最乐观的方向就是触觉仿真，也是全行业最被低估的增量。 近期光轮&纬钛、他山&英伟达的合作，也印证了行业正在转向仿真基建。 我此前对触觉仿真偏悲观，认为Sim2Real鸿沟过大，摩擦、软硬、接触随机性难以复刻。但最新落地效果证明：仿真不需要完美，只要能用、能提速、能收敛，就具备巨大产业价值。 仿真的价值主要体现在两点： 第一，模型冷启动兜底。依靠仿真做原子动作预训练，可以把任务成功率从0快速拉到70%-80%，规避大量低级错误，大幅降低真机试错成本。 第二，跑通富接触任务策略。典型案例是机器人插USB，不是靠极致对位，而是靠小幅晃动+柔性力控的自适应策略。这套策略，就是仿真+真机迭代试错跑出来的。 这也重新定义了触觉的价值：触觉不是给精度，是给机器人“交互策略”。 长期看，具身智能的终局一定是视觉盲区场景：黑灯作业、兜内取物、翻找收纳、密闭空间操作。这些场景，全部依赖触觉，赛道天花板极高。 未来触觉赛道的成熟，一定是三方协同：硬件做稳一致性、算法做通用对齐、仿真做大规模策略迭代。目前头部厂商已集体入局，仿真拐点将至。
四个尚无答案的行业终极问题 复盘完整条赛道，依然有四大核心问题没有行业共识，抛出来和所有从业者共同探讨： 1、数采手套是不是阶段性伪需求？ 客户要的是数据，不是手套。但行业还在疯狂内卷手套硬件。手套易损、易漂移、遮挡视觉多样性，载体价值有限，这波内卷最终如何收尾？ 2、触觉数据是否需要大规模真实采集？ 如果仿真足以支撑基座模型训练，真实数据仅需少量微调，当下重资产采数据的逻辑是否成立？ 3、触觉赛道到底能不能赚钱？ 数采硬件毛利持续走低、有效数据占比极低，但赛道企业估值居高不下，真实商业红利到底有多长？ 4、行业标准由谁来定义？ 目前触觉数据标签、评测体系混乱，对齐成本极高。谁能定义“优质触觉数据”，谁就能拿走行业最大蛋糕。 AI具身时代，最稀缺的不是信息，是独立、冷静、落地的行业判断。 星际元已有自己的答案，也欢迎行业同路人深度交流、互相碰撞。
