机器人缺的不是脑子，是手感

机器人能叠衣服了，但插不进一根USB线。

这不是段子，而是当前具身智能最真实的尴尬。IEEE Spectrum 最近一篇题为《Robots Are Learning to Feel》的报道（检索入口）点破了一个行业共识：灵巧操作（dexterous manipulation）仍然是机器人通向日常任务的最大的坎，而破局的钥匙——触觉——正卡在数据上。

好消息是，卡点正在松动。学术实验室和一批创业公司正在 race 式地建触觉数据集、造新的数据采集方式。这背后，是一场关于“机器人数据从哪来”的路线之争。

🚧 VLA很强，但手指是盲的

先说清问题出在哪。

过去几年，视觉-语言-动作模型（VLA）的确把机器人的通用性拉上了一个台阶。这类模型先在海量图像、视频和文本上预训练，再用少量遥操作机器人演示做微调，就能指挥机器人完成越来越多的日常活儿——叠衣服、收拾客厅、操作厨房小家电，只需要一路视频流加一句自然语言指令。

听起来很美好。但一到需要精细手部控制的场景，VLA就开始露怯：摆弄可形变材料、抓取小物件、把USB线插进接口、用钥匙开锁——这些人类闭着眼都能干的活，机器人干起来磕磕绊绊。

原因说破了很简单：VLA把人类在这类任务中最依赖的信息源之一——触觉，整个忽略了。

你插USB线的时候，眼睛只负责大致对位，真正告诉你“差半毫米、再往左点”的，是指尖的压力反馈。机器人只有摄像头，等于戴着厚手套干精细活。它不知道握力是大了还是小了，不知道零件在指间有没有打滑，只能靠视觉猜，猜错就重来。

这就是当前VLA范式的一个结构性短板：视觉给不了毫米级的接触状态信息，而接触恰恰是操作类任务的本质。 工业场景里为什么装配、插拔、锁螺丝的自动化一直难啃？同样的原因——没有手感，就没有精细操作。

“旧的行业调侃把这事说得很传神：机器人是“千里眼”，但十个指头全麻了。（此为业内流传的通俗说法，非具体人士引语。）

📈 触觉数据，成了新的抢滩高地

既然瓶颈在触觉，解法自然是给机器人装上“皮肤”，再喂饱数据。

但这里有个经典的鸡生蛋问题：触觉模型需要大量高质量触觉数据训练，而触觉数据的采集长期被锁死在实验室的专用硬件上。视觉数据可以从互联网白嫖几个亿的视频，触觉数据没有任何现成存量——人类的触觉信号没法从网上爬，只能一台台机器人、一次次真实接触地采。

这正是 IEEE Spectrum 报道里描述的行业现状：缺乏高质量数据拖慢了触觉感知的进展，而现在，学术界和创业公司正在抢着补这块拼图——建新的触觉数据集，并开发把这些数据用起来的技术栈。

路线大致可以这么理解：

产业链逻辑也很清晰：上游是传感器（视触觉、压阻、电容等方案各家押注不同），中游是数据集和模型，下游是装配、分拣、柔性物料处理这些真实的商业场景。谁先把触觉数据集做厚，谁就在下游的精细操作场景里握有定价权。

业内目前的判断是：视觉部分已经被 VLA “卷”得差不多了，触觉是操作能力下一个明确的增量变量。谁能把触觉数据这条路跑通，谁就能在“最后一厘米”的接触环节上建立起别人难以复制的壁垒——毕竟视觉数据人人能采，触觉数据的采集工艺和硬件 know-how，才是真门槛。

🌐 AXIS：把数据采集搬进浏览器

不过，触觉只是数据困局的一面。更大的问题是：机器人数据的增长速度，远远跟不上模型的速度。

这正是 Axis Robotics 最近发布的 AXIS 平台要解决的问题（见 MarkTechPost 报道）。它的思路相当野：把演示数据的采集从实验室硬件里解放出来，搬进网页浏览器，把所有昂贵的计算推到后端 GPU 上。

数字先摆出来：AXIS 已经产出 207 个机器人操作任务、50129 条经过验证的 Franka 机械臂轨迹（数据来源见 MarkTechPost 报道）。

效果如何？用数据说话——

同样是持续预训练，用 AXIS 的数据，π0.5（Physical Intelligence 的旗舰 VLA 模型之一，项目主页）从 83.9 提到 88.8；换成体量相当的合成数据对照组，只有 57.5。差距超过 30 分——这不是微调技巧的差距，这是数据真实性和多样性的差距。

这个模式妙在哪？它把“采数据”这件事的门槛从“拥有一台几万到几十万的机器人”降到了“打开一个网页”。理论上，全球任何一个有浏览器和一点时间的人，都能为数据集贡献轨迹。这跟大语言模型时代靠众包标注堆数据的路径，隐隐有异曲同工的味道——只不过这次贡献的不是文字，是动作。

从公开报道和行业普遍认知来看，数据采集成本在具身智能研发成本中占比极高——遥操作一条轨迹的时间成本，往往够训练模型跑好几轮。AXIS 这类平台本质上是在做数据采集的工业化降本。这件事能不能成，直接决定 VLA 迭代的速度上限。

🎬 另一条路：让人类视频直接变成技能

浏览器采集解决的是“真人操作机器人”的规模化，还有一条更激进的路线在推进：干脆连机器人都不用，直接从人类的视频里提取技能。

大晓机器人 联合 南洋理工大学 S-Lab、上海人工智能实验室 最近发布了 HSImul3R，官方称其为全球首个可仿真的人–场景交互重建框架（见官方发布与相关报道检索）。它的核心主张一句话就能说清：让人类视频真正成为机器人技能来源。

逻辑是这样的：互联网上有近乎无限的人类操作视频——做饭、整理、使用工具。如果能把视频里“人与场景的交互”重建出来、并且放进仿真环境里可交互、可复现，那机器人就等于拥有了一个取之不尽的技能库，而不必每一项技能都靠遥操作采集。

把三条路线放在一张表里看，你会发现它们其实在攻同一个问题的不同环节：

一个是给机器人加感官，一个是给数据采集降本，一个是把人类经验直接蒸馏进来。三条线最终都会汇进同一个地方——更强的 VLA 和它背后的操作能力。

💡 产业判断：数据战争的第二阶段

回头看，具身智能这一轮的叙事主线其实很清晰：模型架构（VLA）已经被 Google DeepMind、Physical Intelligence 这些玩家基本定义了，接下来的胜负手在数据。

第一阶段的 data 战争拼的是遥操作演示的数量——谁的机器人房多、谁雇的遥操作员多。但这条路的边际成本太高，天花板肉眼可见。而现在发生的事情，可以叫数据战争的第二阶段：拼的是采集范式的创新——触觉模态从零到一、浏览器众包把采集分布式化、视频重建把存量盘活。

pie

title 数据来源结构变化趋势（纯示意图，非统计数据）

'遥操作真机演示' : 55

'仿真合成数据' : 30

'人类视频重建' : 15

“注意： 上图数值为作者对趋势方向的纯示意性刻画，并非来自任何统计调查或公开数据，不可引用为实际占比；遥操作仍占大头，仿真与视频来源的占比预计将持续抬升。

对国内从业者，我的判断有三条：

第一，触觉是必须补的课，而且窗口期不长。 IEEE Spectrum 报道里的 race 已经开始，等海外把触觉数据集和配套模型跑通，“最后一厘米”的操作壁垒就不再是我们能低成本追上的了。传感器厂商、数据集团队、VLA 公司需要尽快形成闭环，而不是各干各的。

第二，数据采集平台化是被验证的方向。 AXIS 用浏览器把采集成本打下来的思路，对任何一家做 VLA 的公司都有借鉴意义——哪怕不从零造平台，至少要在架构上为“外部数据接入”留好接口。数据护城河的本质不是拥有多少数据，而是采集数据的速度比别人快多少。

第三，别低估仿真与视频路线的合流。 HSImul3R 这类“可仿真交互重建”的框架，长期看有可能把人类视频变成具身智能的“互联网语料”。谁先把这条管线工程化，谁就能跳出“采多少用多少”的存量思维。

结语

机器人叠得动衣服，插不进 USB——这个反差提醒我们，具身智能的下半场拼的不是“看得懂”，而是“摸得准”。

触觉数据、浏览器数据引擎、人类视频重建，三条路线正在同时推进，共同指向一个目标：让机器人数据的增长速度，追得上模型的速度。等哪天机器人的指尖真的“有了感觉”，通用机器人的商业化叙事才会从 demo 走向产线和家庭。

更值得琢磨的是，这三条路线没有一条是“更好的模型”——它们全都在回答同一个问题：数据从哪来。VLA 的架构之争可能还有变数，但数据范式的争夺已经开打，而且大概率在模型收敛之前就分出胜负。对企业而言，现在入场还来得及；等采集范式定型，后来者面对的就不只是追赶，而是绕不开的授权成本和生态壁垒。

手指解冻之日，才是机器人真正上桌之时。

本文信息来源：

• IEEE Spectrum《Robots Are Learning to Feel》（IEEE Spectrum 机器人频道 / 报道检索）
• MarkTechPost 关于 AXIS 的报道（检索入口），AXIS 平台数据（207 任务 / 50129 条轨迹 / LIBERO-Plus 对比）均出自该报道
• 大晓机器人、南洋理工大学 S-Lab、上海人工智能实验室 关于 HSImul3R 的官方发布（检索入口）

观点部分为作者推演，饼图为纯示意、非统计数据，欢迎交流。