机器人缺的不是聪明，是手感

折衣服、收拾客厅、操作厨房小家电——今天的机器人看起来已经无所不能。但你让它往电脑上插一根USB线，它大概率会当着你的面把接口怼歪。

这不是 jokes，这是过去一年整个具身智能行业集体撞上的墙：模型越来越聪明，手越来越笨。而破局的两把钥匙——触觉传感与数据引擎——正在被学术界和创业公司同时抢跑。我的判断很直接：具身智能的竞争下半场，已经从『谁的模型大』切换到『谁的数据便宜』。

🖐️ 一、VLA 再强，也插不上一根 USB 线

先说清楚这堵墙是怎么砌起来的。

过去几年，视觉-语言-动作模型（VLA）彻底改写了机器人操作的天花板。这类模型先在海量图像、视频和文本上预训练，再用少量遥操作的真实机器人演示做微调，最后只靠一路视频画面加一句自然语言指令，就能指挥机器人完成折叠衣物、整理客厅、使用厨房工具等日常任务——π0.5、Gemini Robotics 都是这条路线上的代表选手。

成绩确实亮眼。但有类任务，VLA 至今啃不动：需要精细手部控制的操作。比如处理可变形材料（布料、绳索）、操纵小物件——把 USB 线插进接口、把钥匙插进锁孔拧动。这类任务的共同特征是：视觉信息不够用，必须靠『手感』。

问题恰恰出在这里。VLA 只吃视频流，完全忽略了人类在这种场景下最依赖的信息源——触觉。人插 USB 线的时候，手指能感受到阻力的细微变化，会下意识地调整角度和力度；机器人只有摄像头，等于隔着手套绣花。

一句话总结：机器人不缺眼睛，缺的是皮肤。

更麻烦的是，就算你想给机器人装上触觉传感器，也面临一个死结——没有高质量的触觉数据可用。模型学不会它没见过的信号。这个死结，直到最近才开始松动。

📊 二、50129 条轨迹，把数据采集搬进浏览器

机器人数据集的增长速度，远远追不上用它训练的模型——这是行业里公认的头号瓶颈。原因很朴素：数据采集被锁死在实验室硬件上。一台 Franka 机械臂动辄几十万，一个遥操作采集工位还要配专业操作员和场地，这成本结构注定采不出互联网级别的数据量。

据多位接近 Axis Robotics 的人士透露，团队内部的共识是：与其造更好的模型，不如先造更好的数据引擎。这家公司最近发布了 AXIS——一个完全跑在浏览器里的数据采集系统。思路相当激进：把演示采集搬到网页上，把所有昂贵的计算推到后端 GPU。任何一台能开浏览器的电脑，理论上都能变成数据采集工位。

结果是实打实的：AXIS 交付了 207 个机器人操作任务、50129 条经过验证的 Franka 轨迹。更关键的是效果验证——用这些数据对 π0.5 做持续预训练后，模型在 LIBERO-Plus 基准上的成绩从 83.9 提升到 88.8；而作为对照组、数据量相当的 RoboCasa365，只做到 57.5。同一个模型、同量级数据，分数差了 30 个点。

这组对比戳破了一个行业幻觉：数据不是堆出来的，是设计出来的。同等体量下，数据的质量和分布决定了模型上限。

AXIS 的数据流水线大致是这样的：

🎥 三、人类视频，能不能直接变成机器人技能？

如果说 AXIS 解决的是『数据从哪来』，那么另一个团队在回答一个更诱人的问题：互联网上无穷无尽的人类视频，能不能直接喂给机器人？

大晓机器人 联合 南洋理工大学S-Lab、上海人工智能实验室，发布了全球首个可仿真的『人–场景交互重建』框架 HSImul3R。一句话概括它的野心：让人类视频真正成为机器人技能的来源。

这条路线的逻辑值得展开讲。全世界最大的动作数据池，不在任何实验室里，而在 YouTube 和抖音上——人类做饭、开门、搬箱子、用工具，每天都在被拍成视频。但这些视频过去对机器人来说只是『看个热闹』：缺乏可训练的结构化信息，机器人无法从一段视频里提取出『手和物体怎么交互、场景物理约束是什么』。

HSImul3R 的关键词是『可仿真』。它从人类视频中重建出人与场景的交互关系，并且把这些交互变成可以在仿真环境里运行的东西——也就是说，视频不再只是参考资料，而是可以被机器人反复练习的训练场。这等于把人类几十年的日常行为录像，变成了机器人技能的原料矿。

据业内看法，这类『视频到仿真』的技术一旦成熟，数据采集的边际成本会趋近于零——因为人类每天都在免费生产训练素材。

✋ 四、触觉数据：最后一块硬骨头

不过，无论数据引擎多强、视频重建多妙，有一个维度它们暂时都覆盖不了：触觉。

IEEE Spectrum 在深度报道中给出的判断很清晰：灵巧操作仍然是阻碍机器人胜任大量日常任务的最大壁垒之一，触觉可能是钥匙，但高质量触觉数据的匮乏，一直拖累着整个方向的进展。而现在，情况开始改变——学术实验室和创业公司正在竞相构建新的触觉数据集，以及使用这些数据集的技术方案。

这里藏着一条残酷的产业规律：视觉数据是互联网白送的，触觉数据只能自己造。图像和视频互联网攒了几十年，机器人直接拿来用；但没有人会给把手上的力传感器装个摄像头直播。触觉数据必须通过真实传感器逐条采集，成本高、标准化难，这既是壁垒，也是创业缝隙——谁先做出可规模化的触觉数据管线，谁就握住了灵巧操作的入场券。

一位触觉方向的从业者私下说过一句话，业界流传很广：『视觉模型吃的是互联网的红利，触觉模型得自己当农民。』

把当前的几条数据路线放在一张表里看，互补关系一目了然：

⚙️ 五、数据引擎，正在成为具身智能的新基建

把三件事连起来看，一个清晰的产业图景浮现了。

第一，竞争的主战场换了。2024 年大家比的是谁的 VLA 模型参数大、benchmark 高；2026 年，真正拉开差距的是数据工程能力——AXIS 用同等数据量拉开 30 个点的差距已经证明，模型架构的红利正在被数据质量的红利取代。

第二，数据采集正在去中心化。从实验室机械臂到浏览器工位，从付费遥操作员到普通网民，采集端口的开放程度决定了数据增长曲线的斜率。这一幕在自然语言处理领域上演过：Wikipedia 之外，是 RLHF 把人类反馈变成了工业流程。

第三，触觉是尚未被瓜分的高地。视觉侧的数据基建已经开始跑通闭环，而触觉侧连数据标准都还在摸索。对创业公司来说，与其在大模型上和巨头正面肉搏，不如在触觉数据管线这种『脏活累活』里建立根据地——脏活，往往才是护城河。

三条路线最终汇入同一条数据飞轮：

机器人正在学习『有手感』——这句话的真正含义，不是给机械手装几颗传感器那么简单，而是要为触觉、为交互、为人类行为，重新建设一整套数据基础设施。模型时代看谁算法强，数据时代看谁基建快。这一轮，先修路的赢。

小结：VLA 模型的能力上限，正在被数据下限锁死。AXIS 把采集搬进浏览器，HSImul3R 把视频变成技能，触觉数据集的军备赛刚刚开枪——具身智能的胜负手，已经从模型转移到数据引擎。下一个值得盯的问题：谁先让机器人真正『摸』出一条数据护城河。