机器人缺的不是大脑，是手感

过去两年，VLA模型让机器人学会了叠衣服、收拾客厅、操作厨房小家电，看视频、听人话就能干活。但一个细节仍让各家模型集体破防——插一根USB线、拧一把锁芯。缺的不是算力，也不是参数，而是「手感」和喂饱手感的交互数据。触觉传感、人-场景重建、众包数据引擎，三条路线正在同时开火。谁先补上数据短板，谁就握住具身智能下一程的门票。

🖐️ 会叠衣服，插不进USB

金句先行：视觉负责「在哪儿」，触觉负责「多重」——少了后者，机器人的手永远在裸奔。

IEEE Spectrum 最近一篇题为《Robots Are Learning to Feel》的报道，把这个问题摆上了台面：灵巧操作是拦住机器人处理日常任务的最大障碍之一，而触觉可能就是那把钥匙。问题在于，高质量触觉数据的匮乏，一直拖着整个方向的进度。

先看已经做到的部分。视觉-语言-动作模型（VLA）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，就能让机器人面对从未见过的物体和环境完成越来越复杂的任务——叠衣服、整理客厅、操作厨房小工具，只需要一路视频信号加一句自然语言指令。这条路线的代表作，从Gemini Robotics到π0.5，过去一年风头无两。

然后是集体翻车的部分。凡是需要精细手部控制的任务——处理可变形材料、摆弄小物件，比如把USB插头插进接口、把钥匙插进锁孔转半圈——VLA普遍拉胯。原因很直接：这类任务里人类最依赖的信息源是触觉，而VLA压根没用上它。

模型架构上，VLA读的是摄像头；可插USB这件事，光靠看是不够的。插头对准了没有、摩擦力多大、该用几牛的力推进去，这些信息只存在于接触瞬间的力反馈里。人类闭着眼都能摸黑插线，机器人睁着眼也插不进去，差别就在这里。

产业逻辑其实清晰：VLA这条曲线跑到今天，撞上的是模态墙——视觉语料能从互联网白嫖，触觉语料没处白嫖，只能一双手一双山地采。所以现在学界实验室和创业公司开始扎堆建触觉数据集、攒配套的使用方法，一场「让机器人学会感觉」的补课运动已经开跑。

📊 数据引擎：把采集搬进浏览器

圈子里流传一句玩笑：机器人领域最大的瓶颈不是模型，是「手气」——能凑够演示数据的手，太少。

Axis Robotics 最近发布的AXIS，给出了一个相当「互联网」的解法：把演示采集从实验室硬件里解放出来，搬进浏览器。

背景是这样的：机器人数据集的增长速度，远远落后于用它们训练的模型——根子在于数据采集被锁死在实验室的实体硬件上。一台真机、一间场地、一名操作员，一次只能采一个人的数据。这个供给模型，撑不起大模型的胃口。

AXIS的思路是把贵的东西全部推到后端GPU上，前端只留一个网页浏览器，任何人都能远程参与机器人操作演示。结果相当能打：

• 覆盖 207个操作任务；
• 攒下 50129条经过验证的Franka机械臂轨迹；
• 用这些数据做持续预训练后，π0.5在LIBERO-Plus基准上从 83.9提升到88.8；
• 而作为对照组、数据量匹配的RoboCasa365方案，只做到 57.5。

88.8对57.5，差距超过31个点——同样的数据体量，真实遥操作轨迹和纯合成数据的训练效果，完全不在一个量级。

产业逻辑上，这一步的含金量在于解耦：数据采集与实验室硬件解耦、与操作员的物理在场解耦、与本地算力解耦。这本质上是把互联网行业的「众包标注」搬进了机器人领域——数据采集从手工作坊变成了流水线。多位从业者私下聊起的共识是：接下来比拼的不是谁的模型大，而是谁的数据引擎转得快。

🎬 把人类视频变成技能库

金句先行：互联网上最不缺的就是人类干活的视频，最缺的是让机器人看懂它们的办法。

如果说AXIS解决的是「人采数据」，那HSImul3R瞄准的是更上游的矿——人类自己拍的视频。

这项研究由大晓机器人联合南洋理工大学S-Lab、上海人工智能实验室共同发布，定位是全球首个可仿真的人-场景交互重建框架。翻译成人话：给一段人类在场景里活动的视频，它能重建出人与场景的交互关系，并且重建结果可以直接放进仿真环境里用——让人类视频真正成为机器人技能的来源。

这件事为什么关键？回到数据经济学：

• 遥操作演示：一条轨迹一分钟，成本高、量级小；
• 互联网视频：人类活动的影像近乎无限，但机器人「看不懂」也「用不上」。

VLA预训练吃了视觉语料的红利，但那些视频对机器人来说只是「看过的画面」，不是「可练习的经验」。HSImul3R这类框架做的事情，是把视频里的交互还原成可仿真的三维场景——视频里的每一次开门、每一次搬箱子，都能变成机器人在仿真里反复练习的技能素材。

产业判断：互联网视频是机器人数据版图里唯一接近「无限供给」的矿脉，谁能把视频到仿真的转化管线打通、把成本打下来，谁就掌握了数据规模的第二增长曲线。大厂实验室下场和初创公司联合发论文，说明这条路线已经从概念验证进入工程竞赛阶段。

🧩 合流：补短板的战争

把三条线放到一张表里，格局就清楚了：

三条线看似各干各的，其实在解同一道题：让机器人以低成本获得人类习以为常的感知与经验。 触觉补的是感知通道，AXIS补的是真实交互经验，HSImul3R补的是经验规模。

节奏上的推演是这样的：短期（一年内），触觉模态与VLA的融合是差异化竞争的焦点，谁先做出可用的触觉-动作模型，谁就能在插线、拧钥匙、揉面团这类「细活」市场建立壁垒，这恰恰是工业装配、柔性物料处理等高价值场景的刚需；中期（两到三年），数据引擎的吞吐量决定各家VLA的迭代速度，浏览器众包和视频重建的成本曲线一旦跑通，数据优势会像滚雪球一样拉开身位。

值得玩味的是参与者的构成：高校实验室、AI大厂、机械臂厂商、创业公司全都在场。这说明大家已经形成共识——具身智能的竞争重心，正在从「模型军备」转向「数据基建」。

小结

机器人正在学习「感觉」。触觉数据集、浏览器众包引擎、可仿真视频重建，三条路线表面分头推进，内核是同一件事：把人类世界廉价的感知与经验，变成机器人可训练的数据资产。下一阶段的关键指标不再是参数量和benchmark分数，而是数据的获取成本与转化效率。等到机器人真正能摸着黑插上那根USB线，具身智能的「iPhone时刻」才算真的到了。