机器人的手感，卡在数据上

会叠衣服的机器人，插不进一根USB线。

过去两年，π0.5、Gemini Robotics 这类视觉-语言-动作（VLA）模型把机器人的通用能力推向了新高度，但它们在精细手部操作上的短板暴露得越来越彻底。IEEE Spectrum 近期的一篇深度报道把话挑明了：触觉可能是钥匙，但高质量触觉数据的匮乏一直拖住进展，如今学界与创业公司正竞相填补这块空白。

与此同时，两个更工程化的动作几乎同时落地：Axis Robotics 发布浏览器端数据引擎 AXIS，大晓机器人 联合 南洋理工大学 S-Lab、上海人工智能实验室 推出人–场景交互重建框架 HSImul3R。

三条线索指向同一个判断：具身智能的竞争，正在从「谁的模型更大」转向「谁的数据引擎更快」。

🧠 睁着眼的「盲人」：VLA的天花板已经 visible

看得见的任务都在被攻克，看不见的任务全都卡住了。

先看VLA已经做到的事。这类模型先用海量图像、视频和文本做预训练，再用少量遥操作机器人演示做微调，然后仅凭一路视频画面加自然语言指令，就能完成叠衣服、整理客厅、操作厨房小家电这类日常任务——Physical Intelligence 的研究博客里甚至展示了机器人使用厨房器具的完整流程。

问题出在下一层。涉及细粒度手部控制的场景——操作可变形材料、摆弄小物件、把USB线插进接口、用钥匙开锁——机器人依然频繁失败。

原因并不神秘。人在这些场景里依赖的核心信息源是触觉，而VLA几乎完全忽略了它。模型「看」得到插孔在哪里，却感知不到插头受到的阻力、线缆的形变、接触面的打滑。

这就构成了一幅略带讽刺的画面：机器人睁着一双高清摄像头之眼，却像个盲人在摸黑干活。

产业逻辑很清楚——这是模态鸿沟，不是参数量问题。继续往模型里堆互联网视觉数据，边际收益会迅速归零；下一波能力跃迁，必须靠引入新模态的数据来撬动。

✋ 触觉数据：最难攒的那块拼图

模型不缺架构，缺的是数据到货。

IEEE Spectrum 报道点出了一个结构性事实：机器人数据集的增长速度，远落后于用它们训练的模型，根因在于数据采集被锁死在实验室的特定硬件上。

视觉数据为什么好攒？因为互联网就是它的天然矿场，几十亿张图片现成摆着。触觉数据呢？没有「互联网版触觉」这种东西。每一个触觉样本，都得靠物理传感器在真实物理交互中一点点采出来。

更麻烦的是传感器侧的碎片化。业界私下流传的一种说法是，触觉阵列的标定、维护和数据格式统一，本身就是一项无人愿意公开讲的脏活——不同实验室的触觉传感器读数互不相通，攒出来的数据集很难像视觉数据那样互相喂。

所以现在出现了一个值得注意的信号：学术实验室和初创公司开始竞相建设新的触觉数据集和配套技术。这不是一次普通的论文刷榜，而是一次数据基建的抢跑——谁先把触觉数据做成可规模化的管道，谁就握住了下一轮scaling curve的入场券。

🌐 AXIS：把数据采集塞进浏览器，把贵活甩给后端GPU

数据引擎的效率，开始决定模型的上限。

Axis Robotics 发布的 AXIS，是这轮数据竞赛里工程味最浓的一个。它的思路简单粗暴：把演示采集从实验室硬件搬到网页浏览器里，把所有昂贵的计算推到后端GPU上跑。

结果是一组相当扎眼的数字：

这组数字里最值钱的不是5万条轨迹，而是最后一行的对照实验：同样体积的数据，用 AXIS 的管道做持续预训练，能把 π0.5 在 LIBERO-Plus 上从83.9抬到88.8，而体积匹配的 RoboCasa365 对照组只做到57.5。差了三十多个点——说明数据的质量、任务覆盖和验证管道，比单纯的数据量重要得多。

产业判断：这条路本质上是把「众包+云端渲染」的逻辑嫁接到机器人数据上，采集门槛被压到一台浏览器级别的设备，而验证环节保证了数据不是垃圾。数据引擎一旦跑起来，就是一台可以持续产出的机器——这才是它作为「引擎」的含义。

🏗️ HSImul3R：让人类视频真正变成技能矿场

互联网上唯一过剩的数据，是人类自己在干活。

如果说 AXIS 解决的是「怎么更便宜地采机器人数据」，那么 大晓机器人 联合 南洋理工大学 S-Lab 与 上海人工智能实验室 发布的 HSImul3R，瞄准的是另一个更诱人的矿脉：人类操作视频。

官方表述是：全球首个可仿真的人–场景交互重建框架。翻译成大白话——把一段人类在真实场景里操作的视频，重建成可仿真的三维人–环境交互，让机器人仿真器可以直接在里面练手。人类视频从此不再只是「参考资料」，而能真正成为机器人技能的来源。

这个方向的诱惑力在于数据的不对称性：机器人遥操作数据全球加起来可能也就百万级，而人类操作视频在互联网上是天量且免费的。谁先把这条「视频→可仿真环境→机器人技能」的管道打通到能大规模复制，谁就找到了具身智能版的「互联网预训练」。

把三条路线放到一条时间线上看，脉络就很清晰了：

• 第一代：互联网视觉+文本预训练——解决了「看得懂」
• 第二代：遥操作演示微调——解决了「照着做」
• 第三代（正在发生）：触觉数据集 + 浏览器众包引擎 + 人类视频可仿真重建——要解决「摸得准」

📊 从模型竞赛到基建竞赛：估值逻辑正在换轴

下一步拼的不是谁参数大，是谁的数据引擎马力足。

把三件事放在一起，产业信号已经很明确：

1. 模态补全成为主战场。 VLA在视觉侧的规模化红利接近天花板，触觉是公认的下一条增长曲线，学界和创业公司已经入场卡位。

2. 数据引擎成为独立赛道。 AXIS 用207个任务、50,129条验证轨迹证明了一件事：数据采集本身可以被工程化、产品化，甚至从实验室硬件的束缚中解放出来。据多位接近数据采集团队的人士透露，数据引擎的产能和验证管道，正在成为这个赛道估值故事里比参数量更硬的指标。

3. 人类数据的多头下注。 无论是触觉传感器直接采、浏览器端众包采，还是 HSImul3R 式的从人类视频重建，本质都是在攻同一个瓶颈——怎么让机器人获得足够多、足够真的物理交互经验。

对做整机的人形机器人公司来说，这意味着一个残酷的分工可能出现：未来比拼的可能不再是整机厂自研模型的参数，而是它接入了哪台数据引擎、吃到了多少条验证轨迹。数据引擎提供商，可能是这个产业链里最先赚到钱的环节之一。

结语：手感这堂课，机器人必须补上

叠衣服会了，插USB还不会——这条分界线，就是当前VLA的能力边界，也是触觉数据的商业价值所在。

AXIS 和 HSImul3R 的出现说明，行业已经开始用基建的方式解决这个问题：一边把采集成本打到浏览器级别，一边把人类视频变成可仿真的训练场。接下来值得盯的是两件事：触觉数据集什么时候出现第一个「ImageNet时刻」，以及数据引擎之间的产能竞赛会把模型能力推到哪一格。

机器人的大脑进化得很快，但手感这堂课，终究要靠数据一点一点补回来。