机器人最大的短板，是没有手感

VLA 模型让机器人能看懂厨房、听懂指令，却插不进一根 USB 线。过去两年，具身智能圈把钱和算力砸进了视觉-语言-动作模型，但真正的瓶颈正在换位置：不是模型不够大，而是机器人缺「手感」，缺一条能规模化产出操作数据的数据管线。近期三条线索——触觉数据集竞赛、HSImul3R 的人类视频重建框架、Axis Robotics 的浏览器数据引擎——共同指向同一个判断：具身智能的下半个赛程，拼的是数据，不是参数。

🤚 会叠衣服的机器人，拧不开一把锁

最好的模型，也会在最简单的动作上翻车。

过去几年，VLA（视觉-语言-动作）模型成了机器人行业最热的叙事。据 IEEE Spectrum 报道，这类模型在海量图像、视频和文本上预训练，再用少量遥操作演示微调，就能只靠一路视频画面和一句自然语言指令，指挥机器人完成叠衣服、收拾客厅、操作厨房小电器这类日常任务。听起来，通用机器人已经近在眼前。

但硬币的另一面很难看：凡是需要精细手部控制的任务，VLA 几乎集体哑火。处理可变形材料、插 USB 线、拿钥匙开锁——这些人类闭着眼都能干的事，机器人干起来像戴了三层棉手套。原因并不神秘：VLA 只吃视觉，而人类在这些场景里最依赖的信息源是触觉。

触觉为什么一直缺席？答案是数据。视觉数据互联网上管够，触觉数据却几乎不存在——没有人给「指尖压过桌面的力分布」拍过十亿张照片。报道称，学术实验室和初创公司正竞相构建新的触觉数据集和使用技术，这块短板开始被补。据多位接近头部具身智能公司的人士透露，触觉传感器阵列和配套数据采集方案，已经是不少团队下一轮融资故事里的核心章节。

产业逻辑很清晰：当视觉侧的模型能力被 VLA 拉平之后，差异化只能来自模型看不见的信息通道。 触觉数据的采集、标注与建模，会催生一批新的传感器厂商和数据服务公司，这是具身智能产业链上尚未定价的一环。

🎥 人类视频，正在变成机器人的教材

人类不需要遥控器，人类本身就是数据源。

遥操作采集的痛点谁都懂：一台 Franka、一个操作员、一小时几十条轨迹，成本高到让「百万条演示」只能是 PPT 里的愿景。而另一边，互联网上沉淀着海量人类操作视频——做饭、装配、修理，全是免费的技能演示。问题是，视频是 2D 的、缺乏物理标注的，机器人没法直接学。

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的 HSImul3R，瞄准的正是这个断层。它号称全球首个可仿真的人–场景交互重建框架：从人类视频中重建出人与场景的交互关系，并落到可仿真的环境里，让机器人可以在重建出的世界中反复练习从人类视频里「抄」来的技能。

这一步的关键词是「可仿真」。此前不少工作只能重建出一段好看的 3D 场景，机器人进不去、摸不着，学了也白学。HSImul3R 的价值在于打通了「人类视频 → 可交互仿真环境 → 机器人技能」的转化链路——人类视频第一次有机会真正成为机器人的技能来源。

路线图大致是这样的：

产业逻辑上，这条路线的想象力在于边际成本趋近于零：一条视频可以重建一次、仿真无数次。当然，重建的保真度、接触物理的准确性仍是硬骨头——仿真里学会的插销动作，到了真机上可能差之毫厘。但方向已经确定：谁能把人类视频的「理解成本」降下来，谁就握住了具身智能数据的富矿。

🌐 把数据工厂搬进浏览器

最贵的不是 GPU，是那台被占用的 Franka。

如果说 HSImul3R 解决的是「数据从哪来」，Axis Robotics 的 AXIS 解决的则是「数据在哪采」。据 MarkTechPost 报道，机器人数据集的增长速度远落后于模型的训练需求，根因在于采集被锁死在实验室硬件上——真机是稀缺资源，排队用它的人比用它采集的轨迹还多。

AXIS 的做法相当激进：把演示采集搬进网页浏览器，把一切昂贵的计算推到后端 GPU。任何有浏览器的人都能参与采集，后端负责物理仿真和验证。结果是可观的：207 个操作任务、50129 条经真机验证的 Franka 轨迹，全部通过这条管线产出。

效果有对照组说话。用 AXIS 数据做持续预训练后，Physical Intelligence 的 π0.5 模型在 LIBERO-Plus 基准上从 83.9 提升到 88.8；而同等数据量的 RoboCasa365 对照组，只达到 57.5。差了超过 30 个百分点——这不是微调技巧的差距，是数据管线的差距。

把三条数据路线放在一起看，格局会更清楚：

⚠️ 数据飞轮转起来之前，别吹通用机器人

模型在天上飞，数据还在地上爬。

把三条线索串起来，能看到具身智能正在完成一次悄然的叙事切换。2023 到 2024 年，主角是模型：VLA 一代接一代发，参数越推越大；2025 年之后，主语开始变成数据——Gemini Robotics 等团队在推进的多模态融合是一面，触觉数据集、可仿真重建、分布式采集是另一面。

业界私下有个说法：现在评判一家具身智能公司，先别看 demo 视频多丝滑，先问它的数据管线一天能产出多少条合格轨迹。这话糙，但戳中要害——大模型时代的Scaling Law能否在机器人上复现，取决于有没有一条成本足够低、质量足够稳的数据飞轮。

几条务实判断：

1. 触觉是下一个传感器战场。 灵巧手装不装触觉阵列，正从「加分项」变成「及格线」，核心零部件厂商的机会窗口就在这两年。

2. 仿真-真机混合管线是标配。 单靠真机遥操作撑不起数据量，HSImul3R 式的视频重建和 AXIS 式的分布式采集，会把采集成本压到原来的零头。

3. 数据质量的验证环节被低估了。 AXIS 强调 50129 条轨迹全部经真机验证——量重要，验更重要，否则模型学的是仿真幻觉。

结语：手感是买不来的，只能练出来

机器人学会「感觉」，本质上是一个数据工程问题，不是一个论文问题。当触觉数据集、人类视频重建、浏览器采集引擎这三块拼图逐一起量，具身智能才会真正拥有自己的 Scaling Law。接下来的看点很具体：谁的触觉传感器先装上量产灵巧手，谁的视频重建先跑通真机迁移，谁的采集管线先攒出百万级验证轨迹。手感的竞赛，才刚刚开局。