讓機器人觸覺不再奢侈，一目科技跨過量產門檻

作者｜孫芮
微信 ｜lombredeau

機器人走向真實場景，首先要解決的是對物理世界的理解。

這種理解不只包括物體的外觀、位置和運動，還包括接觸之后產生的三維受力、形變、位移、摩擦、材質和溫度等信息。前者可以通過視覺獲得，后者則往往只有在真實接觸中才會出現，也很難僅憑圖像準確判斷。

因此，觸覺成為機器人進入真實世界的重要感知能力，也被視為 Physical AI 基礎設施的重要組成部分。

近期，為機器人提供通用“感官”的一目科技完成超過10億元E輪融資，投后估值突破100億元。本輪融資由多家一線人民幣基金、頭部美元基金和知名產業方聯合參與，所融資金將用于具身智能觸覺感知材料、芯片、算法和模型的研發，以及規模化量產與訂單交付。

這筆融資背后，是機器人產業對觸覺感知能力不斷增長的需求。目前，一目科技已經推出的視觸覺傳感器厚度低于3毫米，達到了全球最薄可量產水平。

這是一家有十年歷史的企業，早期主要深耕微流控、微光譜等底層技術。隨著具身智能產業興起，公司將長期形成的光學、傳感和算法能力延伸至仿生視觸覺領域，并逐步搭建起覆蓋傳感器硬件、觸覺數據采集、理解算法和模型訓練的完整技術體系。

1

01機器人不可或缺的觸覺

想象一下，一臺人形機器人正準備把一杯熱水遞到你手中。

首先，它需要通過視覺識別水杯的位置，規劃抓取路徑。當機械手接觸杯身后，它還需要判斷水的溫度、杯子的材質和重量，控制手指施加合適的力度，既不能因為用力過大捏變形紙杯，也不能因為力量不足導致杯子滑落。

拿起水杯后，機器人還要持續感知杯身是否發生偏移、水面晃動是否影響穩定性，并根據反饋實時調整抓取姿態，最終平穩地將水遞到你的手中。

在這個過程中，視覺能夠告訴機器人水杯在哪里、外觀如何，卻很難準確判斷水溫、接觸后產生的受力、形變和摩擦。視覺看到的是物體表面的二維信息，觸覺則進一步提供三維力、三維位移、接觸狀態乃至溫度等物理信息。對機器人來說，這些信息直接決定了它能否在真實世界中完成精細、穩定的操作。

因此，觸覺正在從機器人的“可選項”變成“必需項”。

過去，行業一度認為視覺和語言能力已經足以支撐機器人理解環境，但隨著機器人進入抓取、裝配和復雜操作場景，僅靠視覺無法獲得完整的物理信息。缺少高精度觸覺，機器人難以獲取真實的接觸反饋，Physical AI 模型的能力上限也會受到限制。

這也是觸覺被資本市場重新關注的重要原因。觸覺既服務于機器人本體，讓設備能夠根據接觸反饋實時調整動作，也服務于數據采集和模型訓練，為 Physical AI 提供視覺無法替代的物理世界數據。

所以，真正決定人形機器人能否迎來“GPT3.0 時刻”的，除了模型本身，還包括模型能否持續獲得足夠豐富、精確的物理反饋。

圍繞機器人觸覺，目前行業主要有壓阻式、電容式和視觸覺三條技術路線。壓阻式和電容式發展較早，前者結構簡單、成本較低，后者靈敏度較高，但在空間分辨率、環境適應性和長期穩定性方面各有局限。

相比之下，視觸覺提供了一種更接近人類皮膚的立體感知方式。它在傳感器內部集成微型光學系統，當機器人手指與物體接觸時，柔性表面的細微形變會被轉化為圖像，再由 AI 算法解析為壓力分布、剪切力、接觸位置和滑動狀態等觸覺信息。

由于能夠在較小面積內獲取形狀、紋理、壓力和剪切力等多維信息，視觸覺更適合抓取、裝配和精密操作等復雜任務。基于光學成像的技術路線也具備較好的耐用性和穩定性，為其長期部署在工業機器人、人形機器人等真實場景中提供了基礎。

視觸覺也是一目科技所選擇的技術路線。

1

02產業應用第一關：量產

以 GelSight 為代表的研究和產品，也驗證了視觸覺在高分辨率接觸感知和機器人操作中的技術可行性。

但實驗室驗證可行，并不意味著能夠真正進入產業應用。

機器人需要的是能夠長期部署在真實環境中的觸覺傳感器。它們需要安裝在機械手、靈巧手甚至整機表面，在持續抓取、裝配和搬運過程中反復工作。

視觸覺真正需要跨越的，是一系列工程化難題。

首先是制造一致性。視觸覺傳感器本質上是一套微型光學系統，內部包含光源、成像器件和彈性材料等多個精密組件。實驗室可以依靠人工調試獲得理想效果，但當進入批量制造階段，每一顆傳感器都需要保持相對一致的光學性能和成像質量，這對微納制造和光學設計提出了更高要求。

其次是長期可靠性。機器人不會像實驗室演示那樣只完成幾十次抓取，而是要在工廠、物流倉儲等場景中連續工作數百萬次。傳感器不僅要承受持續按壓和摩擦，還要在長期使用過程中保持穩定輸出，這對材料壽命、結構設計和封裝工藝提出了更高要求。

與此同時，AI 算法也需要面對真實世界的復雜性。

實驗室里的測試對象通常相對標準，但真實環境中的機器人可能接觸不同材質、形狀和尺寸的物體，也會受到溫度、光照和工作環境變化的影響。算法不僅要識別壓力和剪切力，還需要具備足夠的泛化能力，在各種未知場景下保持穩定表現。

最后，也是產業化過程中最現實的一道門檻——成本。

早期實驗室使用的視觸覺傳感器往往造價高昂，難以支撐機器人大規模部署。只有當制造工藝、供應鏈和良率不斷提升，成本下降到產業能夠接受的水平，觸覺才真正具備規模化應用的可能。

這些問題很難依靠某一項單獨技術解決，而是涉及光學設計、微納制造、傳感器集成、算法和供應鏈體系的協同能力。

這也是一目科技過去十年持續積累的方向。微光譜研發中形成的光學設計能力可以用于控制傳感器內部的光路和成像效果，微型傳感器的制造經驗幫助器件的小型化、封裝和批量生產。數據工程和 AI 算法能力，則負責將接觸產生的圖像變化，轉換為壓力、剪切力和滑動狀態等觸覺信息。

一目科技的觸覺傳感器 ，正是這些能力協同落地的結果。它所體現的是傳感器在厚度、一致性、可靠性和規模化生產之間的平衡。對于機器人產業而言，這種綜合工程能力，才是高分辨率觸覺傳感器能否真正走出實驗室的關鍵。

1

03完善感知體系，讓機器人擁有觸覺

不過，規模化部署傳感器只是第一步。

當前機器人模型的訓練數據仍以視覺、語言和動作軌跡為主。手指在觸摸后，會產生一系列的神經交互、大腦處理。那么機器人，該如何回答接觸后發生的問題？例如機器人用了多大的力、物體是否正在滑動、材料發生了怎樣的形變，以及一次抓取為什么成功或失敗。

觸覺數據補充的正是這部分物理信息。只有將這些數據持續采集、解析并用于模型訓練，觸覺才能從一項傳感能力，進一步轉化為機器人操作能力的一部分。

圍繞這一目標，一目科技搭建了由硬件感知、觸覺理解算法和模型訓練組成的三層架構。

最底層是硬件感知層。視觸覺傳感器安裝在機器人手指或其他接觸部位，通過拍攝柔性材料在接觸過程中的微觀形變，記錄壓力分布、剪切力、滑動狀態、表面紋理和物體形狀等多維物理信息。

這一層解決的是機器人能否感知接觸。但傳感器直接輸出的仍然是連續變化的觸覺圖像和原始信號，機器人并不能直接理解這些信息。它還需要知道，圖像中的變化意味著什么，又應該如何據此調整動作。

因此，在硬件之上，一目科技進一步搭建了觸覺理解算法層。

其中，Tactile Transformer Encoder 負責對原始觸覺數據進行編碼和解析，將接觸過程中的圖像變化轉化為壓力、形變、滑動狀態和物體屬性等機器可以理解的信息。

經過算法處理后，機器人獲得的不再只是一組傳感器讀數，而是對當前接觸狀態的判斷，比如手指是否已經碰到物體、抓取力度是否合適、物體是否存在滑落風險，以及下一步應該繼續加力、減力還是調整姿態。

這些觸覺信息還可以進一步與視覺、語言和動作信息融合。視覺告訴機器人物體在哪里，語言模型幫助它理解需要完成什么任務，觸覺則補充接觸之后發生了什么。不同模態共同構成機器人執行真實任務所需的環境信息。

第三層是模型訓練層。機器人在不同場景中執行任務時，傳感器持續采集接觸數據，觸覺理解算法對數據進行解析，再將接觸狀態、機器人動作和任務結果對應起來，形成可用于模型訓練的數據。

例如，在一次抓取任務中，系統不僅能夠記錄機器人采取了什么動作，還可以記錄手指施加了多大的力、物體是否發生滑動，以及最終抓取是否成功。隨著這類數據不斷積累，模型可以逐漸學習不同物體、材質和任務所對應的操作策略。

由此，硬件部署、數據采集和模型訓練之間形成持續迭代的閉環。

不過，當越來越多設備開始產生觸覺數據，新的問題也隨之出現，這些數據能否在不同傳感器、機器人和任務之間被統一使用？

1

04從傳感器走向觸覺生態

觸覺數據規模的擴大，到模型能力的提升之間，還有一條復雜的路要走。

不同傳感器的硬件結構、數據格式和標注方式存在差異。同一個接觸動作在不同設備上，也可能呈現出完全不同的信號。如果缺少統一的數據標準，這些數據就很難被匯總、比較和復用，最終仍會分散在不同企業和實驗室中，形成新的數據孤島。

視覺 AI 的發展曾受益于 ImageNet 等大規模標準化數據集。統一的數據結構、任務定義和評測方法，讓不同團隊能夠在相同基礎上訓練和比較模型，也推動了視覺識別能力的快速迭代。

進入 Physical AI 階段，觸覺領域同樣需要一套能夠被廣泛使用的數據基礎。

圍繞這一目標，一目科技正在推進與斯坦福等國際頂尖機構合作推進開源觸覺數據集項目 TouchNet，希望逐步建立覆蓋觸覺數據采集、標注、存儲、評測和使用的統一標準，并將部分數據與工具能力向行業開放。

當觸覺數據能夠按照同一套標準被記錄和評價，它們才有可能在不同機器人設備、任務場景和模型之間流動。開發者可以基于統一的數據基礎訓練和驗證算法，機器人企業也不必為每種設備和場景重復搭建觸覺數據體系，從而加快觸覺模型的迭代和應用。

從傳感器硬件到觸覺數據標準，TouchNet 補上的是 Physical AI 數據基礎的一環。在此基礎上，一目科技還希望繼續向機器人設備和技能生態延伸，形成一套更完整的能力體系。

這套布局可以概括為三個階段。

第一步，是通過視觸覺傳感器和理解算法，構建 Physical AI 的“感知和神經系統”。

第二步，是讓觸覺系統進入更多機器人設備和真實場景，在具體任務中持續產生數據。

第三步，則是構建機器人技能生態。觸覺數據的最終價值，是將操作過程沉淀為可以積累、遷移和復用的技能。

例如，機器人在一種設備上學會穩定抓取易碎物體后，相應的觸覺反饋和控制策略，可以進一步遷移到其他機器人或相似任務中。

這需要將感知數據、動作策略和任務結果組織在同一套體系中，使機器人技能不再依附于某一臺設備或單一場景。隨著可復用技能不斷積累，開發者可以直接組合和調用已有能力，降低機器人適應新任務的訓練成本。

從視觸覺傳感器到 TouchNet，再到機器人技能生態，一目科技試圖構建一條貫穿感知硬件、觸覺數據、理解算法與模型能力的技術鏈路。

此次超10億元的大額融資，一定不只是關注觸覺傳感器本身，還有其背后連接物理世界與 AI 系統的基礎設施能力。

觸覺補上的，是機器理解物理世界的關鍵一環。更長遠來看，Physical AI 的目標是讓智能走出屏幕，在真實世界中感知、行動，并通過持續交互不斷進化。

點個“愛心”，再走 吧