VLA不夠了？觸覺，將改寫具身智能新格局

機器之心發(fā)布

2026 年，「數(shù)據(jù)」正成為具身智能競賽的新焦點，京東、百度等科技巨頭紛紛入局。然而，喧囂之中，一個根本問題懸而未決：什么樣的數(shù)據(jù)，才是具身智能真正需要的？

近日，全球最大的工程與應(yīng)用科學專業(yè)組織 IEEE（電氣電子工程師學會）旗下的旗艦出版物 IEEE Spectrum，對機器人學家王煜進行了一次深度專訪。

這位深耕機器人領(lǐng)域近 40 年的學者給出了自己的判斷：當前主流的 VLA（視覺 - 語言 - 動作）架構(gòu)不足以支撐機器人真正走向落地，包含物理交互信息的數(shù)據(jù)，才是機器人理解現(xiàn)實世界、實現(xiàn)穩(wěn)定操作的關(guān)鍵所在。

• 訪談鏈接：https://spectrum.ieee.org/daimon-robotics-physical-ai
• 原文作者：Sujeet Dutta，Wiley 科學與工程部高級編輯

上世紀80年代，作為中國首批公派留學生，王煜進入卡內(nèi)基梅隆大學機器人研究所，成為時任所長的 Matt Mason 教授招收的第一位博士生，專攻機器人抓取力學與操作規(guī)劃——這正是當下具身智能操作能力的學術(shù)源頭。他曾在多所院校任教，與李澤湘共同創(chuàng)辦香港科技大學機器人研究院，培養(yǎng)了大批活躍于今日產(chǎn)業(yè)一線的人才。

王煜被斯坦福大學評為全球前 2% 頂尖科學家，并作為 IEEE 機器人與自動化協(xié)會管理委員會唯一代表中國機構(gòu)的學者，持續(xù)在國際具身智能領(lǐng)域傳遞中國聲音。

從液壓到電動、從工業(yè)到生活場景，再到如今的人工智能時代，王煜經(jīng)歷了現(xiàn)代機器人學的每一次范式轉(zhuǎn)換。因此，他對當下狂熱中的思考格外值得傾聽。

在王煜看來，機器人下一個亟待解鎖的能力是「操作」（manipulation），且時機日臻成熟。

如今機器人能完成驚艷的 demo，卻仍難以在真實環(huán)境中自主感知、決策并穩(wěn)定執(zhí)行操作，根本原因在于對視覺的過度依賴—— 當機器人嘗試拿起一只玻璃杯、采摘一顆草莓、插拔一根電線時，視覺只能告訴它「物體在哪兒」，卻無法告知它力度是否恰當、角度是否到位、操作是否完成。

材質(zhì)、摩擦、接觸力、形變，這些決定操作成敗的物理反饋信息，恰恰是視覺的盲區(qū)，也是機器人操作中長期缺失的一環(huán)。

王煜認為，觸覺是打開這扇大門的鑰匙。觸覺包含了接觸力、接觸狀態(tài)、形變、紋理與材質(zhì)等信息，能夠填補視覺的盲區(qū)與錯覺，讓機器人從「識別物體」走向「理解物體、操控物體」。

基于這一判斷，他與團隊提出了 VTLA（視覺 - 觸覺 - 語言 - 動作）框架，在主流 VLA 架構(gòu)中引入觸覺，將其視作與視覺同等重要的感知模態(tài)。

王煜教授

這些主張并未停留在論文里。幾年前，王煜與博士后段江嘩共同創(chuàng)立「戴盟機器人」，將多年積累的觸覺感知研究推向工程化落地。這家公司過去以含觸覺感知的硬件研發(fā)為聞名，2026 年第一季度的營收已超過去年全年。

上個月，戴盟正式發(fā)布含觸覺模態(tài)的物理世界具身數(shù)據(jù)集 Daimon Infinity，并開源其中 10000 小時數(shù)據(jù)，正式入場眼下最熱的具身數(shù)據(jù)賽道。

一位以「操作」為研究命題的學者，為何在此刻選擇加入數(shù)據(jù)之爭？這背后的判斷，或許能讓我們窺見未來幾年的具身智能走向。

在這次專訪中，王煜系統(tǒng)闡釋了他對機器人操作、觸覺感知、具身數(shù)據(jù)與物理 AI 的思考：為什么 VLA 架構(gòu)會遭遇瓶頸？觸覺數(shù)據(jù)為何被長期忽視，又為何不可或缺？所謂「物理智能」究竟意味著什么？作為一位見證了機器人學半個世紀發(fā)展的研究者，他如何看待人形機器人未來的可能性與邊界？

以下為 IEEE Spectrum 專訪王煜的譯文，出于篇幅考慮略有刪減：

提問：今年 4 月，戴盟機器人聯(lián)合多家頭部學術(shù)機構(gòu)和企業(yè)，共同發(fā)布規(guī)模最大、最全面的具身操作數(shù)據(jù)集。為何選擇現(xiàn)在發(fā)布數(shù)據(jù)集，而不是繼續(xù)專注硬件開發(fā)？

王煜：隨著具身智能的發(fā)展，越來越多人意識到數(shù)據(jù)的重要性：數(shù)據(jù)不足是目前具身智能發(fā)展的瓶頸，尤其是包含物理交互信息的數(shù)據(jù)，這將是提升機器人在現(xiàn)實世界操作能力的關(guān)鍵。

數(shù)據(jù)的質(zhì)量、可靠性和成本，已成為研發(fā)和商業(yè)落地需要重點關(guān)注的問題。

這恰好也是戴盟擅長的事。依托領(lǐng)先的視觸覺技術(shù)，我們能夠提供含多模態(tài)觸覺的高質(zhì)量數(shù)據(jù) ——不僅包含接觸力，還有接觸形變、接觸狀態(tài)、滑移摩擦、物體材質(zhì)與紋理等信息，完整還原物理交互的過程。基于過往的技術(shù)積累，我們也研發(fā)了數(shù)據(jù)處理管線，將觸覺與視覺、動作軌跡、語音文本等模態(tài)精準融合，轉(zhuǎn)化為模型訓(xùn)練可用的數(shù)據(jù)。

面對行業(yè)的數(shù)據(jù)空缺，我想采集數(shù)據(jù)是我們戴盟能做好、也應(yīng)該做的事情。

今年 4 月，戴盟發(fā)布含觸覺全模態(tài)物理世界數(shù)據(jù)集 Daimon-Infinity

提問：戴盟聲稱數(shù)據(jù)集年底能達到超百萬小時規(guī)模，你們是如何做到這一點的？

王煜：我們打造了全球最大規(guī)模的外發(fā)式具身數(shù)據(jù)采集網(wǎng)絡(luò)—— 依托于輕便化設(shè)備，數(shù)據(jù)采集不再局限于數(shù)采場，而是可以進入各類真實場景，不受空間限制，實現(xiàn)了低成本、跨場景、高度真實性的采集，從而具備了每年數(shù)百萬小時數(shù)據(jù)的生產(chǎn)能力。

提問：Daimon-Infinity 由多家機構(gòu)聯(lián)合發(fā)布，他們?nèi)绾螀⑴c其中？

王煜：此次數(shù)據(jù)集，我們聯(lián)合了全球數(shù)十家機構(gòu)合作共建，包括北京大學、清華大學、香港科技大學等中國高校，以及 DeepMind、美國西北大學、新加坡國立大學等全球頂尖研究團隊，另外還有中國移動、匯川技術(shù)、上聲電子等產(chǎn)業(yè)方。他們選擇與戴盟合作，是對我們將觸覺加入具身數(shù)據(jù)這一路線的認可。

通過在科研、制造等實際場景下進行采集，這些合作方幫助我們收集到了高度真實、以實際場景為驅(qū)動的數(shù)據(jù)；反過來，他們將這些數(shù)據(jù)用于自己的模型訓(xùn)練。此外，我們開源了 10000 小時數(shù)據(jù)，希望含觸覺的數(shù)據(jù)能推動更多具身模型的進化。

提問：目前機器人領(lǐng)域的主流范式是 VLA 模型，但戴盟團隊提出了 VTLA 框架。為什么加入了觸覺？

王煜：觸覺信息對于機器人的操作能力至關(guān)重要，它能提供與物體接觸時的物理反饋， 引導(dǎo)機器人手進行可靠的操作。如果沒有觸覺，機器人可能無法在黑暗環(huán)境中判斷物體的位置，可能因無法感知滑移狀態(tài)而導(dǎo)致玻璃杯掉落，更有可能因為無法控制力度而導(dǎo)致操作任務(wù)失敗，甚至造成損害。

VLA 已經(jīng)不足以滿足機器人操作的需求，因此我們擴展了框架，納入觸覺數(shù)據(jù)，創(chuàng)建了 VTLA。

重要的是，我們采用的視觸覺感知技術(shù)，與 VLA 所基于的視覺框架非常契合。它捕捉指尖表面的形變，將觸覺信息轉(zhuǎn)化為視覺圖像，并從中推斷出力和其他接觸狀態(tài) —— 而圖像數(shù)據(jù)天然適合集成到 VLA 中，這降低了框架擴展的門檻。

搭載視觸覺傳感器的夾爪，通過精準感知觸覺，賦能精細操作

提問：您和團隊開發(fā)了世界上首個單色光視觸覺技術(shù)，為什么選擇了這條技術(shù)路線？

王煜：從開始研究觸覺感知時，我們就明確了自身需求：我們想要的是能夠高度模擬人類指尖皮膚觸覺的傳感器。

生理學研究已充分證實人類指尖所具備的能力 —— 知道我們觸摸了什么、是什么材質(zhì)、力如何分布，以及當大腦控制手時，它是否移動到正確的位置。我們知道，在機器人手上復(fù)制這些能力將大有裨益。

在調(diào)研現(xiàn)有技術(shù)時，我們發(fā)現(xiàn)了多種類型的觸覺感知技術(shù)，包括三色光視觸覺傳感及其他更簡單的設(shè)計。我們將這些技術(shù)的優(yōu)勢整合到一個解決方案中，使其在保持良好性能的同時又不會過于復(fù)雜，并將成本、可靠性和靈敏度控制在令人滿意的范圍內(nèi)，最終研發(fā)了單色光視觸覺技術(shù)。隨著人們對觸覺認知的日益加深，這些技術(shù)將攜手并進。

全模態(tài)觸覺信息，包含力 / 力矩、形狀、材質(zhì)、接觸信息四大維度

提問：你們的視觸覺傳感器正是基于這一技術(shù)，相比傳統(tǒng)觸覺傳感器有什么核心優(yōu)勢？

王煜：我們在去年推出了全球首個多維高分辨率高頻率視觸覺傳感器，在指尖大小的模塊上裝載了 11 萬個感知單元，是業(yè)內(nèi)目前最高的密度。

另一個優(yōu)勢是頻率和帶寬，即我們檢測觸覺變化、傳輸并實時處理信號的速度。其他方面則主要與工程技術(shù)相關(guān)，如可靠性、漂移、硅膠表面耐用性及對電磁、光學及其他環(huán)境因素的抗干擾能力。

觸覺的重要性正被越來越多人意識到，我們的視觸覺傳感器也得到了更多人的使用，我相信這會讓整個行業(yè)都邁上一個新臺階。

我們的一位潛在客戶正在便利店中部署人形機器人，在密密麻麻的貨架上，機器人需要伸入非常狹小的空間才能取出物品 —— 人類至少需要三根纖細的手指才能完成抓取任務(wù)。諸如此類的場景，我們看到了對于觸覺的非常具體的需求。

戴盟視觸覺傳感器具有高感知單元密度

提問：戴盟目前的商業(yè)模式和戰(zhàn)略重點是什么？數(shù)據(jù)集在其中是什么角色？

王煜：我們最初專注于制造高性能的觸覺感知設(shè)備，尤其是搭載于機器人手的傳感器。但隨著具身智能的發(fā)展，大家逐漸意識到，行業(yè)需要不僅僅是一個組件，而是整個技術(shù)鏈：設(shè)備、大規(guī)模高質(zhì)量的數(shù)據(jù)，以及最終能夠在實際應(yīng)用環(huán)境中構(gòu)建、訓(xùn)練和部署機器人模型的框架。

現(xiàn)在，我們將自己的商業(yè)戰(zhàn)略定位為「3D」：設(shè)備（Devices）、數(shù)據(jù)（Data）和部署（Deployment）。我們研發(fā)用于數(shù)據(jù)采集和構(gòu)建觸覺生態(tài)的設(shè)備，并通過在合作伙伴的應(yīng)用場景里部署，完成含觸覺數(shù)據(jù)的落地與閉環(huán)驗證。在這個模式里，任何一環(huán)都不可或缺。

提問：您之前提出了「具身技能」的概念，認為這是人形機器人超越「僅擁有先進人工智能大腦」的關(guān)鍵。您為什么會提出這一觀點？過去兩年行業(yè)快速發(fā)展，您對具身技能的定義是否有所改變？

王煜：機器人的發(fā)展一路走來，如今已到了電氣、電子和機電一體化硬件技術(shù)融合的階段，這是過去 20 年里取得的巨大進步。由于硬件的快速發(fā)展，機器人現(xiàn)在完全是電動的，不再需要液壓系統(tǒng)。現(xiàn)代電子技術(shù)提供了高帶寬和高扭矩，如果我們能將智能融入這些機械系統(tǒng)，就能創(chuàng)造出真正意義上的人形機器人 —— 能夠在非結(jié)構(gòu)化環(huán)境中運行、決策并自主穩(wěn)定地執(zhí)行操作的機器人。

人工智能的出現(xiàn)恰逢其時，大量資源投入其中，特別是大語言模型。它們?nèi)缃癖煌茝V到世界模型中，賦能物理智能（physical AI）—— 我們希望這些能力最終能在現(xiàn)實世界中落地。如今研究重點更加明確，例如在家庭環(huán)境中，人們更傾向于使用人形機器人。這是一個令人興奮的領(lǐng)域，如果我們最終能夠制造出安全、可靠且經(jīng)濟高效的機器人，它將為社會帶來巨大的益處。

搭載了戴盟觸覺感知技術(shù)的機器人在工廠線上部署

提問：機器人如今能進行令人印象深刻的 demo，但距離真正進入實際應(yīng)用仍存在差距。什么因素可能觸發(fā)實際部署？哪些場景最有可能率先實現(xiàn)大規(guī)模部署？

王煜：我認為通用機器人的大規(guī)模部署之路仍然漫長，但我們已經(jīng)看到特定領(lǐng)域的可行性。

這與自動駕駛汽車非常相似，無人駕駛出租車尚未全面部署，但移動機器人在酒店業(yè)已經(jīng)得到廣泛應(yīng)用。在中國，幾乎所有大型酒店都配備了送餐機器人 —— 沒有機械臂，只是一臺從酒店大堂取外賣的小型機器人。外賣員只需放置食物并選擇房間號，機器人便會自行導(dǎo)航、自行使用電梯，最終將食物送達客房。

酒店及餐廳的機器人，為其他場景的應(yīng)用提供了范本，例如夜間藥店和便利店。我預(yù)計在短期內(nèi)，這些場所將全面部署人形機器人，并在之后擴展到其他領(lǐng)域。我們可以期待，在未來，包括人形機器人在內(nèi)的自主機器人將逐步滲透到特定行業(yè)，為行業(yè)創(chuàng)造價值。

我們的愿景始終是讓機器人實現(xiàn)強大的操控能力，并發(fā)展成為人類可靠的合作伙伴。未來，機器人或許會無縫融入我們的日常生活，真正造福并服務(wù)于人類。