在2026年世界人工智能大会（WAIC 2026）的展台上，机器人与人类互动的场景引发了广泛关注。一些机器人能够精准定位纸杯，却在抓握时因用力过猛导致杯子变形；另一些可以识别叠放的纸张，却难以判断指尖是否真正分离了它们。这些现象揭示了一个关键问题：仅靠视觉感知，机器人仍无法真正理解物理世界的复杂性。正如一位硅谷研究员所言：“没有触觉，机器人就像患上了新的失明症。”
人类对物理世界的感知依赖于多模态信息的融合。当手指触碰到即将滑落的杯子时，无需大脑思考，肌肉便会自动调整力度；碰到滚烫物体时，手会先于意识做出回避动作。这种基于触觉的“本能反应”，正是机器人当前最缺乏的能力。触觉不仅需要感知接触的存在，还需实时判断物体的状态变化——是否滑动、受力是否安全、抓握是否稳固。这些信息往往在毫秒级时间内发生，对数据采集频率和处理速度提出了极高要求。
2026年以来，触觉技术成为具身智能领域的核心方向之一。从机器人本体制造商到传感器开发商，再到数据采集与模型训练公司，行业参与者纷纷将触觉视为突破物理交互瓶颈的关键。然而，单纯为机器人添加触觉传感器并未解决根本问题。今年6月，由李飞飞、Pieter Abbeel等学者参与的T-Rex研究显示，将触觉数据直接输入传统模型后，机器人在翻书页、分纸杯等任务中的成功率从17%骤降至6%。这一反差结果暴露了技术融合的深层挑战：触觉与视觉、语言在时间尺度上存在本质差异，无法简单叠加为新的输入维度。
触觉信号的处理需要独立的编码方式与模型架构。T-Rex团队通过构建100小时同步触觉数据，采用可变速率模型将低频任务规划与高频触觉反馈解耦，最终将任务成功率提升至65%。这一突破表明，触觉技术需要贯穿从数据采集到动作反馈的全链路。具体而言，这条链路包含三个层级：传感器等硬件决定数据质量，模型与训练范式转化数据为能力，应用场景验证技术商业价值。三者缺一不可，共同构成触觉技术的生态系统。
在这一背景下，部分传感器企业开始向“全栈”模式转型。以他山科技为例，这家占据人形机器人触觉传感器市场超80%份额的企业，已将业务扩展至触觉芯片、数据采集设备、模型训练及强化学习领域。其核心逻辑在于：模型能力的上限由数据质量决定，而数据质量又取决于传感器的鲁棒性与稳定性。在复杂工况下，传感器需保持信号不漂移；重复测量时，数据偏差需控制在极小范围内。他山科技通过自研芯片与算法，将传感器测量标准差压缩至≤0.03，线性拟合优度R²提升至≥99.9%，为模型训练提供了可靠数据基础。
速度是触觉技术的另一大挑战。当机械臂碰撞到意外障碍时，传统方案需将触觉数据上传至中央处理器，经模型推理后再返回控制指令，这一过程可能导致反应延迟。他山科技推出的绿宝石E10A芯片通过架构创新解决了这一问题：自研ASC模块将触觉信号直接转换为脉冲信号，绕过中央主控直接触发本地控制，同时采用“变化触发、稀疏计算”机制，仅在接触发生时唤醒芯片处理数据。这种设计使芯片在保持300kHz高采样率的同时，将待机功耗控制在10μW以下。更关键的是，其电容式传感器方案具备“接近觉”特性，可在灵巧手接触物体前提前唤醒芯片，抵消了事件驱动机制的滞后性。
数据同步与模型训练同样面临技术壁垒。触觉数据与视觉、动作信息在时间与空间上的对齐难度极高，若采集设备过重或模态频率不匹配，模型可能接收到错误因果关系——例如视觉显示已接触杯子，触觉信号却延迟半秒。他山科技的TS-ECHO触觉感知指套通过轻量化设计（重量≤100克）与多模态同步技术，将触觉、视觉、动作数据实时融合，为模型训练提供了完整样本。在模型层面，他山提出“触觉小脑”概念，将高频触觉感知与控制下沉至末端，高层模型负责任务规划，分布式小模型处理局部反馈，形成分层架构。
强化学习为触觉技术提供了新的突破口。2024年图灵奖得主理查德·萨顿与他山科技共建的“机器人幼儿园”项目，旨在让机器人在真实物理环境中通过交互与试错持续学习。这一理念借鉴了人类婴儿的学习方式：通过抓握、推拉等动作积累关于重量、摩擦、材质的经验。然而，真实世界的探索成本高昂，机器人需在安全约束下完成学习。他山科技通过高频触觉感知与底层控制，为机器人提供了密集的物理反馈，使其在探索过程中能够实时调整行为，避免因异常碰撞导致损坏。
全栈布局为触觉技术企业构建了竞争壁垒，但也带来了更高挑战。芯片、传感器、数据、模型与应用分属不同产业领域，每一步拓展都需跨越技术、人才与商业化的多重门槛。更关键的是，基础设施的终极价值在于开放性与通用性。若每家企业都采用封闭系统，触觉技术将难以规模化普及。对他山科技而言，80%的市场份额仅是起点，其真正目标是将传感器优势转化为芯片、数据与模型的系统能力，最终成为行业共同依赖的“触觉底座”。当机器人学会像人类一样感知与理解物理世界时，触觉技术将不再局限于单一传感器，而是成为连接虚拟与现实的桥梁。
