机器人距离真正可信，还缺一层触觉｜对话Xspark AI丁文伯

2016 年博士毕业时，丁文伯手握麻省理工学院和佐治亚理工学院的博士后机会。前者延续了他此前的通信研究，后者则指向跨度更大的柔性电子与电子皮肤。

此前，他已经在清华电子系做了多年通信、雷达与信号处理。选择麻省理工的方向，显然更加顺理成章。

但也是在那个阶段，他观察到，通信研究的重心正在越来越多地从学术界转向工业界；反观柔性电子领域，仍有许多基础问题亟待解决。反复权衡后，他最终选择了佐治亚理工学院，跟随王中林院士从零开始。

“很多人当时不太理解，为什么放弃排名更靠前的学校。”如今回头看，丁文伯说，这次选择也让他逐渐形成了一套自己的研究取向：先判断一个问题是否值得做，再去寻找解决它所需要的学科和工具，而不是顺着惯性一直往下走。

三年后，当丁文伯准备回清华任教时，他又做了一次类似的选择。

彼时，电子皮肤研究多聚焦于材料与器件，他却把目光投向了冷门的视触觉方向。在他看来，这一方向既能借力快速发展的计算机视觉和 AI 技术，也恰好能发挥他在材料、光学与信号处理上的交叉积累。

此后，他逐渐转向机器触觉，并将这些积累带入其中。团队后来开发出的多模态触觉传感器 SuperTac，能够融合多种信号，让机器人同时感知力、温度、材质和纹理等信息。但随着具身智能的发展，丁文伯开始意识到，传感器性能再强，也不等于机器人真正拥有触觉智能。他进一步追问：机器人如何真正理解触觉，并依靠它可信地完成精准操作？

他创立的无界智航（Xspark AI），为解决这个问题而生。

2025 年，作为清华大学长聘副教授的丁文伯，与前蔚来汽车自动驾驶核心高管熊祺、香港大学博士生陈天行共同创办 Xspark AI。他们将公司的定位放在“可信物理智能”上，希望机器人不仅能够完成任务，还要做到可预测、可验证、可控。

面向工业、商业场景，公司聚焦打造原生触觉多模态模型，提供可规模化落地的具身智能解决方案。目前，Xspark AI 拥有覆盖从触觉感知、数据、模型、评测、安全控制，到真实场景应用的完整能力体系。在中枢系统上，公司首创“慢脑 VLM—快脑 VTLA+TWAM—脊髓 VTA”三层协同架构，分别负责高层认知、物理执行及安全兜底。与此同时，Xspark AI 也在构建高质量、规模化 HumanTouch 触觉—视觉多模态数据集，通过人类自然操作，同步采集触觉、视觉和动作数据，为后续模型训练和真机部署提供数据基础。

但触觉仍然是一个很早期的领域。数据怎么定义、不同传感器的数据能不能复用、触觉应该以什么方式进入模型，目前都还没有统一答案。面对这些问题，丁文伯的态度很直接：“这事没人做，我也要去做。”

在采访中，他也多次提到行业协作的重要性，希望不同团队能够以更开放的方式共享数据、方法和基础设施，共同把触觉领域最基础、也最难的问题往前推进。

在这次对话中，我们从他如何进入机器触觉谈起，也试图回答一个更具体的问题：当机器人开始真正“摸到”物理世界，它距离可信地进入工厂、家庭和人的日常生活，还有多远？

以下是 DeepTech 和丁文伯的对话：

为什么是触觉？

DeepTech：你最初为什么会从通信、材料转向机器触觉？

丁文伯：我真正开始把机器触觉作为长期研究方向，大概是在 2018—2019 年。那时候这个领域还很小众，国内长期做机器触觉的团队可能只有 5—10 家，很多最基础的问题都还没有解决。

我当时有一个比较朴素的判断：如果机器人未来真的要进入真实世界，完成抓取、操作、装配这些任务，只靠视觉是不够的。视觉可以告诉机器人物体在哪里、长什么样，但一旦真正发生接触，物体有没有滑动、用了多大的力、材质和温度是什么，这些信息最终还是要靠触觉获得。这个问题在当时还没有今天这么受关注，但我觉得它是机器人往更复杂任务走时迟早要面对的一关。

所以这些年我基本完整经历了机器触觉几次比较明显的技术变化。最早大家主要关注传感器，讨论的是灵敏度、分辨率、模态数量，怎么让机器“摸得更准”。我们也沿着这个方向做了很多年，包括多光感视触觉传感器 SuperTac，希望在一些感知指标上接近甚至超过人类。

但到 2022—2023 年，我越来越明显地感觉到，单纯把传感器做得更强已经不够了。机器人能够测出一个力是多少牛，并不代表着它知道这个力代表什么，更不意味着它知道下一步应该怎么动作。于是问题开始从传感器转向数据和模型：怎样获得规模化、稳定的触觉数据，怎样让模型理解触觉，再怎样把触觉真正放进感知、决策和控制的闭环里。现在我们讨论“触觉智能”，关注的已经不只是让机器人“有感”，而是让它“有知”，并且能够据此行动。

我并不是因为具身智能热起来以后才进入触觉。恰好是因为做得比较早，也做了比较长时间，所以能够看到这个领域的核心问题怎样一步步从器件、数据走到智能。我认为具体的技术路线会不断变化，但核心的问题只有一个：机器人怎样才能真正理解并操作物理世界。

DeepTech：为什么触觉会成为具身智能的关键模态？它真正解决的是什么问题？

丁文伯：如果机器人只是做固定的自动化流水线，触觉未必是最核心的。但只要目标是类人的灵巧操作和真实交互，就很难绕开触觉。

视觉擅长提供全局信息，一张图里可以同时看到颜色、形状和空间关系；触觉更局部，但它发生在真实接触中。机器人抓住一个物体以后，有没有滑动、会不会掉落、力度是不是过大，这些问题很难只靠视觉解决。

其实工业机器人很早就有力控和力传感器，但传统力控更多解决的是“我施加了多大的力”，然后根据预设参数做调整。今天谈触觉智能，希望再往前走一步：机器人不仅知道力是多少，还要理解这个力意味着物体正在滑动、过于脆弱，还是需要改变抓取方式，并据此完成后续决策和行动。从“感知数值”到“理解含义”，这是两者很重要的区别。

所以对灵巧操作来说，触觉最重要的价值有两个：一是让操作更快、更准，二是提供安全保护。机器人要想进入真实世界，最终需要知道自己“摸到了什么”，以及接下来应该怎么反应。

DeepTech：你早期的通信、信号处理和材料背景，具体怎样影响了后来的触觉研究？

丁文伯：最大的影响，是我不会把触觉单纯看成一个传感器问题，或者一个算法问题，而会更习惯从整个感知链路去看它。

比如我过去做过光通信和多光谱信号处理，所以进入视触觉以后，会自然想到不同波段能不能带来更多信息。后来我们把紫外、可见光、近红外到中红外引入触觉感知，形成了 M³Tac、SuperTac 这样的多光谱路线。

SuperTac 又进一步把多光谱成像和电学感知结合起来，希望同时获得更丰富的接触信息和更快速的反馈。它将多光谱成像与摩擦电感知融合，用于同时感知力、温度、材质、纹理、滑动、接近等多种信息。

材料和柔性电子的经历，则让我会同时考虑器件、材料、电路和后端算法怎么配合，而不是只优化其中一个环节。机器触觉最终要装到机器人上，真正影响性能的不是某一个单项指标，而是整个系统能不能稳定、快速地形成反馈。

所以交叉背景对我最大的帮助，就是让我能够跨过不同学科之间的边界，从系统层面判断什么样的感知方式更适合机器人。

触觉智能的三道关：传感器、数据与模型

DeepTech：相比视觉和语言，触觉数据的规模化采集为什么更困难？多大规模才算真正意义上的“大数据”？

丁文伯：首先是传感器的一致性问题。无论是触觉手套还是视触觉传感器，即使采用同一设计，不同设备之间也会存在差异，使用时间长了还会出现磨损和漂移，需要持续校准。

第二是模态定义还不统一。触觉到底应该覆盖整个手掌，还是聚焦指尖？力、温度、纹理、滑动等信息里，哪些才是灵巧操作真正不可缺少的变量，目前还没有共识。

第三是表征问题。触觉信号应该以什么形式进入模型，也没有标准答案。常见做法是先转成图像或时序信号，再与视觉、语言对齐，但转换过程中也可能损失触觉本身的重要信息。

另一个现实问题是成本。视觉数据可以被动采集，触觉数据必须通过真实接触产生，每条数据背后都是一次物理交互，还涉及硬件、校准和磨损。不同传感器的原理和输出形式也不一样，数据很难像图像那样天然互通。

HumanTouch 其实就是针对这些问题做的一次工程化尝试。我们会持续校准和检查不同设备，并结合手部姿态、时间历史等信息判断真实接触；在采集上，则更多利用人手完成自然操作，同时同步记录触觉、动作和视觉数据。目前数据已累计超过 1,000 小时、覆盖 100 多项任务，首批公开子集约 100 小时。

图｜HumanTouch 千小时人类触觉数据集（来源：Xspark AI）

仿真和生成数据当然可以补充规模，但触觉涉及摩擦、形变、表面结构等复杂接触物理，sim-to-real 的难度仍明显高于视觉，因此真实接触数据很难被完全替代。

我坚信触觉领域存在 scaling law，但单纯增加数据量可能并不是关键突破口。更现实的路径，是一边扩大高质量数据规模，一边研究如何让模型从相对有限的触觉经验中获得更强的泛化能力。

DeepTech：目前触觉数采和模型最核心的卡点分别是什么？

丁文伯：数采端最核心的问题还是三件事：稳定性、均一性和定义不统一。

视觉至少已经有 RGB 这样相对统一的公共入口，触觉没有。视触觉、电子皮肤，不同厂商的信号形式都可能完全不同。

模型端的问题则是表征。触觉到底应该怎么与视觉结合？视觉是全局的，触觉却高度局部。你拍一张房间照片，可以同时看到桌子、椅子和人；触觉摸到的往往只是一个接触点，有点像“盲人摸象”。如果简单把触觉图像和视觉图像放在一起，触觉可能被视觉淹没；如果给触觉太高权重，又可能失去全局判断。

所以灵巧操作其实需要“胆大心细”：既有全局判断，也能在接触发生的一瞬间抓住局部信号。

DeepTech：你过去把机器触觉的发展分成几个阶段，从传感器，到数据和表征，再到更高层次的智能。走到第三阶段，你最想解决的核心问题是什么？

丁文伯：我真正想做的是一种原生的触觉智能。

人的触觉非常特别。它可以很慢，比如仔细分辨纹理、温度和材料；也可以非常快，比如杯子快掉下来时，手会立刻调整力量。很多这样的动作甚至不需要经过显性的思考。

这也是为什么我认为，触觉可能不能简单复制语言和视觉的发展路径。机器传感器可以很精确地告诉你用了多少牛的力，但人抓手机、抓鸡蛋时，根本不会先计算一个精确数值。可人依然比机器操作得更自然。这说明传感器指标更强，并不等于拥有触觉智能。

我们之前做 DOVE 触觉语言模型，其实就是在尝试跨过中间这一步：让机器不只得到一串触觉信号，而是能够进一步理解材质、温度、表面状态等语义，并把这些信息用于判断和行动。DOVE 大约有 8.5 亿参数，可以将 SuperTac 获得的触觉信号转换成语义描述。

再往后，系统可能需要进一步分层：复杂规划交给“慢脑”，运动协调交给“快脑”，触觉保护和快速反馈更多放在接近“脊髓反射”的一层完成。

如果触觉在关键时刻不再只是视觉模型的一个附加输入，而是能够独立判断和反应，我觉得才真正接近“触觉 3.0”。

短期内，我们当然可以固定机器人、传感器和任务，比如切豆腐、削水果，在明确边界里用 VLA 或 VTLA 把任务做出来。但那更多是阶段性路径，还不是我理解的终局触觉智能。

为什么机器人先要变得“可信”？

DeepTech：这些问题在实验室里也可以继续推进。为什么还要创业？

丁文伯：第一阶段的传感器工作做到一定程度后，我越来越明显地感受到实验室的边界。

传感器做出来以后，当然希望更多人真正用起来，但高校很难长期依靠学生手工制作、校准和交付。即使开源，别人也未必能够稳定复现，更谈不上规模化。到了数据扩展、系统验证和真实场景落地阶段，产业界在资金、人力、工程能力和持续交付上都有高校不具备的条件，公司会是更合适的载体。

后来创办 Xspark AI，我们一开始想做的也不只是把某一种触觉传感器商业化，而是希望把触觉、数据、模型和评测真正连起来，解决机器人进入真实世界以后能不能稳定、可信地工作的问题。

实验室仍然适合探索那些十年以后才可能有答案的问题，所以我也会把更前沿的触觉认知和计算架构研究留在高校。但一旦进入规模化数据、标准化硬件和持续工程投入，就需要另一套组织方式。

创业以后，我也重新理解了“落地”。过去做研究，容易一直盯着终局；但公司必须回答一个更现实的问题：今天有没有人愿意为这项技术买单？

每个人都有自己的“白月光”和星辰大海，但不能为了技术先进而“杀鸡用牛刀”。终局要看，中间也要“沿途下蛋”。前段时间我们去一家产业龙头的工厂，发现实验室积累多年的技术确实能够解决对方的具体问题。对我来说，这也是创业以后很重要的一课。

DeepTech：你们为什么会把“可信物理智能”放在核心位置？这里的“可信”具体指什么？

丁文伯：这个词其实和我们三位联合创始人的经历都有关。

熊祺长期做自动驾驶安全和量产交付，他最关心的是系统什么时候应该介入、什么时候应该退出，因为自动驾驶一旦不可信，后果就是直接的物理伤害。陈天行主要做仿真和评测，关注怎么证明一个模型到底行不行。我做触觉，关心的是物体到底抓没抓住、会不会掉，这是一种最直接的物理可信。

后来我们把“可信”概括成三件事：可预测、可验证、可追责。

可预测，是系统要有明确边界，不能突然做出不可控的动作；一旦超出边界，要能及时止损。可验证，是关键物理交互要有证据：接触在哪里、用了多大力、为什么成功、为什么失败。可追责，则是出了问题以后，能够判断到底是感知、决策、控制还是硬件执行出了偏差。

所以能力强，并不等于可以安全部署。机器人进入工厂和进入家庭，面对的是完全不同的安全门槛。尤其进入家庭以后，它可能接触老人、孩子和宠物，这时候“聪明”不是唯一标准，能不能被预测、验证和约束同样重要。

我们也提出过 T0—T5 的可信具身智能分级，希望先给行业一个可以讨论安全的共同尺度。它现在还不是认证标准，更像是抛砖引玉，但核心想法很简单：有些场景如果达不到足够的可信等级，就不应该进去。

（来源：XSpark AI）

DeepTech：触觉和“可信”之间是什么关系？为什么它会成为其中的关键一环？

丁文伯：触觉提供的是物理世界里的直接证据。视觉可以告诉机器人杯子在哪里、长什么样，但真正抓起来以后，杯子有没有滑、抓力够不够、是不是快掉了，这些事情最终要靠接触后的反馈确认。

所以触觉未必是机器人认识世界的第一环，却是物理交互里很重要的最后一环。视觉也许能解决前面 99% 的问题，触觉负责把最后几个“9”补上。

它还有一个很重要的作用，就是保护。人碰到尖锐或者高温物体会立刻缩手，这种反应不需要先经过复杂推理。机器人也需要类似的低延迟能力，在危险出现时及时介入和止损。

从这个角度看，触觉不只是“多加一个传感器”，而是可信物理交互的一部分。

DeepTech：你们为什么强调“原生触觉多模态模型”？它和把触觉直接接到现有 VLA 上有什么区别？

丁文伯：“原生”最核心的意思，是触觉信号怎么产生，要和模型最后怎么处理它相匹配，而不是先做出一个传感器，再把所有数据统一塞给现有模型。

比如，如果未来系统本身就是分层的，那么不同触觉信号也应该走不同路径。响应更快的电学信号，可以服务于类似“脊髓”或“快脑”的边缘计算，负责保护和快速反馈；信息更丰富但响应相对慢的光学信号，则可以进入更高层的认知与协调模块。

如果只是把触觉转成一张图，再交给视觉模型处理，短期当然很方便，因为现有框架不用大改。但视觉图像是全局信息，触觉往往只是一个局部接触点。把两者简单放在一起，触觉最关键的局部、快速信息很容易被视觉淹没。

所以灵巧操作其实需要“胆大心细”：既有全局判断，也能在接触发生的一瞬间抓住局部信号。我们希望从类人的计算逻辑出发，反过来定义传感器、信号处理和模型架构。短期内，我们当然也会适配现有 VLA，在具体场景里探索；但从终局看，触觉可能需要自己的表征、计算架构和独立能力。

从“把触觉做好”到“让触觉进入智能”

DeepTech：市面上已经有不少专做机器触觉的企业。Xspark AI 和它们相比，最大的不同是什么？

丁文伯：我们不把自己定义成一家单纯做触觉传感器，或者只做触觉算法的公司。更准确地说，我们希望做触觉智能的解决方案，为市场提供一套拥有完整能力的具身智能体。为此，公司打造了覆盖传感、数据、模型、评测、本体的全栈能力。我们所构建的全套能力，均是从最终的物理交互需求出发，理解这些环节之间怎样彼此制约、怎样一起工作。

我们当然会关注 Figure AI、Physical Intelligence 这样的国际公司，Xspark AI 的出发点是触觉和可信，长远看，希望能助力中国具身智能率先实现真正可信的机器人能力与服务。

DeepTech：从传感器、数据到模型和评测，这条链路很长。为什么一家初创公司会选择同时投入这些环节？

丁文伯：我们做“全链路”, 不是为了做而做，而是想解决一个最难的问题：机器人怎样才能像人一样完成通用的灵巧操作。

只要任务足够固定，工程师总能想办法把某个指标做到很高；但如果目标是通用操作，就不能永远依赖任务特定的折中。模型会遇到数据瓶颈，数据又会暴露传感器的问题，传感器、数据和模型打通以后，还必须进入真实场景验证。很多时候，不是我们主动想把链条做长，而是问题本身会一步步把你推到下一个环节。我们需要正视的现实是，通用的具身智能可能是人类有史以来最为复杂的“终极产品”，它的实现是一个长期、复杂的系统工程，需要扎实去走好每一步，而不是依靠某一个天才开金手指。

DeepTech：接下来，你们会优先推进哪些工作？

丁文伯：原生多模态触觉模型 Spark-0 是我们的“主任务线”，近期会有非常不错阶段性成果，我们的团队非常有信心。应用上，我们坚信好的模型和人类一样，在“干中学”对于迭代至关重要，团队已经在和场景方合作，把基于触觉的“轻智能”放进具体物理交互里。

数据层面，为有力支撑模型迭代，我们会继续扩大触觉数据的规模和覆盖范围，但目标不只是“更大”，还包括一致性、可解释性和行业可用性。HumanTouch 上线不到半个月时，下载量超 200 万次，可以看到，行业对高质量触觉数据的需求很强。下一步除了扩大规模，还要解决任务覆盖、硬件一致性、标注质量，以及不同传感器之间的映射。只有这些问题一起改善，数据才不只是“多”，而是真正能够拿来训练和比较模型。

DeepTech：如果把时间再拉长一些，你现在最想继续追问、但还没有答案的问题是什么？

丁文伯：我最想继续问的是：当机器人真正拥有和人一样细腻的触感能力以后，会不会出现一种新的智能形态？

传感器在某些指标上超过人，其实并没有那么难。计算机视觉已经证明，人眼能分辨的东西，机器可以分辨；人眼分辨不了的东西，机器也可能分辨。但“指标超过人”和“真正拥有人类的能力”完全是两回事。到今天，人在复杂灵巧操作上依然是最高效、最自然的系统之一。

所以我会继续想，未来机器人一定要变成类人形态吗？还是会出现更适合机器自身感知和行动方式的身体？如果它拥有比人更丰富的触觉，也能熟练使用工具，那么它最终会以什么方式理解和改变物理世界？

这些问题现在还没有答案。它们最开始可能只是一个工程问题，但继续往下追，最后往往会走到认知，甚至哲学层面。

对我来说，这可能也是机器触觉最有意思的地方：我们最初是在研究机器怎样触摸世界，最后问的却是机器会因此怎样理解世界。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成