95%、+36.25 个百分点、71.3%:一份券商研报里的触觉证据,全部落在 4 项任务上
95% 的成功率减去 36.25 个百分点,纯视觉基线是 58.75%——这个数研报里没写,但是最关键的。三个触觉实验里两个只做了 4 项任务,另一个做了 9 项。被验证的不是「触觉有用」,是「在这几个特定接触任务上、对这个特定基线,触觉有用」。
- 研报:2026-11-17 国盛证券发布物理 AI 专题研报,提出两大趋势——① 科技巨头加速入局推动具身模型普惠,竞争重心向本体与软硬件协同转移;② 训练范式从视觉主导的 VLA 走向融合触觉的多模态模型(VTLA)。
- 三个数:ForeTac-VLA 在 4 项真实接触操作任务上平均成功率 95%,较纯视觉 VLA 提升 36.25 个百分点;N-VTLA(帕西尼 × 复旦)在 9 项真实操作任务上均优于对比基线;SimpleTouch 在 4 项任务上 71.3%。
- 反算:95% − 36.25pp = 58.75%——纯视觉基线的水平可以从这两个数直接推出来,而研报正文没有给这个基线数字(自算)。
- 反差:两个触觉方案之间差 23.7 个百分点(95% 对 71.3%),只比「触觉对纯视觉」的 36.25pp 小一档。这说明「触觉」不是一个同质变量,加法不同,结果差得很远。
- 判断一:被验证的不是「触觉有用」,是「在这 4 项特定接触任务上、对这个特定基线,触觉有用」。把 4 项任务的成功率换算成行业结论,中间缺的是分母。
- 判断二:研报真正的价值不在那三个百分数,在它指出的方向——增量在数据入口(电子皮肤、多维力传感器、采集系统),不在模型层。这条判断比成功率数字可靠得多。
先把这份研报的两个判断摆出来,再拆它的证据。
国盛证券 11 月 17 日的这份物理 AI 专题,提了两条趋势。第一条是产业格局的:苹果、英伟达、谷歌这些巨头持续入局,推动具身模型能力提升、技术门槛下降,机器人厂商的竞争优势会逐步从「有没有模型」转向「本体做得好不好、软硬件协同行不行」。
第二条是技术路线的:主流的 VLA 模型主要靠视觉信息生成动作,难以直接感知接触力、摩擦、滑移这些物理状态,因此在精密装配、柔性物体操作这类高接触任务上泛化能力受限;行业正在从 VLA 走向融合视觉、触觉、语言与动作的 VTLA。
这两条都不新鲜,但放在一起有个隐含意思:如果模型能力会普惠,那模型层就不该是投资的主战场;真正稀缺的是本体上那些「模型拿不到的东西」——触觉就是其中最典型的一项。
这个推理链条是通的。问题出在它用来支撑链条的那几个数字上。
研报给了三组触觉实验的证据,摊开是这样:
| 方案 | 做法 | 任务规模 | 结果 |
|---|---|---|---|
| N-VTLA(帕西尼 × 复旦) | 视觉+触觉+语言+动作融合 | 9 项真实操作任务 | 均优于对比基线(未给具体分值) |
| ForeTac-VLA | 预测未来触觉状态 | 4 项真实接触操作任务 | 平均成功率 95%,较纯视觉 VLA 提升 36.25 个百分点 |
| SimpleTouch | 引入触觉专家模块 | 4 项真实机器人任务 | 平均成功率 71.3% |
三个方案,两个只做了 4 项任务。这不是批评——学术上 4 项任务做出显著性差异已经可以发论文,机器人操作实验的成本也确实高,每加一项任务就是一轮真机调试。
但把它当成行业结论来用时,4 项和 40 项是两个意思。4 项任务大概率集中在「接触密集」的场景(插拔、装配、柔性物体),这些恰好是触觉最占便宜的场合;一旦把任务集扩到开门、搬箱、递物这类低接触任务,触觉的边际贡献会掉得很快。
三个数字里最有信息量的是 ForeTac-VLA 那一组:平均成功率 95%,较纯视觉 VLA 提升 36.25 个百分点。
两个数一减,基线就出来了:95 − 36.25 = 58.75%(自算)。也就是说,同一批任务上,纯视觉的方案大概能做到六成左右。
58.75% 这个基线意味着什么?意味着那 4 项任务是纯视觉确实做不好、但也不是完全做不了的难度档位。这是最有利于展示触觉价值的档位——如果基线是 95%,触觉加上去没有空间;如果基线是 5%,说明任务根本不成立。六成上下,正好是「加一个模态就能拉开差距」的位置。
研报没有给这个基线,也很正常:研报要讲的是趋势,不是方法学。但对读的人来说,缺了分母,36.25 个百分点就是一个无法被定位的绝对值——它可能是从 58.75 到 95,也可能是从 20 到 56.25,后者的意义完全不同。
把第三个数字放进来,事情变得更有意思。
SimpleTouch 是另一个触觉方案——引入触觉专家模块,在 4 项真实机器人任务上做到 71.3%。它和 ForeTac-VLA 的 95% 之间差 23.7 个百分点。
两个都是「加了触觉」,差距却有 23.7 个点,只比「触觉对纯视觉」的 36.25 小一档。这个对比的价值在于它拆掉了一个隐含假设:「触觉」不是一个同质变量。
为什么差这么多?从研报给的描述能看出分工不同:ForeTac-VLA 做的是「预测未来触觉状态」——把触觉当成一个可以提前推断的时序信号,在接触发生之前就调整动作;SimpleTouch 做的是「引入触觉专家模块」——把触觉当成一个额外的输入分支,做特征融合。前者改的是决策时序,后者改的是输入结构。
这两种加法在工程上的代价也不一样。预测未来触觉状态需要触觉序列的时序建模,对传感器采样率、标定一致性要求更高;特征融合相对好实现,但对「接触瞬间」这类短时事件不够敏感。
通篇读下来,最有分量的一句是产业侧的:研报指出,随着触觉感知与模型训练深度融合,柔性电子皮肤、多维力传感器及触觉数据采集系统的需求有望持续释放。
这句话之所以比成功率数字可靠,是因为它不依赖任何一组实验的具体结果。逻辑很简单:
第一,触觉数据没法从互联网上扒。视觉和语言有多年的公开语料,触觉没有。要训 VTLA,就得有人去采触觉数据,而采集必须有硬件——传感器、采集板、标定流程,一样都不能少。
第二,触觉数据是「本体绑定」的。一只手的触觉分布换到另一只手上就不成立,传感器装的位置、数量、量程都变了。这意味着每换一个本体,数据要重采一遍——需求是随本体出货量线性增长的。
第三,触觉是少数几个「加了就一定能测出差别」的模态。视觉的边际收益已经在递减(分辨率早就够了),触觉还处在从无到有的阶段。任何一个做精密操作的团队,装上触觉之后都能观察到变化——哪怕最后发现 20 个百分点里有一半来自重新调参。
这三点加起来,指向的是同一件事:不管模型层怎么演进,触觉这条链上的硬件需求是刚性的。这也是为什么研报把投资落点放在「传感器与采集系统」而不是「模型」——模型会开源、会普惠,传感器不会。
把它当趋势判断读,它有价值:VLA 到 VTLA 的方向、竞争重心从模型转向本体的判断、触觉硬件需求刚性这三条,都是站得住的。
把它当证据链读,它不够:三组实验、两组只有 4 项任务、基线未披露、平均成功率没有方差、三家方案之间差 23.7 个百分点却并列陈述。这些都是媒体摘要的常态,也是研报体裁的限制——它要的是「趋势成立」,不是「结论可复现」。
对做技术的人,正确的用法是:把研报当索引,不当结论。看到「95%/+36.25pp」就去把原始论文找出来,看任务清单、看基线配置、看有没有做同等调参、看最差的那项任务是多少分。这四个问题回答完,才知道这个结果能不能迁移到自己的场景。
对做产品的人,正确的用法更简单:别问「触觉有没有用」,问「我的场景里有多少比例的工位需要力反馈」。装配、插拔、柔性物体、精密打磨——这些需要;搬运、上下料、巡检、导览——这些不需要。前者的比例,决定了该不该为触觉付钱,而不是行业趋势决定。