研究解读 · 神机百见-具身解读

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」。

一分钟速览
  1. 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)。
  2. 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%。
  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)。
  4. 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。
  5. 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。
  6. 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。
数据来源与边界
主源为新浪财经 2026-11-17 转载的《国盛证券:物理 AI 两大趋势显现,触觉传感器及核心零部件迎成长机遇》(新浪财经 ↗ ),该文为国盛证券研报的公开摘要,三组实验数字(4 项/95%/+36.25pp、9 项/均优于基线、4 项/71.3%)与「从 VLA 走向 VTLA」的框架均出自此稿。素材时间窗为当日 09:00 → 19:00(2026-11-17),该稿由新浪财经在窗口内发布。 需要说明的是信源层级:这是一份券商研报的媒体摘要,不是论文原文,也不是研报全文。三家团队(帕西尼 × 复旦的 N-VTLA、ForeTac-VLA、SimpleTouch)的原始论文标题、发表时间、任务清单、基线配置本文均无法从该稿获得,因此凡涉及实验细节的部分只做口径层面的讨论,不复述具体任务。研报同时提及苹果 HALO、英伟达 GR00T 2、谷歌 Gemini Robotics 2.5 作为「巨头入局」的证据,这三项本号此前已分别写过(no.692 苹果 HALO、no.726 GR00T 2、相关 Gemini Robotics 2.5 稿件),本篇不重复其技术细节,只把它们当作研报框架的例证引用。 与本号既有解读的差异:no.764(11-15)写的是广东触觉模型 Touch-R1 与 132.3 万对数据,落点是「数据量而不是模型规模决定分数」;no.770(11-16)写的是灵巧手成本结构;no.761(大寰)写的是末端执行器出货。本篇的对象是一份卖方研报的口径结构——它怎么把三篇论文收敛成一个投资主题、收敛过程中丢了什么。这一层此前没有写过。 边界与不确定:①三家实验的任务清单、基线定义、评测协议均未公开,「4 项」「9 项」是研报给的规模数字,不含任务内容;②36.25 个百分点的对比基线是「纯视觉 VLA」,但具体是哪个模型、什么规模、有没有做同等调参,研报未交代——这直接影响该提升幅度的解释力;③95%、71.3% 均为「平均成功率」,未给方差与最差任务表现,平均值无法反映长尾;④研报对触觉传感器商业化的判断属于卖方观点,本文引用时明确标为研报观点而非既成事实;⑤「投资机会」相关表述本文一律不复述、不作评价,本号不做个股与板块推荐;⑥文中关于统计口径、分母代表性、产业增量位置的论述均为作者判断。版权与免责声明由模板自动附加。
本文事实信息来自上方标注的公开来源;解读、判断与延伸部分为作者个人见解,写作过程使用了 AI 工具辅助整理,已由作者人工核实,不代表信息来源方立场。如有雷同纯属巧合;如涉及版权或权益问题,请联系 shenjibailian@shenjibailian.com,我们将在核实后及时删除或更正。

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。

一、三组实验,两个只做了 4 项任务

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%
表注:任务规模与结果均据国盛证券研报公开摘要(新浪财经 2026-11-17 转载)。N-VTLA 一项未给具体提升幅度,只写「均优于对比基线」。抓取日期 2026-11-17。

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。

判断:这三组数字回答的是「触觉在接触任务上有没有用」,答案是明确的「有」。它们没有回答的是「触觉在真实产线的任务分布里值多少钱」——而这才是决定传感器出货量的那个问题。产线上大量工位是低接触的搬运与上下料,触觉在这些工位上不是增量,是成本。
二、那个没写出来的基线:58.75%

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。

同一批 4 项任务上的两种方案平均成功率,2026-11-17 研报口径
ForeTac-VLA(触觉)
95%
纯视觉 VLA 基线(自算)
58.75%
SimpleTouch(触觉)
71.3%
基线 58.75% 由 95%−36.25pp 反算,研报正文未直接给出该数。同为触觉方案,两个结果相差 23.7 个百分点
图注:第三条柱是同一个研究里的另一个触觉方案,它只做到 71.3%。三条柱放在一起,比单独看 95% 更能说明问题。

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。

判断:看到「提升 X 个百分点」这种表述,第一件该做的是把基线减出来。这是最便宜的一次核验,成本是一行减法,收益是知道这个提升值不值得引用。行业里大量传播的「提升 30 个百分点」经不起这一步——一减就发现基线只有二三十,那说明方法本身还没跑通,跟「提升」没关系。
三、23.7 个百分点的内部差异,比 36.25 更该被讨论

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。

判断:如果「触觉」是一味药,那它现在的剂量和配方都还没定。同样的硬件、同样的任务集,换个融合方式就能差出 20 多个点——这说明当前的瓶颈不在传感器有没有,在怎么把它接进策略里。对做本体和做集成的公司,这个结论比「触觉有用」实用得多:先别急着堆传感器数量,先把时序对齐和标定做扎实。
四、研报最靠谱的一句,其实不是百分数

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。

判断:但「需求刚性」不等于「生意好做」。触觉传感器现在的真实处境是:单价下不来、标定做不快、可靠性数据几乎没有。一台人形机器人装 5 个指尖传感器和装 50 个全身传感器,成本差一个数量级;而目前公开的实验里,绝大多数只用到了指尖或少数几个接触点。真正的量产拐点不在「触觉有没有用」被证明的那天,在「一只手的触觉 BOM 成本降到整机成本的 5% 以内」那天。
五、这份研报该怎么读

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。

判断:2026 年这一年的触觉叙事,正在从「有没有」转向「值不值」。研报里那三个百分数解决的是前一个问题,后一个问题的答案要等第一批装了触觉的量产机型跑满一年、把故障率和维护成本摊出来才会出现。在那之前,所有关于「触觉是下一个爆发点」的判断都还是推断。
信源:新浪财经 2026-11-17 转载《国盛证券:物理 AI 两大趋势显现,触觉传感器及核心零部件迎成长机遇》(新浪财经 ↗ ),系研报公开摘要,非论文原文或研报全文。三组实验的任务清单、基线模型、评测协议均未公开;58.75% 与 23.7pp 为作者按公开数字自算。研报中的投资相关表述本文未复述、未评价。