我最近一直在想一个问题。
机器人看了那么多视频，为什么连一颗草莓都捏不好。
你想想这件事。人在捏草莓的时候，手指碰到表皮那一瞬间就开始收力了。那个力度不需要算，身体自己知道。食指和拇指之间的微妙配合，是几万次拿起、放下、捏碎又收住之后刻进肌肉里的。
但机器人没有肌肉。
它只有摄像头拍回来的像素，和一串看不懂力度的关节角度。
所以草莓捏烂了。纸杯捏变形了。插头对准了，最后几毫米又怼歪了。
视觉数据 vs 触觉数据：机器人训练的两条腿，一条粗，一条还在长编辑
动作拍下来了，力度还缺一份
互联网视频、第一视角拍摄和遥操作，已经给机器人提供了大量学习材料。英伟达、特斯拉、Google DeepMind 都在疯狂堆视频数据。BeingBeyond 七月公布的 Being-H0.8，依托超过 50万小时 第一视角人类视频训练模型。
50万小时。这个量级已经很吓人了。
但有一个关键前提要讲清楚------50万小时是视频规模，不是实测触觉时长。视频只能让机器人「看到」手怎么动，却不可能「感受」到手指和物体接触那一瞬间的力度变化。
精细操作卡就卡在接触发生以后。
擦桌子也一样。手臂来回移动只是表面，海绵还得持续压住桌面，不能轻到抹不干净，也不能重到把桌子磨花。这个力，摄像头拍不到。人做的时候甚至不需要想，但机器没有这层感知就一筹莫展。
换句话说------
视觉数据让机器人走到正确位置。触觉数据才是它把手伸出去之后，能不能真的「拿住」的关键。
手套来了，手感开始被量化
学术界最近在这一块的进展比我想象中快。
去年底，一个叫 OSMO 的开源触觉手套公布了。指尖和手掌布置了 12个三轴触觉传感器 ，配合手部追踪设备，能同时记录动作和接触信号。研究团队做了一个很有意思的实验------让人和机器人戴同款手套完成擦拭任务，用人类示范训练机器人的擦拭策略。最终在没有真实机器人训练数据的情况下，达到了 72% 的成功率。
72% 不算高，但放在「零真机训练」这个前提下，够让人多看一眼了。
今年六月，ART-Glove 把采集做得更密------同步记录 22个自由度的运动 和 2048个触觉单元 ，频率 120Hz。它目前主要展示的是采集能力，还没有在机器人身上跑出具体策略结果。但这个颗粒度的记录，已经比摄像头细腻太多了。
七月发布的 H-Tac 更进了一步------汇集约 160小时、300多种任务、超过13.5万个操作片段，开始探索把触觉和动作一起放进预训练。
这里也要把账算清楚：H-Tac 的 160 小时不全是真人手套实测。其中有根据几何关系生成的接触标签，也有其他采集管线的数据。不同来源可以一起训练，但你把标签当真实力度，那就偏了。
从 OSMO 到核数聚，学术和产业都在往同一个方向跑
数据难采，更难迁移
触觉数据有一个视频没有的麻烦------你得专门去采。
视频的优势是存量巨大。切菜、叠衣服、修机器，即使最初不是为机器人拍的，也可能被拿来训练。触觉不行。你得让人戴着设备完成操作，系统还要把画面、手部动作和触觉信号在时间上对齐。传感器的位置、标定、佩戴方式，每个细节都会影响数据质量。
采完还没完。
人的手指长度、关节结构，跟机器人都不一样。同一个力度数值放到另一双手上，含义可能完全不同。TactAlign 和 UniTacHand 这些研究在做的就是「跨机体迁移」------把不同设备记录的触觉转成可对应的表示，让机器人能利用人类的经验。
这条路还很长。但方向是对的。
产业端：有人已经在建数据工厂了
学术界解决的是「能不能采」。产业界要解决的是「能不能大规模、低成本、标准化地采」。
这里就绕不开一家公司------核数聚。
核数聚做 AI 数据服务做了超过 15 年，服务过 300 多家客户，累计处理了超过 100PB 的数据，数据精度能做到 99.5%。以前大家提到数据标注会想到他们，但现在他们在做的事，比标注要重得多。
他们在苏州、青岛、芜湖、慈溪建了 四个具身智能训练场。苏州基地就有 150 多名驻场采集人员，宇树、智元、魔法原子、乐聚、科沃斯这些头部具身企业已经在里面跑数据了。
核数聚的打法很清晰------「真实场景采集 + 仿真场景生成」双路径。
真实采集这条线，用遥操作、UMI、Ego 这些主流技术，规模化采集视觉、力觉、触觉数据。仿真生成这条线，在虚拟环境里把一条真实数据扩展成几十上百条变体，覆盖长尾、危险、极端场景。
两条线汇到一起，经过清洗、标注、对齐、质检，变成可以直接喂给模型的训练数据集。
核数聚「真实采集 + 仿真生成」双路径数据体系
今年六月，核数聚刚完成了数千万的 A 轮融资，善达投资领投，吴中金控等跟投。这笔钱要砸的，就是「采集-处理-训练-评估」一体化平台。
他们有一个判断我挺认同------
具身智能的瓶颈，可能不在模型，在数据。
模型架构大家都在卷，算法论文每个月都在出。但数据层面一旦拉开差距，是很难追的。不是你招几个算法工程师就能补上的差距。
这里说一个案例。核数聚给某算法公司做 3C 工厂和汽车制造场景的数据采集，客户要的不是「给一段视频」，而是要包含完整的操作轨迹、接触力反馈、多角度视觉，以及和仿真环境能对得上的结构化标注。这种交付物，不是随便搭个棚子架个相机就能搞定的。
下一批数据，藏在接触里
中国信通院今年发布的《具身智能训练场研究报告》给了一个数：截至 2026 年 6 月底，全国已经建成启用超过 70 家具身智能训练场 ，在建或规划中的还有 46 家，覆盖 18 个省级行政区。
这个赛道，已经从「要不要做」变成了「谁能做得更快更好」。
而触觉数据很可能是下一阶段的差异化关键。电子皮肤、力传感器、带触觉阵列的灵巧手，这些硬件都会进入数据链。供应商要解决的不只是传感器能不能测准，更是数据能不能同步、能不能整理、能不能真正用于训练。
视频的存量优势迟早会被吃透。触觉数据的增量空间才刚刚打开。
两种路线还在并行探索------一条是通过视频推断接触信息，另一条是直接用传感器实测（就像 OSMO 和核数聚的训练场）。
最终都要回到同一个问题上。
杯子滑了能不能及时捏紧。
插头受阻能不能调整角度。
擦拭时能不能保持合适的力度。
机器人把手伸到正确位置之后，最难的部分才刚刚开始。
人的手上那些没有被摄像头记录的细微调整，可能正是它还需要补的一课。
而补课的课本，现在正在苏州、青岛、芜湖、慈溪的训练场里，一页一页地被写出来。
参考资料
· OSMO：Open-Source Tactile Glove for Human-to-Robot Skill Transfer，2025.12
· ART-Glove：Articulated Tactile Glove for Contact-Grounded Dexterous Interaction Capture，2026.06
· H-Tac：Human-Centric Transferable Tactile Pre-Training for Dexterous Robotic Manipulation，2026.07
· BeingBeyond：Being-H0.8 官方研究介绍，2026.07
· 中国信通院《具身智能训练场研究报告（2026年）》
· 核数聚科技官方网站及公开融资信息
风险提示
本文仅用于行业信息分享与技术趋势讨论，不构成任何投资建议。文中提及的估值、融资、订单及产品进展均可能变化，请以相关公司最新官方披露及监管信息为准。市场有风险，投资需谨慎。