触觉替代不了视觉，但机器人需要一套自己的"脊髓"

2026 年 7 月 10 日，Xspark AI（无界智航）关账了一笔近亿元人民币（按近期汇率约 1,400 万美元）的天使轮，由鼎晖 VGC、初心资本、无限基金联合领投 (雷峰网 左林右狸 专栏，李秋月 / 吴桐, 新浪财经, 腾讯新闻, PEdaily)。这家公司把“触觉不能直接塞进视觉大模型”这一克制判断，做成了自己全部的工程方向 (公司目录)。

Xspark AI 联合创始人、首席科学家、清华副教授丁文伯的判断是：过去两年业界堆规模的视觉-语言-动作模型（VLA）路线，已经把机器人感知里大约 99% 的部分解决——这是他给出的估计，不是独立基准测试 (对话原文)。剩下 1%——滑落、碰撞、失衡——发生在毫秒级，需要的不是更大的模型，而是一套贴近身体的低延迟反射层。

他把这套架构拆成三段。“慢脑”是一颗视觉-语言模型（VLM），负责语义理解和任务规划；“快脑”是 VTLA+TWAM，把视觉、触觉、语言、动作融合进长程灵巧操作；最底下的“脊髓” VTA 是一套低延迟的本地触觉反射，负责滑落、碰撞、安全 (对话原文)。他用的关键说法是：同一个触觉信号，在快脑里是“做得更好”，在脊髓里是“来得及反应”——同一份传感数据被两套逻辑同时使用，而不是把触觉硬塞进视觉大模型里。

这条判断的工程含义是“同信号双角色”，它的来源是丁文伯自己的研究路径。本科学材料、博士读通信、博士后转向机器触觉，2019 年回国后在清华搭建 SSR 实验室（sensor / soft robotics），最初做传感器硬件，后来把整个实验室从纯硬件转向具身智能 (对话里)。他明确否认 Xspark AI 是“传感器公司”，给出的说法是“更好的传感器并不会自动得到更聪明的机器人”。换句话说，触觉这件事的关键不在硬件本身，而在硬件之上是否有一套与视觉大模型并行、而非嵌套的智能形态。

丁文伯自己也保留了诚实的余地。他承认目前并没有成熟的“触觉大模型”，长期才倾向于“触觉会形成自己的模型和逻辑” (对话)。眼下他给的折中路径是：先把一个多模态触觉传感器做好，再与现有模型融合，把专门的触觉预训练放在灵巧操作的“后训练 / 动作纠错”环节。他同时列出了三个 2-3 到 5 年内必须解决、但仍未解决的开放问题：跨传感器、跨模态、跨本体的触觉表征/嵌入——也就是不同厂家、不同物理量的力、温度、剪切、振动信号，是否能映射到同一套硬件无关的通用表征上 (对话)。

这正是这条路线最薄的一环。视觉在 ImageNet、视频、机器人轨迹上吃到了互联网级别的数据红利；触觉没有这个语料，分布还会随操作员、传感器、本体漂移。即便在同一批传感器之间，“跨传感器一致性仍然很差”，目前还无法像 VLA 那样把训练好的模型直接迁移到一个新的手指上去。这条路线要成立，跨传感器、跨模态、跨本体的通用表征是必须先解决的前置条件。

反方条件也是清晰的。如果 VLA 规模的算力和数据最终把接触瞬间的反应问题也吃下去，触觉在通用模型里就只是一位被动通道；如果跨传感器表征始终无法收敛，“脊髓”就只是过渡件，不会长成下一个平台层。丁文伯押的，是前一条路要花的时间比想象更长、后一条路会比想象更早收敛。

公司下一步的观察点有三个：跨传感器一致性能否在 12-18 个月内做到“同一批内可用”；触觉原生预训练是否能跑出第一版相对独立的小模型；以及灵巧操作里的“后训练 / 动作纠错”环节，是否能成为触觉相对 VLA 真正拉开差距的位置。