让机器人学会“摸”世界，戴盟抓住了具身智能的新入口

【摘要】今年6月，维也纳的ICRA会场上（ICRA是机器人与自动化领域公认的顶级国际学术会议，亦被称作机器人界的奥斯卡），“视触觉”这个关键词被推到了更靠前的位置。

行业开始讨论一个更贴近落地的问题：机器人怎样在真实物理世界里，把一个动作稳定做完？

这件事放到工厂、仓储、家庭等场景里，就很具体。

机器人可以看见一个杯子，却未必知道杯壁有多滑；可以定位一个插孔，却未必能判断插入时有没有卡住；可以识别一枚鸡蛋，却未必知道再多一点力会不会捏碎。

具身智能正在从“看见世界”走向“接触世界”。视觉让机器人知道“在哪里”“是什么”；触觉则让机器人在抓取、插拔、装配等任务中多了一条反馈回路。

在这条路线里，戴盟机器人是一个值得观察的公司。4月，戴盟发布Daimon-Infinity；6月，与中国移动启动“数采进家庭”网络建设。

8 月 10 日，戴盟机器人正式发布全球首个触觉锚定世界模型 Daimon-TWM（Tactile-grounded World Model），首次将物理认知、推演决策与瞬时操控纳入统一模型框架，打造驱动机器人灵巧操作的“物理交互脑”。展现出在复杂场景下的操作稳定能力与泛化能力，并呈现持续 scaling 的趋势与跨场景、跨本体的应用潜能。

围绕感知、数据、模型的全链路闭环，戴盟正在尝试把“接触感知”从单点硬件能力，推进为面向具身智能、智慧物流、智能制造、智慧服务等场景的系统化解决方案。

以下为正文：

01

具身智能开始补上“接触”这一环

今年ICRA（国际机器人与自动化会议）上，机器人行业讨论的焦点开始下沉。大模型重要，本体形态也重要。但当机器人真正走进工厂、仓库、实验室和家庭时，问题常常出现在“最后几厘米”。

比如3C装配。

插接线束、对准孔位、按压小型零部件，看起来只是几毫米的动作。但当前机器人却很难判断插入力是不是过大、零件有没有歪。

比如物流分拣。

硬盒、软包、异形件、易碎品混在一起，夹爪不能只知道物体在哪里，还要知道物体有没有滑、表面是硬是软。

实验室自动化也是类似问题。

试管、样本、试剂瓶都需要精细操作。机器人需要拿得准，也需要拿得稳。接触过程中的轻微变化，都会影响任务安全性。

这些场景导向一个结论：机器人的视触觉能力至关重要。

具体而言，视触觉传感器通过摄像头捕捉弹性接触表面与物体交互时产生的微观形变，进而转换为高分辨率视觉信号，实现对法向力、剪切力、物体位姿等多维触觉信息的同步感知。

在学界看来，体积、寿命和算力，是视触觉技术走向工程应用无法回避的三大考验。但对业界而言，尽管该技术仍存在显著的理论瓶颈，产业化落地却已然稳步推进。

海外最典型的是GelSight和Meta AI。2024年，Meta AI推出Digit 360，把触觉传感器做成类指尖形态，用于触觉感知研究；同时推出Digit Plexus，试图把不同触觉传感器接入同一只机器人手，统一做数据采集、控制和分析。

国内路线也在快速分化。

帕西尼走的是6D霍尔阵列式多维触觉路线，围绕传感器、灵巧手和人形机器人形成产品矩阵。

戴盟机器人，一家以“视触觉传感”为切口的具身智能公司，则围绕“机器人如何获得接触感知、如何采集接触数据、如何训练接触能力”这三个问题，搭建了一条从硬件到数据、再到模型的产品链路。

值得一提的是，5月，高盛分析师Jacqueline Du带队密集走访了14家中国机器人公司，戴盟是其中触觉细分赛道的代表企业之一。不仅如此，汇川、联想、招商局等高端制造巨头，以及中国移动、中国电信两大运营商都在重金押注戴盟。

其中汇川产投是首次投资具身智能赛道，而中国三大基础电信运营商中有两家相继押注同一家具身智能企业，在整个赛道极为罕见。

产业资本的钱向来比VC更难拿，但如今行业已达成共识，没有触觉，机器人无法真正下场干活，而戴盟的技术路线，正是针对这些行业痛点给出的解法。

02

行业三大考验，戴盟如何应对？

面对体积、寿命和算力这三道关口，戴盟是如何应对的？

第一道关，是体积。

视触觉传感器由弹性接触层、光学结构、摄像头、照明模块和信号处理单元共同组成。早期方案往往体积偏大，很难嵌入灵巧手指尖、夹爪内侧等狭小位置。

戴盟的应对方式，是把触觉能力拆成不同尺寸和形态的产品。比如DM-Tac X把尺寸压缩到更适合末端集成的形态。再往后，传感器被嵌入DM-Tac G这样的视触觉夹爪中，进入抓取、搬运、分拣、插拔和装配等任务链条。

第二道关，是寿命。

触觉传感器必须和真实世界反复接触。它要碰硬物、软包、金属件、塑料件，也可能遇到灰尘、液体、摩擦和冲击。这是戴盟强调工业级设计的原因之一。

以DM-Tac W2为例，其具备120Hz采样频率、640×480摄像头分辨率、384×288感知分辨率，以及IP67防护等级。这些参数对应的是机器人在真实任务里的几项基本需求：反应要快，细节要看得清，接触变化要捕捉得到，同时还要扛得住灰尘、液体和反复摩擦。

第三道关，是算力。

视触觉传感器交付给机器人的，通常是一段连续的图像。抓取时的受力变化，按压时的形变程度，物体开始滑动前的一点细微偏移，都会变成一帧帧图像数据。数据越细，机器人看到的接触过程越完整，但系统要处理的信息量也越大。

然而，真实操作没有太多等待时间。夹爪已经碰到物体，下一步是继续用力、减小力度，还是调整角度，往往需要马上判断。如果触觉数据只能事后分析，就很难进入控制闭环。

戴盟的做法，是把算力问题放到系统层解决。一方面，它用DM-DataMaster做遥操作和数据采集，让触觉数据能够被标准化沉淀；另一方面，又推出端侧AI计算平台DM-Flux，用来承接多路触觉传感器和末端执行器的数据处理需求。

例如在极度依赖物理互动的插孔（Peg-in-the-hole）任务中，无触觉系统的成功率仅为13%，而戴盟的系统一举将成功率提升至86%。这就是“进厂干活”的底气。

解决了这三道难关，戴盟的产品矩阵也开始从单点能力，走向更完整的系统链路。

03

戴盟的两层逻辑

从公开产品线看，戴盟的核心能力大致可以拆成三块：多维触觉感知系统、感知数据采集矩阵与处理管线，以及具身智能操作大模型。

对应到产品上，包括视触觉传感器DM-Tac W2、DM-Tac X、DM-Tac F；视触觉夹爪DM-Tac G；全新一代遥操作数采系统DM-DataMaster；含触觉的具身操作大模型Daimon One；以及端侧AI计算平台DM-Flux。

这套组合背后的链路是：先用传感器捕捉接触信息，再把传感器嵌入夹爪和执行机构，让触觉进入真实任务；随后通过遥操作和数采系统沉淀高质量交互数据，最终将这些数据用于训练和评估具身操作模型。

戴盟机器人的第一层逻辑，就是把触觉入口做成可用的产品矩阵。

起点是传感器。

以DM-Tac W2为例，它的采样频率为120Hz，摄像头分辨率为640×480，传感分辨率为384×288，防护等级达到IP67。对机器人末端来说，这些指标指向的是更高频、更细腻、更适合真实任务的接触反馈。

图片来源：戴盟机器人

再下一步，是把传感器放进可执行任务的末端机构里。

如DM-Tac G视触觉夹爪，其能够在抓取、搬运、分拣、插拔、装配过程中，持续感知物体表面、形变、滑移和接触状态。

这一步很关键。因为对具身智能来说，触觉硬件的价值在于它能不能进入真实任务链条。只有进入任务链条，触觉才会从单次感知变成连续反馈；只有反馈被持续采集，数据才会沉淀下来；只有数据足够多、足够真实，模型能力才有机会往前滚。

图片来源：戴盟机器人

由此，我们可以进入戴盟的第二层逻辑：让触觉数据流动起来。

2026年4月，戴盟联合多家学术机构与企业发布了一个大型含触觉全模态物理世界数据集Daimon-Infinity。

这个数据集采用高度标准化的数据格式，不依赖特定机器人构型，可适配多种机器人本体。据悉，Daimon-Infinity计划在年内将该数据集的规模扩展至数百万小时（包含近十亿条具身数据）。

到6月11日，戴盟又和中国移动启动全球首个“具身数采5S店”。首个外发式数采联合创新试点基地在湖南郴州落成，计划于7月15日开启常态化运营。

“5S”，Show是展示，School是培训，Supply是设备供给，Service是服务支持，Synergy是数据、模型和场景协同。用户在营业厅接受培训、领取设备，再回到真实家庭场景中完成操作数据采集。

戴盟与中国移动、中国电信等产投方深度合作，借助其C端渠道搭建全球最大的外发式无本体数据采集生态。将运营商数十万线下营业厅升级为“具身数据采集 5S 店”，创新打造“即领、即学、即用”的轻资产、可规模化复制的数采新模式，有着不俗的商业想象力。

图片来源：戴盟机器人

在这个过程中，数据生产的场景由封闭走向开放。

过去，机器人数据更多来自实验室、示范产线或封闭式数据工厂。这样的数据更可控，但也更容易同质化。相比之下，家庭场景则充满不确定性。厨房里的杯子、客厅里的遥控器、抽屉里的小物件等，都难以被标准化。

但对于具身模型来说，这些“麻烦”也恰恰构成了最需要学习的真实世界。

数据采回来之后，问题就变成了：这些触觉数据如何真正转化为机器人的操作能力？这就指向戴盟的模型层。

Daimon One被定义为含触觉的操作模型。相较VLA（视觉、语言和动作），VTLA进一步把Tactile加入其中。

这里可以打个比方。只看做菜视频的人，知道刀该怎么切、锅该怎么翻，但他不知道面团揉到什么程度才算劲道。

触觉数据就是让模型接触到这部分经验。它不只学习动作长什么样，也开始学习动作发生后的物理反馈。

ICRA期间，戴盟还和银河通用发布了RobOmni。这是一套聚焦物理交互能力、融合触觉信息的全模态评测体系，目标是为触觉感知与灵巧操作提供可比较、可复现、可扩展的验证入口。

图片来源：戴盟机器人

到这里，戴盟的路线就比较完整了。

先做视触觉硬件，让机器人末端获得接触感知；再做夹爪和数采系统，把触觉放进真实任务；接着做外发式数据网络，让真实世界数据持续流入；最后用操作模型和评测基准，把数据转化成可验证的能力。

04

芯流视角

具身智能的故事，正在从大模型参数、本体形态，走向更细、更难、也更接近商业化的环节。

工厂、仓库、家庭里的任务，往往没有统一答案。不同人操作习惯不同，不同物体的材质、形状、摆放状态不同，同一套设备在长期使用后的状态也不同……真实环境带来了大量长尾样本，也带来了更多噪声。

数据规模起来之后，如何保证质量？

戴盟的价值，正是在解决这个问题。

芯流认为，戴盟的故事不只是“触觉传感器公司”这么简单。它的真正野心，是补上具身智能缺失的灵巧操作能力——用搭载自研视触觉传感器的物理交互数据采集终端做入口，用外发式采集网络把真实作业中的物理交互信息持续沉淀为数据，再经由触觉原生的VTLA与物理世界模型，转化为可跨传感器、跨灵巧手、跨本体部署的操作能力。

如今，戴盟自研的单色光视触觉方案压到仅为国际同类旗舰产品的最高约1/5，价格优势直接撬动了规模化出货。这一出货量领先不是静态的技术领先，而是动态飞轮的起点 。

传感器铺得越多，触觉数据采集的入口就越多，数据集Daimon-Infinity的壁垒就越厚，最终反哺VTLA架构下多模态模型的训练效果。

一方面，它把视触觉放进了一条相对完整的链路里。从传感器、夹爪，到遥操作数采、操作模型和评测体系，戴盟覆盖了任务进入、数据沉淀和能力验证的全过程。

另一方面，这条链路越往真实世界走，问题也会越具体。当数据规模起来之后，采集是否稳定、数据是否干净、任务是否足够标准、模型能否真正吸收等，都会成为绕不开的考验。

说到底，机器人要真正落地干活，光靠“看”远远不够，得能“摸准”、会“调整”。而触觉数据的厚度，终将决定具身智能落地的深度。