新智具身联合复旦3万小时触觉数据统一具身智能手感

先来看一段现场实景录制的视频：

视频里机器人能完成的活儿特别丰富：煮鸡蛋面、调柠檬水这些居家料理，还有收纳整理，它样样精通；就连工厂流水线装配、精密零件组装、线材缠绕梳理这些精细操作也全都游刃有余。这正是N₀系列模型所展现出的强大实操能力。

不知道大家有没有见过机器人实操翻车的名场面：插头边缘反复摩擦却难以插入、抓取塑料瓶时力道失控导致瓶身变形、叠好的毛巾在松手瞬间散落…… 在具身智能的落地进程中，这类“视觉系统判定无误，但物理交互瞬间翻车”的现象屡见不鲜。

这些失败指向了一个行业共识：决定机器人能否在真实物理世界中生存的关键，往往不只在于视觉感知的精度，而更在于接触瞬间的触觉反馈。摄像头能确认空间位置，却无法感知“是否接触”、“顶到边缘”、“夹力过载”或“发生滑移”等，缺失这层反馈，正是阻碍机器人跨越“最后一厘米”的核心痛点。

近日，上海新智具身智能科技有限公司（NeoteAI）联合复旦大学可信具身智能研究院，正式发布了N₀系列三份技术报告，把触觉从“辅助模态”跃升为“核心基建”。三份报告合起来看，恰好拼出一张蓝图——一套触觉数据底座，搭配两条不同侧重的技术路线。更具行业价值的是，项目的数据和模型会进行开源，可以直接查看项目的完整链接。

N₀-Foundation：统一触觉“方言”，构建3万小时交互语料库

触觉数据要想规模化落地，一直卡在哪儿呢？各类触觉设备输出的数据格式互不兼容，不同传感器输出的凝胶形变图、电容矩阵或六维力向量，犹如缺乏统一语法的方言，难以在同一模型中融合。

为此，NeoteAI搭建的NeoData数据集旨在打破这一壁垒：包含超3万小时视觉-触觉交互视频；约140万条操作片段，33亿个时间步；对应80亿帧RGB画面与100亿帧触觉图像；动用Franka、Piper、UR5e等6种机器人本体；覆盖450项真实长程任务（如叠衣、插拔接头、倒液体等），由90位操作员采集；已开源5千小时视觉-触觉交互视频。

另外，团队还提出了NeoForce统一表征模型。无论底层传感器硬件如何，都能学习到具备迁移能力、时序结构化的触觉表征，以供下游具身智能策略使用：哪里被按？按多大力？有没有横向拉扯？这种“触觉普通话”有效解决了跨设备数据融合难题。

为了更直观地理解，下面的视频完整介绍了N₀-Foundation的各项核心功能，包含硬件、数据样例、全面评测等。

N₀-VTLA：以“触觉预判”赋能轻量级VLA

数据底座夯实后，团队接下来思考的是如何将触觉真正融入到VLA技术路线之中。

在现有的多模态融合实践中，直接将触觉图像与RGB视觉信号进行简单拼接往往面临挑战：由于触觉信号仅在物理接触瞬间产生高频响应，大部分时间处于“静默”状态，极易被海量视觉Token淹没。更为关键的是，即便模型成功提取了当前触觉特征，其本质上仍是对已发生动作的滞后反馈——这种“后视镜”式的感知机制，使得在动态交互中始终慢半拍。

N₀-VTLA提出了一种全新的方案：不依赖滞后的当前触觉，而是预测未来50步内的触觉演变。该模型将当前触觉编码为紧凑的潜在Token，结合视觉上下文预判滑移、受力等趋势，从而指导动作模块提前调整。不同任务上显示：N₀-VTLA在插插头任务中成功率达85%，而同类视觉方案仅60%；在拔钥匙的任务成功率达99%，而视觉方案为35%。

此外，N₀-VTLA还突破了传统模仿学习仅依赖专家成功轨迹的局限，让机器人从失败数据中实现自主进化。模型结合触觉信息利用部署后数据以及human in the loop的数据训练了一个进度评估模型，使其能够识别任务执行阶段，甚至识别出“退步”与“救场”等复杂行为。通过结合离线强化学习，机器人在毛巾折叠、书包收纳、纸箱折叠等长程任务上的成功率，分别从50%、35%、20%大幅跃升至95%、80%、75%，真正实现了从失败经验中汲取教训的持续进化。

下面的视频直观展示了N₀-VTLA在精细化操作方面的强大能力。

N₀-TWAM：在世界模型中重构“触觉想象”

如果说N₀-VTLA是加装预判雷达，N₀-TWAM则是对机器人“认知中枢”的重构：它把触觉放进世界模型，让机器人在动手之前，先在自己的“想象”里完整推演一遍操作视角和手感。

现有世界模型大多局限于未来视觉图像的生成，在驱动真实机器人时面临严峻的物理对齐挑战：画面里杯子被抓住了，但手指夹没夹稳？画面里插头对齐了，但下一秒会不会卡住？这些触感信息完全缺失。

N₀-TWAM要做的是同时预测未来的视频、触觉和动作这三个相互耦合的序列。N₀-TWAM采用混合专家架构，内置视频、触觉、动作三个异步专家网络，视频专家从预训练模型热启动，触觉和动作专家用更窄的结构，最终总参数量72亿，仅相当于全宽方案的一半。

在仿真与真机测试中，N₀-TWAM展现出显著优势：仿真平均成功率达84.5%（而世界模型最强基线为36%）；真机8项任务平均成功率46.3%（LingBot-VA为21.9%）。消融实验进一步证实，去除“未来触觉预测”或“当前触觉条件”均会导致性能显著下降，确立了触觉在世界模型中的不可或缺性。

以下视频展示了N₀-TWAM的模型实际操作能力。

触觉：具身智能的下一个Scaling Law？

纵观N₀系列三份报告，NeoteAI释放了明确的行业信号：N₀-Foundation验证了触觉模态具备类似视觉的Scaling潜力；N₀-VTLA证明了触觉可以自然地接入现有VLA架构；N₀-TWAM确立了触觉在世界模型顶层设计中的核心地位，使其与视觉模态真正平起平坐。

这意味着，机器人的认知范式正从单一的“视觉驱动”向“视触融合”演进。它们不再仅仅通过“看”来理解世界，而是开始像婴儿一样，通过主动的触觉探索来验证假设并规划下一步动作。“看得见杯子不等于拿得稳，认得出插座不等于插得进”——这一物理世界的常识，终于被写入了机器人的底层逻辑。

尽管距离“随手一摸即知轻重”的通用具身智能仍有长路要走，真实场景下的数据采集成本、跨本体泛化能力以及推理实时性仍是亟待攻克的工程难题，但NeoteAI的这组工作已实质性地推动触觉从“小众研究方向”跃升为“具身智能核心基建”。

具身智能的下一篇章，或许不再仅仅是“让机器人看懂世界”，而是真正“让机器人摸透世界”。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：新智具身联合复旦3万小时触觉数据统一具身智能手感要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题