在 2026 世界机器人大会（WRC）上具身智能企业帕西尼一口气发布了四款新品分别为全球首个足底多维触觉传感器 PX-FOOTRIX、全新一代五指数据采集手套 PXCap Pro 以及搭载全球首款自研原生 6D 触觉感知芯片 GEN4 FUSE 的第四代 ITPU 多维触觉传感器系列 PX6AX GEN4。从底层芯片到传感器从数据采集设备到足底感知几款产品指向同一条技术路径：把原本主要集中在机器人手部末端的触觉能力进一步延展至手掌、夹爪、身体表面和足底等部位，这家累计融资近 40 亿元的具身智能赛道头部企业正在搭建一套覆盖机器人 "全身" 的感知网络。在展台之外帕西尼创始人兼 CEO 许晋诚在接受媒体记者采访时将这套布局背后的逻辑讲得更透彻 —— 触觉不是让机器人 "感觉更好" 而是让它 "能干活"。

　　过去几年具身智能的主流叙事是 "大模型 + 视觉"—— 只要让机器人 "看见" 世界它就能理解并操作世界，但在真实的工业制造、汽车装配、物流分拣场景中这套逻辑正在失效。原因在于一个根本性的认知修正：物理世界的交互无法只靠视觉完成，抓取一个容易变形的纸盒、在毫米级间隙中完成精准插装、在复杂路况下平稳跨步 —— 这些任务不仅需要机器人 "看见" 物体在哪里还需要它 "摸到" 物体的材质、受力、滑移状态。这正是 2026 世界机器人大会将主题定为 "人机共生产需共融" 的深层含义，"共融" 二字的潜台词是：行业已经意识到此前很多在展示环境下表现出色的机器人进入真实工况后动作不精准、不稳定的问题根源在于缺乏物理感知的 "精准锚定"。触觉的本质价值正在于此 —— 它为机器人的大模型提供实时、高频的物理接触数据（Ground Truth）让机器人从 "任务推理" 走向 "精准控制"，大模型负责 "推理决策" 视觉解决了 "看清环境" 的问题触觉数据则解决了 "精准力控" 的问题，没有触觉这层物理数据大模型在接触现实世界时就无法完成精准控制。

　　许晋诚在 WRC 期间接受记者采访时分享了一个实验案例：瑞典某大学的一个触觉试验中让受试者划火柴从火柴盒里取出在砂纸上划燃，正常状态下 10 秒以内完成，但将受试者双手麻醉后同样的任务花了一两分钟，"为什么一个简单的动作要这么久？因为他丧失了触觉感知能力。" 这个案例指向一个容易被忽视的结论：没有触觉机器人就无法完成物理世界的精细操作，"大部分机器人都需要触觉能力因为涉及物理操作的场景基本离不开触觉。" 许晋诚说。基于这一判断帕西尼在本届 WRC 上展示了以底层芯片为基座、覆盖全身的完整触觉感知矩阵，在最底层帕西尼搭载了全新一代自研原生 6D 触觉感知芯片 GEN4 FUSE，在传感器的形态覆盖上推出了第四代 ITPU 多维触觉传感器系列 PX6AX GEN4 围绕指尖、指腹、掌心、夹爪及电子皮肤等形态进行拓展，以及全球首个足底多维触觉传感器 PX-FOOTRIX 将触觉传感能力真正延展至机器人全身，据透露公司自研触觉感知芯片近一年出货量已接近 100 万颗预计下一年度末将超过 500 万颗。

　　要让机器人 "摸到" 世界首先要有足够多的 "摸" 的数据，许晋诚认为真机数据不可替代，"仿真环境很难构建出与真实数据同等级别的材质特性和噪声特征，想要构建完全仿真的世界其造价甚至可能比实际采集真实数据更高。" 不过真实数据与仿真数据并非替代关系，仿真能够降低试错成本扩大训练规模，真实数据则用于校准物理参数、验证系统效果和修正现实偏差，两者结合也是目前主流的技术路径。真机数据采集也面临一致性和稳定性挑战，"连续采集的一致性、稳定性非常难驾驭。" 许晋诚说一旦数据在采集途中发生漂移过去采集的那段数据就可能作废，正因如此帕西尼选择了自研整套采集系统 —— 从传感器到采集协议全部自研实现连续 8 小时采集不产生漂移。目前帕西尼已在天津、宿迁、武汉、自贡等地布局建成百亿级实采数据产能与超级数采工厂集群形成全模态具身数据采集网络持续构建具身数据的规模化生产与供给能力为模型训练、场景应用及产业规模化落地夯实数据基础，而据许晋诚透露帕西尼正在向下一个目标迈进 —— 积累 1000 万小时的真实物理交互数据。为什么是这个量级？他做了一个对比："人类数千年来积累的文本数据才构成了今天语言模型的基础，现实世界的物理交互数据远没有这样的体量。" 他判断千万小时级别的数据可能是支撑机器人实现跨场景泛化能力的关键量级。

　　数据量大只是基础数据的质量与丰富度同样关键，目前行业内数据采集有头环、遥操、动捕等多种路径，许晋诚认为这些方式都在解决同一个问题即如何将人类的动作和智慧凝结为数字数据，而最优方案一定是多模态的 —— 视觉、动作、触觉多种感知叠加，"越多模态、精度越高、一致性越高的数据就越能帮助机器人整体能力提升。" 这一判断也体现在帕西尼的产品布局中，本届 WRC 上帕西尼发布的全新一代五指数据采集手套 PXCap Pro 正是通过 "触觉感知力、视觉记录态、编码器定姿态" 三位一体协同将人类手部示范转化为标准化的物理真值数据可同步采集触觉、视觉和手部关节位姿数据并映射至不同构型的本体实现了 "一次采集、多机复用"。但数据采集也面临新的瓶颈 —— 算力，"数据越多需要消耗的算力就越大，我们现在公司内部都在抢算力市场上能获取的算力资源也远远跟不上需求。" 许晋诚坦言尤其在国内算力的紧缺程度更高，这也解释了为什么帕西尼坚持全模态数据战略 ——"在算力有限的情况下不可能用单一模态数据慢慢提升模型能力"。

　　在 WRC 期间对于备受关注的 "机器人何时进家庭" 的话题许晋诚给出了务实的判断，他认为家庭场景最大的挑战在于评价机制不统一每个家庭对于家务的标准是不一样的，相比之下工厂的评价机制是固化的，所以工厂会比家庭更快落地，现在更需要做的是在评价机制固化的场景里先行进入把能力提升之后再走向家庭。至于行业何时迎来 "ChatGPT 时刻" 许晋诚判断这取决于数据积累的进度而非一个固定的时间点，帕西尼计划在下一个年度积累到 1000 万小时的数据并内化为模型能力，"我相信在明年一整年消化完数据之后大家可以陆续看到更多机器人在各类场景里跑来跑去。" 许晋诚强调具身智能正在从 "看得见" 走向 "摸得着"，而 "摸得着" 的前提是一套从芯片到数据、从感知到执行的完整技术闭环，当具身智能迎战真实工业与服务场景的严苛考验触觉正在成为那个决定谁能真正落地的关键变量。