在 NVIDIA GTC 上，黄仁勋把需求说得很直接：现实行业需要能与物理世界交互的 AI。一篇行业观察据此把 2026 年的竞争焦点放到“通往物理世界的模型层”。原因很现实：机器人识别出苹果、玻璃杯或纸杯，只说明它知道目标在哪里；手指碰到物体后能不能稳住，需要更快的反馈和控制。
2026 年 5 月，北京一场具身智能展会有 700 余家企业与机构参展，展品覆盖灵巧手、触觉传感、大脑小脑和数据工业化。展会梳理列出的这些方向，恰好说明行业在补哪块短板。VLA 已把视觉、语言、动作串成端到端流程，相关科普将其概括为“从看到、理解到动作”。可一旦进入接触阶段，压力、切向力、形变和关节状态会持续变化，单靠视觉很难照顾这些细节。
此前我们在《机器人看见苹果之后，触觉传感器为何仍难量产》里讨论过硬件量产。模型端要解决的是同一问题的另一半：触觉数据来了，机器人能否及时、稳定地用起来。一篇技术架构梳理采用了“大脑—小脑—肢体”的分层框架。这里的“小脑模型”（Cerebellum Model）靠近执行端，负责高频感知和动作修正。名字只是类比，落到工程上，它得把三件难事做成。
大脑给方向，指尖不能等
触觉对齐先卡在时间尺度上。任务层可以按“伸手—接近—合拢—抬起”规划动作，指尖面对的却是不断变化的接触状态。压力往一侧偏、剪切力继续增加、接触面开始松动，这些信号需要马上转成控制修正。
把所有触觉数据都送回 VLA 大模型，会增加推理和传输负担；固定控制器也很难覆盖玻璃、软包装和弹性物体的差异。更实用的分工，是让上层模型给出目标姿态、受力范围和任务约束，端侧小脑持续读取触觉与本体状态，偏离预期时直接调整力矩或轨迹。
光学触觉方案如 GelSight，会产生连续的触觉图像；其他阵列也有各自的噪声和采样特征。小脑模型首先要把这些高速、异构的信号压缩成控制器能立即使用的状态。否则，触觉流再丰富，也只是在等待下一次大模型推理。动作意图、接触变化和执行器响应，都得落在同一条时间线上。
看到滑动时，通常已经晚了
更难处理的是微滑移。抓纸杯时，物体不会从“稳定”瞬间跳到“掉落”。明显滑动之前，接触面往往先出现局部位移和受力偏斜。机器人若等到视觉看到杯子下移再加力，留给纠偏的时间已经很少。
模型需要读一段触觉时序，不能只看一帧；还要把触觉与手指位置、关节运动、当前夹持目标合在一起，估计摩擦边界是否正在逼近。此前讨论世界模型如何补上物理直觉时，重点多在生成与模拟。落到抓取控制，任务要窄得多：预测下一步接触状态，判断继续沿原轨迹执行会不会失稳。
把这种能力称为“物理直觉”很容易，检验标准更直接：纸杯、玻璃杯或软包装出现肉眼可见的滑动前，小脑能否完成有效纠偏。缺少测试条件和评测来源时，漂亮的成功率数字没有多少参考价值。
传感器用久了，模型还能不能信
仿真里的触觉阵列参数稳定，真实设备会遇到温度漂移、材料老化、硅胶磨损、液体污染和局部单元失效。传感器换一批、运行一段时间，原来学到的零点与受力分布都可能变化，这就是 Sim-to-Real 最麻烦的部分。
在线校准因此很关键。机器人空载或做无阻力运动时，可以利用这段数据重估零点；局部触觉单元异常时，模型可以结合相邻区域和关节本体状态，判断传感器是否故障、物体是否真的偏移。触觉与本体信息放在一起，可以减少把漂移误判为接触变化。
一次演示可以忽略长期漂移，连续运行不能。工厂和家庭更关心：传感器脏了、磨了、换了之后，机器人是否还知道自己用了多大力。小脑模型的鲁棒性，最终要靠长时间闭环运行来证明。
参数之外，先把闭环跑稳
前述行业观察认为，中国依托完整制造体系，在机器人本体、执行器和供应链环节已有优势；基座模型层仍处于路径未收敛、范式未定的阶段。2026 年值得盯住的指标其实很具体：接触反馈是否在本地及时处理，微滑移能否提前识别，传感器状态变化后控制是否继续稳定。
VLA 把指令接到动作，触觉小脑还要把动作持续对齐到变化中的接触状态。两层能力真正接上，机器人才能从“做出抓取动作”走到“把东西抓稳”。
这三道关目前都谈不上彻底解决。700 余家参展者能说明行业有多热，却不能替代长期运行数据。真正的工程答案，要看模型离开干净实验台之后还能不能工作。