在实验室里，顶级机器人的手指已经能完成穿针引线。可一进工厂或家庭，面对形状不规则的软塑料瓶，或者一颗湿滑的葡萄，它们指尖的“触觉”立刻靠不住了。问题出在传感器上。
现在主流的力传感器能感知宏观压力，但对接触位置、物体表面粗糙度，或者抓取时会不会滑动，判断能力很有限。人用指尖就能感觉出鸡蛋壳的脆和橡胶玩具的弹，机器人却得靠算法去猜。MIT CSAIL 开发的一种高分辨率触觉传感器，成本已降到百美元级别，但体积、耐用性和数据传输带宽，依然是工业部署的硬门槛。更难的是，怎么把密集的触觉数据快速塞进控制回路，不让延迟拖垮实时操作。抓一个滚动的螺丝，机器人必须在100毫秒内完成“感知-决策-执行”，这对传感器处理速度要求极高。
用物理仿真器生成大量操作数据，再训练模型搬到现实，这是解决真实数据不够的主要办法。但“仿真和现实的差距”依然是拦路虎。仿真里，物体的摩擦系数是已知常数；现实里，一个刚洗过的杯子就比干燥时滑得多。谷歌 DeepMind 今年4月承认，他们在仿真中训练机械手整理玩具，直接搬到真实桌面，成功率下降超过40%。
产业界在试“硬件在环”的混合仿真：让真实机械臂在受控仿真环境里执行任务，同时把物理引擎的模拟结果和真实传感器数据实时对比校准。英伟达在 GTC 2026 上展示了基于 Omniverse 的数字孪生方案，能在高度仿真的工厂环境里，同步运行上千个虚拟机器人试错。但这套部署成本高，又依赖高精度环境建模，对收拾乱糟糟的儿童房这类非结构化场景，依然力不从心。
让机器人听懂“把桌上红苹果拿给我”，听起来像是多模态大模型的简单任务。难点在于，从“理解指令”到“规划出一个稳定抓取动作”之间，鸿沟巨大。现有视觉语言模型能准确识别物体、生成高级指令，但怎么把“抓取”分解成精确的关节角度、末端轨迹和力控参数，还是个难题。
斯坦福大学 Mobile ALOHA 项目展示过一个系统，通过少量人类演示视频，就能让机器人学会烹饪。其核心是学习一个“动作表征”，而不是具体的电机指令。但这类方法对训练数据质量和数量极其敏感，泛化能力也差。一个在厨房训练的机器人，可能完全适应不了办公室的桌子。RSS 2026 上的一篇焦点论文指出，当前最先进的视觉-运动策略模型，面对训练分布之外的新物体或新布局，任务成功率平均会骤降60%以上。这暴露了AI在物理交互中缺乏“常识”和“鲁棒性”。
突破这三个瓶颈，单靠算法研究已经不够。它需要材料科学、控制理论和人工智能的深度耦合。谷歌和柏林工业大学5月发布了 RT-3，尝试把互联网规模的视觉-语言知识直接注入机器人控制策略，实际性能还有争议，但方向是想结合大模型的泛化能力和物理世界的精确控制。
行业也在呼吁建立标准化的操作数据集和评测基准。就像 ImageNet 推动了计算机视觉革命一样，一个覆盖多种物体、环境、包含多模态传感数据的开放数据集，是推动整个领域前进的公共基础。具身智能的“最后一公里”，比的或许不再是论文里的最优性能，而是谁能把这些脆弱的技术瓶颈，在真实、混乱、充满不确定性的物理世界里，变成可靠、可规模化的工程实践。
