帕西尼许晋诚：物理感知是具身智能关键缺口，要加大数据基建投入

21世纪经济报道记者 邓浩

“机器人在真实场景里落地，物理感知能力不可或缺。”日前，在浙江绍兴上虞举行的工业和信息化部人形机器人与具身智能标准化技术委员会2026年度全体会议暨“标准周”活动上，帕西尼感知科技创始人兼CEO许晋诚在接受21世纪经济报道记者专访时表示。

早在2021年创立之初，帕西尼便判断，物理感知将成为具身智能走向真实世界的关键能力。为此，其以多维触觉感知为第一入口，形成了高精度具身感知硬件—百亿全模态数据—全模态具身大模型全栈基础设施体系。

在许晋诚看来，这并非多条业务线的简单叠加，而是帕西尼基于对具身智能产业核心瓶颈的前瞻判断，主动构建起来的“感知—数据—模型—本体”技术闭环。

触觉或将成机器人基础能力

许晋诚用自动驾驶来解释触觉的价值。“汽车主要在二维平面中移动，其基本策略是尽量避免碰撞；具身机器人则在三维空间内工作，拥有数十个自由度，很多任务本身就要求它主动接触、抓握和操作物体。”

两者之间的差异意味着，机器人不能只依赖视觉。机器人拿起玻璃杯时，需要知道是否已经握住、力度是否会将其捏碎；使用工具时，需要根据接触力不断调整姿态；与人协作时，还要在异常碰撞发生的一瞬间停止动作。触觉既是机器人完成精细操作的重要能力，也是人机协作安全的基础保障。

然而，长期以来，触觉传感器未在机器人行业实现广泛应用。一方面是因为早期产品成本较高；另一方面，感知维度、产品一致性、环境适应性、耐久性和量产良品率等问题，也限制了其规模部署。

许晋诚判断，随着机器人从展示和实验走向规模化应用，触觉将不再只集中于灵巧手和末端执行器，而会逐步扩展到全身力学套件，成为机器人的基础能力，而不是少数高端设备才会使用的选配件。

要实现这一点，首先需要把成本降下来。据许晋诚介绍，依靠持续的技术创新、产品工程化和规模制造，公司攻克了触觉传感器技术壁垒，帕西尼部分力觉传感器模组的价格已经进入三位数区间。

“业界可能有疑惑，有必要做到这样的成本吗？我们认为有必要。”在许晋诚看来，触觉传感器不能停留在少量、高毛利销售阶段。使用门槛降低会让触觉感知硬件部署数量增加，进而会产生更多真实物理交互数据，帮助模型学习抓取、装配和工具使用。硬件普及、数据增长与模型进步由此形成正向循环。

不过，触觉能否真正成为机器人的标配，不能只看成本，还需要关注传感器寿命、精度、维度、标定效率、环境适应性、量产一致性，以及数据能否直接接入控制系统和模型。

换言之，成本下降只是扩大应用的条件之一，长期的稳定性和可靠性、工程化能力和高兼容通信协议，才决定产品能否进入规模交付。

此外，帕西尼还将部分信号处理前移至触觉传感器端。许晋诚表示，传感器侧可以先完成部分数据转换，再向机器人本体输出可直接使用的信息，以减轻整机算力负载，缩短从感知到执行的链路。目前，帕西尼也已与国产芯片及边缘算力相关企业展开合作，推动感知硬件、算力与机器人执行形成更紧密的系统协同。

加大全模态数据采集投入

如果说触觉技术的工程化和规模化，为帕西尼打开了物理感知的入口，那么高质量具身数据则是其创立之初便同步布局的另一项核心基础设施。

据了解，帕西尼率先探索以人为中心（Human-Centered）的数据采集范式，通过 In-the-Wild 开放式采集体系，持续沉淀真实世界的视觉、触觉、运动等全模态数据，将人类操作经验转化为机器人可学习、可复用的数据资产，为具身大模型持续提供高质量“燃料”。

在许晋诚看来，皮肤、肌肉和关节产生的触觉信号，本质上都是数据，为模型训练提供真实交互样本。人类能够熟练抓取、装配和使用工具，是因为在成长过程中积累了大量视觉、触觉、力觉和运动经验，以及进行千行百业真实劳动生产时沉淀的工艺知识与“隐性直觉”。机器人要形成类似能力，也必须经历足够多的真实交互。

语言模型可以利用人类数千年积累的文本，但大规模具身数据的系统采集才刚刚开始。相比网页文本，物理世界数据的获得难度更高。它需要机器人或人类示范者在真实设备和场景中反复操作，同步记录视觉、触觉、力觉、位置和动作等多种信息，并完成数据清洗、标注、同步和质量管理。

为此，帕西尼正在持续建设具身智能数据基础设施。目前，公司已经在华北、华东、华中、西南和华南五大核心区域布局数据采集基地，2026年还将继续加大相关投入。

这也解释了帕西尼业务边界为何不断扩大。物理感知硬件产出原始数据，数据工厂将其加工为高质量训练集；模型经数据训练后获得操作能力，部署到机器人本体上执行真实任务。传感器、数据、模型和本体在这一链条中形成正向循环。

许晋诚认为，具身智能的数据规模效应已经开始出现。随着有效训练数据增加，模型在具体任务中的成功率会相应提高；加入触觉等物理数据后，机器人还能识别仅依靠视觉难以判断的接触状态，从而进一步提升复杂任务中的稳定性和成功率。

但物理数据的价值并不能仅以规模衡量，更要关注数据的质量。数据是否有效，取决于任务定义、采集设备、模态同步、数据质量和场景覆盖。不同传感器如果缺乏统一的数据结构，同一动作在不同机器人和不同系统之间也难以复用。规模之外，标准化程度决定了数据能否真正成为模型可持续使用的“燃料”。

作为唯一一家出席前述标准周的具身感知企业，帕西尼在全新启动的数据标准工作组（简称WG7）担任联席组长，牵头推进具身智能数据标准体系建设及关键技术规范研究。许晋诚表示，具身智能数据标准需要覆盖数据结构、采集规范、应用方式和模型侧要求，并经过充分的技术预研和场景验证后再逐步形成。标准建设的目的不是为行业增加限制，而是减少重复采集和无效试错，让更多企业和开发者能够在相对统一的基础上训练、评估和复用模型。

对于行业期待的具身智能“GPT时刻”，许晋诚没有给出一个确定的时间点。他更倾向于一条渐进式的发展路径：机器人首先在汽车装配、产品组装等任务边界相对明确的场景中形成稳定的专业能力，再通过更多场景、更多数据和更多专用能力的积累，逐步提高模型的泛化水平。

许晋诚透露，目前帕西尼的物理感知核心关联业务已经形成规模化收入。在此基础上，公司正在围绕客户需求、数据复用和模型效果持续推进数据业务落地，逐步释放高质量具身数据的商业价值。

在某种程度上，当具身智能竞争逐步从“单一技术突破”转向“真实场景落地”时，触觉感知、物理数据与真实交互反馈的价值正在持续上升。许晋诚所布局的，正是机器人从感知世界、理解世界，到最终具备真实操作能力的必经之路。