从懂触觉到用好触觉：蚂蚁押注一颗“物理交互脑”

机器人前瞻（公众号：robot_pro）
作者 许丽思
编辑 漠影

机器人前瞻8月12日报道，昨天，戴盟机器人宣布完成数亿元战略轮融资，蚂蚁集团领投，老股东超额跟投加注。而就在两个月前，该公司才刚完成亿元A轮融资。

这也是蚂蚁系资本第一次进入机器人触觉赛道。

过去几年来，蚂蚁系资本已经投资了宇树、苏度、星海图、灵心巧手等具身企业，其中多家公司达到百亿估值，并已上市或进入IPO推进阶段，形成颇具规模的“独角兽俱乐部”。

从机器人本体、具身大脑到灵巧手和核心零部件，蚂蚁的动作呈现出一条清晰路径：围绕机器人进入物理世界所需的关键能力持续落子，逐步搭建起一张贯穿感知、决策与执行的产业版图。

不过，在这张版图中，触觉长期以来都是明显空白。如今，随着具身智能加速进入工厂、商业空间和家庭，机器人面临的任务越来越精细，这块能力也被推到了台前。

触觉由此成了今年具身智能的新宠。越来越多人意识到，触觉是机器人与物理世界直接交互的关键能力入口。机器人能否理解接触、受力、摩擦、滑移与形变，直接决定其在真实环境中能不能把活稳定干完。

但蚂蚁为什么选择了戴盟？答案或许可以从戴盟本周一发布的全球首个触觉锚定世界模型Daimon-TWM（Tactile-grounded World Model）中窥探一二。

行业知道触觉重要，但“如何把触觉用好”，却仍在探索之中。戴盟这次发布的Daimon-TWM就提供了一个范本——Daimon-TWM强调“触觉锚定”，以触觉作为模型物理认知、推演决策和瞬时操控的关键因素，显著提升了模型的物理交互操作能力。同时，戴盟长期构建的“感知—数据—模型-部署应用”全链路能力，也为模型能力的持续生长提供支撑。

从“懂触觉”到“懂得如何用好触觉”，戴盟为机器人的灵巧操作打造了一个“物理交互脑”。

一、全球首个“物理交互脑”触觉重要，但怎么才是关键

相关研究已经表明，在接触丰富任务中，加入触觉后，模型达到同等操作效果所需的数据量最低可降至纯视觉方法的千分之一。

戴盟把这一判断变成了可以持续生产数据、训练模型的完整能力，并发布了全球首个“物理交互脑”Daimon-TWM。

接下来，我们用两大特点、五大关键词拆解Daimon-TWM。

1、原生触觉

Daimon-TWM基于百万小时含触觉全模态数据Daimon-Infinity进行训练，以原生触觉贯通模型的物理认知、推演决策、瞬时操控能力。

该模型引入可学习的统一触觉词元（unified tactile tokens），从多模态观测中提取与接触相关的信息，构建统一触觉隐空间，引导模型基于触觉进行物理理解、预测规划与操控执行；而且，在接触密集操作中，模型将主动提高触觉信息在决策中的权重。

2、一脑三体

Daimon-TWM首次将「物理认知」「推演决策」和「瞬时操控」统一在同一模型框架内，三层架构互相协同互作、互为补充，分别负责看懂当前状态、预判后续变化和快速纠偏，从而形成以物理认知为底座、以「慢规划-快纠偏」为操作闭环的物理智能。

①物理认知：

这一模块要解决的是机器人有没有真正“摸懂”。戴盟采集了覆盖上万种物体、跨9类材质的1000万组触觉数据，首创专为物理认知而设计的数据体系，并设计推理式问答和程度序列标签，再经过动态预训练、推理监督微调和触觉证据强化学习三阶段训练，引导模型根据触觉证据判断物体属性和接触状态，减少视觉先验带来的误判。

②推演决策：

大部分世界模型预测视频下一帧，Daimon-TWM则预测下一个时刻的接触状态。看懂当前状态之后，推演决策模块会通过触觉思维链（T-CoT），围绕接触阶段、接触状态和潜在失败风险进行前瞻性预判；同时建立由粗到细的预测机制：粗粒度负责判断整体交互趋势，细粒度进一步推演局部接触与受力变化。

③瞬时操控：

真正执行时，瞬时操控模块以100Hz高频伺服持续融合原始动作、预测触觉和即时触觉，在动作上叠加小幅修正。机器人一旦摸到异样，可以毫秒级完成纠偏，避免误差沿着原轨迹不断累积。

从这套架构看，Daimon-TWM的核心亮点并不只是模型加入了触觉，而是让触觉贯穿数据生产、物理认知、决策推演和实时控制的全过程。机器人在干活的时候，既能提前预判潜在风险，也能在执行中捕捉受力、滑移等细微变化，随时调整下一步动作。

二、让机器人丝滑执行复杂操作，能自主预判、持续修正

在戴盟最新发布的视频demo中，Daimon-TWM驱动机器人全程自主完成多项复杂操作任务。

在多尺寸齿轮装配中，机器人既要控制插入的位置与力度，还要确保大小不同的齿轮准确落入固定器、相互嵌合，考验的不仅是装配关系理解，更是毫米级接触判断与根据实时反馈随时调整的能力。

花瓶和白板擦拭，属于持续接触任务。机器人需要在较长时间内维持合适的压力、方向和运动轨迹——压力太小擦不干净，压力太大又会导致海绵过度贴合、无法移动。

更难的是，擦拭过程中，研究者不断随意移动花瓶和白板的高度。模型中需要实时检测接触状态的变化，迅速调整动作策略，才能随机应变，这对闭环控制能力有着极高的要求。

来到笔袋收纳任务，机械臂不仅需要依次捡起桌面散落的笔，还需要应对随机加入的新笔。更难的是随后的拉链任务：笔袋是一个不断变化的柔性物体，袋身一变形，拉链的方向和阻力就会随之改变；拉得过猛可能卡死，拉得过轻又无法拉动。

机器人既要精准捏住细小的拉链头，又要实时调整施力方向和大小，还要让双臂默契配合。模型还需要有多任务规划能力与状态衔接能力，才能完成这一复杂的长程任务。

在玻璃碎片清理任务，玻璃碎片是透明反光，很容易被视觉模型遗漏，轮廓不规则、位置随机，更加考验机器人的泛化能力。但从发布的demo来看，Daimon-TWM模型依旧可以把许多玻璃碎片逐一拾取，稳妥放进盒中。

整理冰箱的时候，它面对调料瓶、鸡蛋等重量、材质和易碎程度不同的物体，需要动态调整抓取策略。

综合来看，这些demo覆盖插入、擦拭、装配等接触密集任务，涉及双臂协作和易碎物操作，也对应纯视觉路线最容易失效的几种情况，包括手部遮挡、微小位置误差、接触力不可见和执行过程受到干扰等。

尤其值得关注的，是Daimon–TWM面对随机扰动时的稳定操作能力：在调整、擦拭、插入和装配四类接触密集型任务中，Daimon-TWM在无扰动条件下的平均成功率达到64.0%，在人为扰动条件下仍达到53.5%；而π0.5只有26.0%和5.8%。在无扰动条件下，Daimon-TWM的平均成功率较π0.5提升两倍，在有扰动条件下提升更达十倍之多。

干扰越强、差距越大，这就说明触觉的价值在动作偏离预期之后更加明显。

环境中随时可能存在变化，但视觉模型面对变化，反应频率往往不够触觉及时，在干扰发生后仍然继续执行原有轨迹。触觉作为一种频率更高的模态，尤其是Daimon-TWM加入的100Hz高频伺服系统，可以根据接触变化及时发现错误并迅速调整，从而形成强大的预判风险、持续修正、自主恢复操作的能力。

在物理认知方面，Daimon-TWM在物体属性辨认、程度次序推理、跨传感器一致性等9项核心指标上均取得最优成绩，综合得分达到60.1，领先当前最强触觉专用模型SToLa 12.6分，领先GPT-4o 24.7分。

随着训练数据和模型参数规模增长，Daimon-TWM的物理认知能力呈现持续提升趋势，展现出清晰的 Scaling 潜力。

三、Daimon-TWM的背后，是戴盟长期构建的Physical AI Infra

回看戴盟的发展历程，Daimon-TWM其实并非一起简单的发布事件，而更像是戴盟全链路能力的集中呈现——模型能力的背后，是戴盟长期以来构建的Physical AI Infra。

具身智能模型的持续进化，通常依赖“机器人部署—数据采集—模型训练及迭代—再部署”这样一套不断循环的数据飞轮。

但这套飞轮目前要转起来并不容易。尤其是触觉行业，从采集硬件，到数据系统，再到模型应用，每个环节之间长期存在相互割裂的问题。

戴盟则把这一条链路打通了。

在感知端，戴盟自研的多维高频率高分辨率视触觉传感器，可采集正压力、切向力、滑动、软硬和摩擦等十多项触觉模态，以全模态触觉数据高度还原真实物理交互过程。

但传感器解决的只是数据从哪里来，具身智能的数据困境还在于如何兼顾规模、成本，以及把采到的数据快速且便捷地变成能用的数据。

所以，在数据入口端，戴盟通过外发式采集网络，扩大真实场景供给。其中与中国移动共建的“具身数据采集5S店”，首期投放1000套设备，满产后预计每年产生100万小时真实场景操作数据。

在数据处理端，戴盟打通采集、质检、画像、标定、压缩还原、自标注和时空对齐等环节，将原始视触觉数据转化为模型可使用的“物理交互Token”，由此建立覆盖仿真数据、无本体数据和遥操作数据的数据金字塔。

尤其是4月发布的全球最大规模含触觉全模态物理世界数据集Daimon-Infinity，其规模将于年底达到百万小时，部分开源数据已于阿里魔搭社区开源。截至目前，该数据集下载量突破460万次，跃升至全站第五并持续稳居具身数据集榜首。

模型训完后，能力还得有一把统一的尺子。6月，戴盟与银河通用推出RobOmni评测基准，通过准化任务的完成度、稳定性与泛化鲁棒性，以及跨本体评测、Sim-to-Real迁移等能力，为模型的物理交互能力补上标尺。

Daimon-TWM也在真实的场景落地过程中不断成长。戴盟已与联想、汇川技术、上声电子等多家生态伙伴达成战略合作，围绕3C电子、精密制造、家庭与商业服务等真实场景，共同探索Daimon-TWM的部署应用。

到这里，Daimon-TWM的数据飞轮才真正形成：传感器带来真实物理交互数据，数据推动模型迭代，模型提升操作成功率，更多工业、商业和家庭场景落地再反哺数据规模。

这也构成Daimon-TWM更深层的差异化优势。单点能力难以实现触觉的爆发，但Daimon-TWM的能力，生长于感知入口、数据生产、模型迭代、标准化评测和真实部署的体系化支撑之上，这是一套持续发现问题、补充数据和验证能力的迭代机制。模型在物理认知、抗干扰操作和跨场景泛化等方面的优势，也将随着数据积累不断增强。

结语：具身智能落地之争，深入物理交互

回过头来看，蚂蚁此次投向戴盟，押注的远不只是触觉，更是围绕物理交互能力的完整链路。

当具身智能的落地竞争逐渐聚焦至支撑稳定操作的底层能力，戴盟串联感知、数据、模型与评测完整闭环的先发优势逐渐凸显。从提供触觉到用好触觉，这家公司正在让让触觉真正转化为机器人能力。

而这套能力，也将成为影响下一阶段具身模型能力上限的重要变量。