拿到蚂蚁融资又发新模型，戴盟要用触觉给机器人一个“物理交互脑”

触觉无疑是 2026 年具身智能领域最受关注的技术方向之一

越来越多海内外知名团队的成果都在证明，机器人在执行真实任务时，触觉能大幅提升成功率。

比如我之前聊过，李飞飞、Jim Fan 等一众全球具身大佬在6月份发表的 T-Rex 工作里，用搭载自研触觉模型的灵巧手执行翻书、搬鸡蛋、擦盘子等任务，最后提升了任务成功率。

国内，蚂蚁集团以及浙大、港大的团队，也在6月发的论文中直接摆出了数据：在包含 5 项工业装配任务的真机实验中，纯视觉 WAM 的平均成功率为 18%；加入触觉的 Tactile-WAM 的平均成功率为 51%，比纯视觉基线提升 33 个百分点。

最近这个方向又有了新进展。就在这两天，具身公司戴盟机器人发布了触觉锚定世界模型 Daimon-TWM，官方形容为“物理交互脑”，强调驱动机器人灵巧操作的能力。就在模型发布第二天，戴盟还官宣获得蚂蚁集团领投的数亿元融资。

值得一提的是，这是蚂蚁在触觉方向的第一次出手。

过去这几年，蚂蚁系资本投向了包括宇树、苏度、星海图、舞肌、灵心巧手等具身企业，版图遍布本体、大脑、核心零部件等多个具身细分领域。

如果说补上触觉拼图是行业趋势，但蚂蚁为什么选择了戴盟？在深入研究同期发布的论文和这家公司的发展路径后，我有了一些答案。

让机器人真正读懂触觉

这不是我们第一次关注到戴盟。

高盛6月份发布中国具身智能企业调研报告，戴盟就是其中唯一一家视触觉企业。报告中提到，不少公司都在探索VLA/VTLA与世界模型的结合，这也是戴盟的路线。

2024年，戴盟提出 VTLA 架构，是行业中较早提出触觉与视觉同等重要的公司。这次发布 Daimon-TWM，定位为“触觉锚定世界模型”——之所以叫“触觉锚定”，就是因为它把触觉当作判断物理世界的“最终证据”。

比如，当摄像头看起来插头已经对准，但手指传回的受力信息显示它其实顶歪了，模型就会推翻视觉判断，以触觉为准重新判断并调整动作。

戴盟CEO段江哗在最近的访谈里提到触觉的作用

Daimon-TWM 的真机实测数据也很能打。

官方数据显示，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%，开源 VLA 模型 π0.5（Physical Intelligence 的模型）则为 26%。

加入人为触碰、平台角度和高度变化等随机干扰后，Daimon-TWM 的平均成功率降至 53.5%，π0.5 则降至 5.8%，二者差距扩大到约 9.3 倍。

π0.5 没有触觉能力，这也说明，环境越复杂、意外越频繁，触觉带来的优势反而越明显。

需要说明的是，虽然都知道触觉有用，但怎么才能用好触觉，具身行业仍然处在早期探索阶段。

T-Rex就出现了一个很尴尬的结果：当研究者直接加入触觉数据，模型的成功率不升反降；直到重新设计加入触觉的方式，成功率才如预期提高。

Daimon-TWM“触觉锚定”的设计，也为如何用好触觉提供了一种可行性。

具体拆解来看，Daimon-TWM 主要是通过触觉做了三件事：先让机器人“摸懂”，再让它预测接下来会发生什么，最后让它能够马上调整动作。这三件事，分别对应模型的三大架构——物理认知模块、推演决策模块和瞬时操控模块。

模型架构图

先来看第一件事：让机器人“摸懂”。

为什么要先做这件事？因为触觉是一个“不好懂”的模态。

触觉传感器采集到的信号，包含了多种维度的信息，比如物体是什么材质、软硬程度如何、有没有滑动、是否已经对准、当前阻力是正常接触还是即将卡住。这些细微的差异，很难通过视觉或语言呈现，却会直接决定机器人能不能把东西拿稳、会不会把物体捏坏。

如果缺少这一步，机器人即使安装了触觉传感器，也可能只会在压力变大时机械地停止或后退，不知道问题出在哪里，更无法判断应该减小力度、调整角度还是重新操作。

物理认知这一步，是后面“预测-决策”和“控制”的基础：只有先读懂目前的触觉代表什么，机器人才能预测继续操作会发生什么，并决定下一步应该怎样调整。

戴盟的做法，是先让机器人接触上万种、覆盖九类材质的物体。机器人使用四种触觉传感器，逐渐按压、滑动和探索物体，同时记录压力、形变、摩擦、深度和剪切力等变化，最终形成约超过1000万组同步触觉数据。

接着，研究人员给这些数据标上答案，告诉模型不同数据代表怎样的“手感”：物体是软是硬，表面是光滑还是粗糙。用这些带答案的数据训练模型，模型由此按照“感知—比较—结论”的过程，学习判断物体的软硬、粗糙度、凸起和材质等物理状态。

比如判断软硬时，模型会先观察“按压后物体形变明显、接触面积变大”；再与学过的情况比较，发现“相同力度下，软物体通常比硬物体变形更大”；最后得出“这个物体偏软”的结论。

训练时研究人员还会故意删除、打乱或污染触觉信息，避免模型只通过观察物体外观 Hack 奖励，迫使模型真正依据触觉证据认识物理世界。

这样一来，机器人获得的不再只是一个触觉信号，而是逐渐形成了一套关于软硬、材质、受力、形变和接触状态的物理常识。

从结果看，这样的训练效果显著。在触觉认知评测中，Daimon-TWM 的综合得分达到 60.1，高于触觉专用模型 SToLa 的 47.5 和 GPT-4o 的 35.4。这说明它不只是接收到了触觉信号，而是开始具备理解物理属性的能力。

物理认知9项指标均领先

让机器人在动手时“多想一步”

但只“摸懂”还不够，机器人还要知道：如果继续这样操作，接下来会发生什么？

在这一部分，戴盟设计了推演决策模块，让机器人在操作过程中提前预判动作的结果。这是世界模型的精髓——不过，目前大部分世界模型预测的是下一帧画面，而Daimon-TWM预测的是下一刻的接触、受力和形变可能发生怎样的变化 。

具体的做法，是模型会通过触觉思维链和由粗到细的未来触觉预测，判断当前处于什么接触阶段、是否存在滑动或卡滞风险，以及不同动作可能带来什么结果。然后，它再根据预测选择下一步动作。

消融实验数据：以USB插拔成功率验证Daimon-TWM模型优势

案例证明了推演决策模块的效果。

比如插 USB 时，机器人一侧受力突然变大，往往意味着插头已经有些歪了。普通机器人可能还会按照原来的路线继续“硬怼”，Daimon-TWM 则会提前判断：再往前推，八成要卡住。于是，它会先抬一点、换个角度，再继续插。

机器人擦花瓶时也是一样。花瓶是曲面，海绵很容易擦着擦着就离开表面。模型发现接触正在变弱，就会想到照原来的轨迹走下去，马上要擦空了。于是它会重新调整位置，让海绵继续贴着花瓶移动。

装齿轮时，如果齿轮与轴没有对正，机器人继续下压只会越卡越紧。模型会先停下来，重新调整位置和角度，确认接触状态改善后再继续，而不是一味增加力气。

这些场景看起来不同，背后的逻辑其实都是先理解现在的状态，再推演下一步，最后选一个不容易出错的动作，把错误拦在发生之前。

最后再来看第三件事：瞬时操控模块。

这个模块也很能发挥触觉的价值。触觉的频率比视觉更高，比如杯子突然滑动时，往往眼睛还没注意到，指尖已经感受到了杯体的移动。这种能力迁移到机器人，就能提升规避风险的能力。

Daimon-TWM 在认知与规划的模块之上，加入了以100Hz高频运行的“触觉—动作控制器”，每秒进行 100 次控制更新。动作一旦开始，它就持续读取实时触觉，如果发现受力、位置或接触状态出现偏差，就马上在原动作上叠加一个小幅修正。

还是以插 USB 举个例子，如果上层已经决定向前插入，但执行过程中一侧受力突然增大，下层不需要重新规划整个任务，而是立即减小向前的力度，同时微调插头的位置和角度，让动作重新回到正确方向。

这套机制不会随意推翻上层规划，而是只在原动作上叠加小幅修正。这样既能快速应对打滑、碰撞和卡滞，也能避免机器人因为反应过度而突然偏离原来的任务，感觉是把分层机制的优势发挥了出来。

扰动实验数据（cln：无扰动；ptb：有扰动）

前面提到 Daimon-TWM 在受到干扰时的任务成功率颇为亮眼，很大程度也归功于这套“上层慢规划、下层快纠偏”的机制。

物理认知、预测规划、瞬时操控，这三个模块相互配合，可以先让机器人摸清物体的情况，再想好怎么操作。执行时随时微调，遇到新情况，机器人也能回过头来更新认识、调整计划。

这样一来，机器人就不再只是死板地按程序行动，而是像人一样，能摸着、想着、随时调整着干活。

感知设备+数据飞轮，让模型在物理世界真落地

但戴盟不仅仅是“又一家模型公司”。在此之前，他们已经在触觉领域深耕多年，搭建了一整套从“传感器”到“数据”再到“实战”的基础设施支撑。

这也是戴盟机器人这家公司的差异化所在。

这套整体业务壁垒也获得了资本认可。8月11日，戴盟机器人宣布完成数亿元 A+轮融资，由「蚂蚁战投」领投，资金将用于持续迭代以触觉锚定世界模型为核心的物理世界模型体系，和物理 AI 基础设施（Physical AI infra）。

用好触觉的前提，是要懂触觉。

这家公司2023年底才成立，但戴盟团队在机器人领域已经做了很多年的工作。

创始人兼首席科学家王煜是“机器人灵巧操作之父”Matthew Mason 的首位博士生，在机器人操作领域深耕 40 年，是香港科技大学机器人研究院的创院院长。另一位创始人兼 CEO 段江哗则是王煜的学生，已有十余年的机器人操作研究经验。

在感知端，戴盟还自研了超灵敏的视触觉传感器，不仅拥有高分辨率和高频率，还具备“多模态”能力，能够像人手一样感知接触状态、物体形变、表面摩擦与纹理、滑移等多种触觉信息，让触觉模拟更真实、判断更准确。

我看了下，发现这家公司对视触觉的研究始于2017年。当时他们在港科大实验室里迭代出的“单色光路线”，后来成为戴盟的核心技术。

2025年年中，戴盟基于这条路线发布了首代产品，让视触觉传感器第一次能以普通传感器的价格出货。到了年底，成本进一步优化，起售价降到一千多元。

凭借产品效果和价格优势，戴盟视触觉传感器的出货量和全球头部客户覆盖率很快达到全球第一。

戴盟去年11月发布的新一代视触觉解决方案

到了今年，戴盟开始持续推进触觉数据的规模化采集。

和其他类别的大模型一样，含触觉的模型只有采集到足够丰富、高质量的触觉数据，才能在预训练阶段练好触觉能力。

但获取触觉数据比其他模态更难——它不像图像那样拥有海量互联网数据；如果依靠仿真，sim-to-real 的差距也会非常大。

在这件事上，戴盟做了模式创新。

它依托视触觉传感器和自研的数据采集设备，联合产业方共建了一套外发式的数据采集体系。前不久，戴盟与其产业投资方中国移动展开合作。普通人可以到移动营业厅接受数据采集培训，领取戴盟自研的数采设备，回家做家务的同时顺手采集数据。

不仅是中国移动，中国电信也投资了戴盟。当这套模式铺开，戴盟理论上可借助两家运营商遍布全国的线下网点，触达数千万级潜在采集者。

这本质上是在为物理世界模型解决最关键的燃料问题：大规模获取真实、可持续回流的触觉数据。

另外，戴盟还完善了触觉数据处理、数据评估等工作。

今年4月，他们发布了含触觉数据集 Daimon-Infinity，并开源了其中一万小时数据，下载量在阿里魔搭社区上位列具身数据集第一。

结语

讲到这里，戴盟机器人的路线和布局已经非常清晰 —— 这是一家长期坚持视触觉路线，通过感知设备+数据跑出飞轮，反哺模型的公司。

但我想再梳理一下目前的资方：随着蚂蚁的加入，戴盟背后汇聚了招商局、联想、汇川技术、中国移动、中国电信等一批头部产业资本。

这些资本，同时也带来了家庭与商业服务、精密制造、工业自动化等多类实际场景，为模型提供了落地部署、验证迭代的渠道和土壤。

模型基于硬件与数据的基础设施之上生长，但始终必须以落地场景作为最终的闭环。这种闭环所带来的价值和空间，才更让行业兴奋。