清华副教授丁文伯：机器人距离真正可信，还缺一层触觉

2016年博士毕业时，丁文伯手握麻省理工学院和佐治亚理工学院的博士后机会。前者延续了他此前的通信研究，后者则指向跨度更大的柔性电子与电子皮肤。此前，他已经在清华电子系做了多年通信、雷达与信号处理。选择麻省理工的方向，显然更加顺理成章。

但也是在那个阶段，他观察到，通信研究的重心正在越来越多地从学术界转向工业界；反观柔性电子领域，仍有许多基础问题亟待解决。反复权衡后，他最终选择了佐治亚理工学院，跟随王中林院士从零开始。

两次“反惯性”选择

“很多人当时不太理解，为什么放弃排名更靠前的学校。”如今回头看，丁文伯说，这次选择也让他逐渐形成了一套自己的研究取向：先判断一个问题是否值得做，再去寻找解决它所需要的学科和工具，而不是顺着惯性一直往下走。

三年后，当丁文伯准备回清华任教时，他又做了一次类似的选择。彼时，电子皮肤研究多聚焦于材料与器件，他却把目光投向了冷门的视触觉方向。在他看来，这一方向既能借力快速发展的计算机视觉和AI技术，也恰好能发挥他在材料、光学与信号处理上的交叉积累。

此后，他逐渐转向机器触觉，并将这些积累带入其中。团队后来开发出的多模态触觉传感器SuperTac，能够融合多种信号，让机器人同时感知力、温度、材质和纹理等信息。但随着具身智能的发展，丁文伯开始意识到，传感器性能再强，也不等于机器人真正拥有触觉智能。他进一步追问：机器人如何真正理解触觉，并依靠它可信地完成精准操作？

为“可信物理智能”创业

他创立的无界智航（Xspark AI），为解决这个问题而生。2025年，作为清华大学长聘副教授的丁文伯，与前蔚来汽车自动驾驶核心高管熊祺、香港大学博士生陈天行共同创办Xspark AI。他们将公司的定位放在“可信物理智能”上，希望机器人不仅能够完成任务，还要做到可预测、可验证、可控。

面向工业、商业场景，公司聚焦打造原生触觉多模态模型，提供可规模化落地的具身智能解决方案。目前，Xspark AI拥有覆盖从触觉感知、数据、模型、评测、安全控制，到真实场景应用的完整能力体系。在中枢系统上，公司首创“慢脑VLM—快脑VTLA+TWAM—脊髓VTA”三层协同架构，分别负责高层认知、物理执行及安全兜底。

与此同时，Xspark AI也在构建高质量、规模化HumanTouch触觉—视觉多模态数据集，通过人类自然操作，同步采集触觉、视觉和动作数据，为后续模型训练和真机部署提供数据基础。

但触觉仍然是一个很早期的领域。数据怎么定义、不同传感器的数据能不能复用、触觉应该以什么方式进入模型，目前都还没有统一答案。面对这些问题，丁文伯的态度很直接：“这事没人做，我也要去做。”在采访中，他也多次提到行业协作的重要性，希望不同团队能够以更开放的方式共享数据、方法和基础设施，共同把触觉领域最基础、也最难的问题往前推进。

为什么是触觉？

丁文伯真正开始把机器触觉作为长期研究方向，大概是在2018—2019年。那时候这个领域还很小众，国内长期做机器触觉的团队可能只有5—10家，很多最基础的问题都还没有解决。

他当时有一个比较朴素的判断：如果机器人未来真的要进入真实世界，完成抓取、操作、装配这些任务，只靠视觉是不够的。视觉可以告诉机器人物体在哪里、长什么样，但一旦真正发生接触，物体有没有滑动、用了多大的力、材质和温度是什么，这些信息最终还是要靠触觉获得。这个问题在当时还没有今天这么受关注，但丁文伯觉得它是机器人往更复杂任务走时迟早要面对的一关。

这些年他基本完整经历了机器触觉几次比较明显的技术变化。最早大家主要关注传感器，讨论的是灵敏度、分辨率、模态数量，怎么让机器“摸得更准”。团队也沿着这个方向做了很多年，包括多光感视触觉传感器SuperTac，希望在一些感知指标上接近甚至超过人类。

但到2022—2023年，丁文伯越来越明显地感觉到，单纯把传感器做得更强已经不够了。机器人能够测出一个力是多少牛，并不代表着它知道这个力代表什么，更不意味着它知道下一步应该怎么动作。于是问题开始从传感器转向数据和模型：怎样获得规模化、稳定的触觉数据，怎样让模型理解触觉，再怎样把触觉真正放进感知、决策和控制的闭环里。现在讨论“触觉智能”，关注的已经不只是让机器人“有感”，而是让它“有知”，并且能够据此行动。

丁文伯强调，他并不是因为具身智能热起来以后才进入触觉。恰好是因为做得比较早，也做了比较长时间，所以能够看到这个领域的核心问题怎样一步步从器件、数据走到智能。他认为具体的技术路线会不断变化，但核心的问题只有一个：机器人怎样才能真正理解并操作物理世界。

触觉解决什么问题

如果机器人只是做固定的自动化流水线，触觉未必是最核心的。但只要目标是类人的灵巧操作和真实交互，就很难绕开触觉。

视觉擅长提供全局信息，一张图里可以同时看到颜色、形状和空间关系；触觉更局部，但它发生在真实接触中。机器人抓住一个物体以后，有没有滑动、会不会掉落、力度是不是过大，这些问题很难只靠视觉解决。

其实工业机器人很早就有力控和力传感器，但传统力控更多解决的是“我施加了多大的力”，然后根据预设参数做调整。今天谈触觉智能，希望再往前走一步：机器人不仅知道力是多少，还要理解这个力意味着物体正在滑动、过于脆弱，还是需要改变抓取方式，并据此完成后续决策和行动。从“感知数值”到“理解含义”，这是两者很重要的区别。

所以对灵巧操作来说，触觉最重要的价值有两个：一是让操作更快、更准，二是提供安全保护。机器人要想进入真实世界，最终需要知道自己“摸到了什么”，以及接下来应该怎么反应。

交叉背景如何影响触觉研究

丁文伯早期的通信、信号处理和材料背景，对他后来的触觉研究影响很大。最大的影响，是他不会把触觉单纯看成一个传感器问题，或者一个算法问题，而会更习惯从整个感知链路去看它。

比如他过去做过光通信和多光谱信号处理，所以进入视触觉以后，会自然想到不同波段能不能带来更多信息。后来团队把紫外、可见光、近红外到中红外引入触觉感知，形成了M³Tac、SuperTac这样的多光谱路线。

SuperTac又进一步把多光谱成像和电学感知结合起来，希望同时获得更丰富的接触信息和更快速的反馈。它将多光谱成像与摩擦电感知融合，用于同时感知力、温度、材质、纹理、滑动、接近等多种信息。

材料和柔性电子的经历，则让丁文伯会同时考虑器件、材料、电路和后端算法怎么配合，而不是只优化其中一个环节。机器触觉最终要装到机器人上，真正影响性能的不是某一个单项指标，而是整个系统能不能稳定、快速地形成反馈。

所以交叉背景对他最大的帮助，就是让他能够跨过不同学科之间的边界，从系统层面判断什么样的感知方式更适合机器人。

触觉智能的三道关

相比视觉和语言，触觉数据的规模化采集更加困难。丁文伯指出，首先是传感器的一致性问题。不同传感器之间的一致性、标定和复用，直接决定了数据能不能规模化积累。视觉数据可以靠互联网海量获取，语言数据有现成的文本语料，但触觉数据必须通过真实物理接触才能产生，采集成本高、速度慢，而且不同传感器之间的数据格式和物理特性差异很大。

在他看来，触觉智能要真正走向成熟，需要跨过三道关：传感器、数据与模型。传感器决定机器人能“摸到什么”，数据决定模型能“学到什么”，模型则决定机器人最终能“理解什么、做什么”。这三者不是割裂的，而是一个完整的闭环。

丁文伯认为，触觉领域目前还处在非常早期的阶段，很多基础问题没有统一答案。数据怎么定义、不同传感器的数据能不能复用、触觉应该以什么方式进入模型，这些都需要行业共同探索。他多次提到，希望不同团队能够以更开放的方式共享数据、方法和基础设施，共同把触觉领域最基础、也最难的问题往前推进。