独家｜机器人的指尖上，新晋一家百亿公司

如果一笔超过10亿元的资金要押注具身智能，它会流向哪里？

过去几年，资本给出的答案是一部分钱投向机器人本体，解决行走、关节、灵巧手和整机工程；另一部分投向大模型，解决机器人如何理解指令、规划任务和生成动作。

现在，第三类公司开始变贵。

7 月 18 日，虎嗅独家获悉，一目科技完成超 10 亿元 E 轮融资，估值突破 100 亿元。本轮融资由多家一线人民币基金、头部美元基金和知名产业方联合参与，所融资金将用于具身智能触觉感知材料、芯片、算法和模型的研发，以及产线订单的规模化量产和高质量交付。

打开一目科技的官网，会看到一种和当下机器人赛道常见叙事不太一样的气质：它没有急着把自己包装成下一个机器人巨头，而是把材料、芯片、算法和数据这些底层问题摆在了最前面；但这些看似细碎的工程问题，指向的却是一个更宏大的使命——加速物理世界AGI的进化。这是一个利他的表达，可以窥见一部分公司的价值观。

一目科技做的东西很小，贴在机器人灵巧手的末端，厚度只有几毫米；但它试图解决的问题并不小：机器人进入真实世界后，如何获得稳定、连续、可计算的接触反馈。对具身智能来说，这几毫米的价值在于：机器人终于有机会知道，自己到底有没有真正“拿住”这个世界。

触觉基座：以触觉赋予机器人持续感知、记录接触行为的能力

这听起来不如人形机器人会跑、会跳、会做咖啡有画面感，但机器人一旦离开展台，走进工厂、仓库和家庭，麻烦的事情往往发生在伸手之后：AI 可以靠参数理解世界，机器人却必须靠触摸进入世界。

几毫米的触觉，由此打开了一个极具商业想象力的入口。

一个更深的产业追问随之浮现：当 Physical AI 真正伸手触碰物理世界，资本为什么开始重新为机器人的“手感”定价？

一、机器人为什么需要“触觉”

过去两年，视觉语言模型让机器人进步很快：它们能识别物体、理解指令、规划动作，甚至在演示视频里完成一连串复杂任务。

但一旦进入真实操作，最容易出错的地方，往往不在“看见”，而在“碰到”。

视觉可以告诉机器人杯子在哪里、鸡蛋长什么样，却很难告诉它：指尖是否已经贴上杯壁，杯子有没有开始下滑，蛋壳还能承受多大压力。更麻烦的是，抓取不是一个静态动作。杯子刚拿起来没滑，不代表移动过程中不会滑；两个表面看起来一样的物体，摩擦系数可能完全不同；同一个杯子，空杯和满杯需要的抓握力也不是一回事。

人类几乎不会意识到这套反馈系统的存在。拿起鸡蛋时，手指会根据蛋壳的细微形变自动收力；杯子开始下滑时，指尖会先于意识加大握力。我们以为自己只是“顺手一拿”，实际上手指一直在高速读取压力、摩擦、形变和滑动趋势。

机器人缺的，正是这层“手感”。

这也是精细操作长期难做的原因。问题不只在机械手够不够灵活，也在于控制系统能不能知道“刚才那一下到底碰到了什么”。没有接触反馈，再复杂的动作规划也很难形成稳定闭环。机器人可以在空中把路径算得很漂亮，但真正决定成败的，常常是指尖接触物体后的那几毫秒。

一目科技选择的切口，正是机器人感知里最难补齐的一环：触觉。

其核心产品是视触觉传感器。简单来说，它会在传感器表面铺设弹性材料，物体接触后产生细微形变，内部光学器件读取这些变化，再由算法解算出压力分布、纹理、滑动趋势等物理信息。一次触碰，由此被转化成模型和控制系统可以读取的数据。

这项技术看似细分，实际上切中了具身智能走向真实世界的关键环节：机器人不能只识别物体，还要稳定操作物体；不能只完成演示，还要在产线上持续干活。

在这个意义上，视触觉传感器建立的不是一个单点感知能力，而是一条“识别、接触、反馈、调整”的操作闭环。闭环接通与否，直接决定机器人能否从演示方案变成实际生产力。

当具身智能的叙事开始从技术展示转向劳动价值，触觉最先被验证的场景，大概率会出现在那些等待柔性改造的工厂里。

二、触觉为什么在此时成为生意？

触觉传感器并不是一项新技术，GelSight 等方案已研究多年，此前更多用于工业检测和实验室研究，今天重新进入资本视野，是因为具身智能的进度条走到了这里。

第一波融资解决机器人有没有“足够支撑智能的物理身体”。Figure AI、Agility Robotics、Apptronik、1X Technologies 等公司连续获得大额融资，资金主要投向整机研发、产能建设和真实场景部署，押注的是机器人能否被造出来、能否走进工厂。

第二波热度投向具身大脑。视觉语言模型和 VLA 模型让机器人能够理解更复杂的指令，也把互联网数据和机器人动作连接起来。

等机器人开始接触真实任务，新的短板才暴露出来。模型能识别目标，机械臂也能到达目标，但在插拔、装配和处理易碎品时，系统缺少足够精细的反馈。机器人知道要做什么，却不知道自己做得对不对。

产品矩阵：Sentra-T系列视触觉传感器可普遍适用于主流夹爪、灵巧手

这时，触觉传感器才从实验室里的感知器件，成为一项可能产生订单的工程能力。

第一批明确付费场景大概率来自工厂：家庭环境过于开放，任务随时变化，安全责任难以界定；工厂的任务边界更清楚，动作可以反复训练，节拍、良率、停机时间和人工替代成本都能量化。

工厂也是传统自动化最容易暴露能力边界的地方：到了小批量、多品种生产，改线成本迅速上升，线束插拔、精密装配、食品处理等工序又高度依赖工人的手感，视觉很难单独解决。而汽车、制药、食品等行业都有精密装配、柔性抓取的共性需求，触觉方案一旦验证稳定性和可复制性，就能跨行业迁移。

据一目科技创始人兼 CEO 李智强在采访中披露，公司曾在电池装配场景中，优化电池包插拔组装环节。工人完成一次约需 30 秒，一目科技带反馈的具身智能方案首次测试耗时 100 秒，今年 4 月缩短到 50 秒，最新方案已将单次操作时间降至 15 秒，约为人工耗时的一半。

这组数字说明，触觉反馈与学习算法结合后，系统的动作效率可以快速迭代。更重要的是，在成本、可靠性和人工替代效果经过多轮方案对比后，已有客户愿意为一目科技的方案付费，这意味着触觉感知开始进入真实产业场景的采购决策。

不过，从单个案例跑通，到单一产业落地，再到跨行业复制，乃至进入 AGI 机器人所需要的通用操作场景，触觉方案仍然需要经历长期的稳定性、经济性和泛化能力验证。产业落地上的领先，给了资本更大的想象空间：一旦触觉数据能够在更多场景中持续生成、复用，并进入机器人感知闭环和上层模型训练，它就可能成为 Physical AI 时代关键的物理交互数据入口。

于是，资本开始下注、市场等待其价值兑现。

三、一目科技的护城河，藏在尺寸、材料和数据里

资本从来不会只为一个概念买单，尤其是在具身智能进入产业落地阶段后，资金更关注的是技术能否被工程化、能否进入真实场景、能否形成可持续的商业闭环。

一目科技能够拿到这笔融资，核心在于它把几个最难工程化的环节向前推进了一步：传感器能否进入灵巧手指尖，弹性体能否支撑工业级寿命，触觉数据能否进入模型训练和控制闭环。

放到整个机器人触觉领域看，至今还没有诞生类似英伟达、英特尔的基础设施级公司，因为让一台机器“感受”到一次触碰，并转化为模型可训练的连续高质量数据，本就是一条充满工程攻坚的长路。过去，这被视为行业痛点；今天，它成了一目科技的护城河，这一过程，也与一目科技长期强调的“无畏进化”形成呼应。

触觉传感器要成为灵巧手标配，先要争夺物理空间。机械手内部需优先满足电机和传动，传感器多占一毫米，机械设计就要让位。在同类方案厚度普遍停留在 30 毫米以上时，一目科技通过自研超表面硅光感光芯片，将厚度压至 10 毫米内，第二代产品低于 3 毫米，几毫米的尺寸差直接拉开了硬件集成度的壁垒。

体积之外，是材料工程的矛盾。传感器皮肤既要“软”以感知微米级纹理，又要“耐磨”以扛住产线的反复挤压。一目科技从高分子聚合物单体切入，进行底层材料研发，据公司披露，其材料方案可实现超百万次按压不损坏，力分辨率保持 0.005 N，约等于十分之一张 A4 纸压在指尖的重量。

硬件跑通后，更深的护城河在数据。

一目科技正联合斯坦福大学等机构推进名为 TouchNet 的开源触觉数据集项目，指向的是触觉领域的底层矛盾：视觉数据依靠云端海量抓取，触觉数据只能在物理世界中逐次接触生成，且压阻、电容、光学等各家硬件的信号互不兼容，行业至今缺乏通用标准。2022 年发布的 Touch and Go 数据集，需要研究人员携带 GelSight 逐个按压现实物体，最终收集到约 1.39 万次触摸。

极高的采集成本与碎片化的信号，共同限制了上层具身模型的训练规模。推行 TouchNet，本质上是试图建立行业通用的数据标准。一旦标准及接口被机器人本体厂商和模型团队广泛采用，一目科技便能跳出硬件供应商框架，在物理交互数据的入口处建立基础设施壁垒。

今年 WAIC 展会上，一目科技展示了从硬件终端、数据与仿真平台到标准接口的闭环雏形。

2026WAIC展会现场一目科技展位

不过，把这套叙事推到落地，是一件横跨芯片、材料、数据与算法的长周期工程，任何一环掉队，链路都无法闭环，最终往往要靠创始人本人去牵引。

李智强的技术路径，起点在卡内基梅隆大学。2011 年，他从这所工程气质浓厚的学校拿到土木与环境工程博士学位，研究的却不是宏大的桥梁、道路或城市系统，而是更微小的东西：微流体微生物燃料电池。那是一类发生在微观尺度里的能量转换，信号微弱、变化细碎，需要足够精密的测量，也需要把复杂物理过程翻译成可计算的数据。

后来他做微光谱 AI 芯片，方向换了，方法没有变，依然是在极小尺度里捕捉人眼看不见的变化，再交给算法识别。视触觉传感器延续的也是这条线索：当机器人指尖接触物体时，把那一点点形变、压力和滑动，转译成机器能够理解的物理信号。

从燃料电池到微光谱芯片，再到今天的视触觉传感器，是一条并不跳跃的技术脉络，对这支团队而言，更接近一次能力的平移。

四、百亿元估值还需要证明什么？

围绕这条全链路，资本正按照 Physical AI 基础设施的逻辑为一目科技重新定价。

触觉是迈向通用具身智能体的一块关键拼图，百亿元估值定价的正是这种可能性：从触觉模组切入，沿真实数据和模型接口向上延伸，最终占据机器人接触物理世界的入口。可能性要完全兑现，仍有三重考验在前。

第一重考验来自技术自身。触觉传感器是一件没有“敏捷开发”的硬件，该付出的时间积累无法减少。一块几毫米的传感器背后，是材料、化学、光学、芯片、机械、电子工程、计算机视觉到人工智能的十年以上跨学科沉淀，最终还要落到微米级装配与批量一致性的精密制造上。

现阶段，一目科技跨过了初期的量产与交付门槛，并积累了来自全球多个行业的客户。

但对领先者而言，难度不会因此下降：产品已经超薄，再向更薄进化，还要在压力之外叠加温度等更多感知模态，同时保持稳定性、准确性和灵敏度。到了这个位置，可对照的现成标准不多，接下来更多是自己给自己出题。

第二重考验在场景复制。电池包插拔从 100 秒缩短到 15 秒，证明了单工位、单任务之下的能力上限；工业客户长期采购的，则是系统在换型、来料波动和连续班次之下的稳定表现。从一个工位复制到一条产线，再到一个行业，每一步都要重新验证节拍、良率和维护成本，新一代技术也要不断找到新的场景。

第三重考验在生态，它决定估值想象力。触觉的持续迭代要靠数据飞轮转起来：硬件在真实场景里产生数据，数据反哺模型，系统越用越智能，这也是它作为一项基础设施的价值所在。

一目科技希望借助 TouchNet 和标准接口进入模型层，但数据标准只有获得传感器公司、机器人厂商和模型团队的共同采用才算成立；如果数据只服务于自家硬件和算法，可以形成护城河，却难以成为行业基础设施。

换句话说，技术决定这家公司能否持续领先，场景决定订单能否规模化，生态决定它是一家传感器公司，还是 Physical AI 的基础设施。超 10 亿元融资提供了闯关的资本，百亿元估值的答案，藏在这三件事的兑现进度里。

结语

过去几年，具身智能最热闹的故事，几乎都发生在“大脑”和“身体”上：更大的模型，更像人的躯干，更灵活的关节，更流畅的演示视频。

但机器人一旦走下展台，进入产线，问题很快会变得朴素起来：它能不能拿稳一个零件，能不能插准一个接口，能不能在物体快要滑落前及时收力。

通往物理世界的最后一段路，往往卡在指尖。

机器人需要像人一样感知物体的硬度、摩擦、形变和滑动趋势，这正在成为具身智能行业越来越明确的共识。一目科技的超 10 亿元融资，正是资本对这层共识的一次提前定价：Physical AI 要进入真实世界，底层交互数据入口会变得越来越贵。

全球人形机器人、数据采集、高端制造等客户的采用，已经让一目科技跨过了早期商业化验证。

接下来，传感器能否持续稳定量产，成本能否持续下降，触觉数据能否在更多设备和场景中积累、复用，才决定它最终能否成为 Physical AI 时代的物理交互数据基础设施。