AREX Feed Article
TactaBot 现身：指尖 256 个触觉传感器，工人戴手套干一小时，AI 就攒一小时手艺
Tacta Systems 从隐身模式中钻了出来，带着一副手套和一个赌注。
这副手套的每个指尖塞进了 256 个触觉传感器。比沙粒还小，能感知 250 帕斯卡到 700,000 帕斯卡的压力范围，以每秒 400 次采样，温度分辨精度 0.1°C。
工人戴上它正常干活，手套将力、运动、视频和温度数据无线传回本地主机。每干一小时，TactaBot 的 Dexterous Intelligence AI 就多攒一小时训练数据。不需要写代码，不需要遥操作。工人做的仍然是他们每天做的手艺活，只是这一次，AI 在旁边看着、记着、学着。
7 月 27 日，这家 Palo Alto 的机器人初创公司正式发布 TactaBot，一并亮出 7500 万美元融资，投资方包括 Matter Venture Partners、SoftBank、Woven Capital、B Capital、America's Frontier Fund 等。
："手是机器人最难解决的问题，而这个问题离开触觉就无法解决。"
Matter Venture 合伙人说它是"世界上最好的机器手"，也有人追问：五指手套怎么教三指手？
，在 Tacta 的新闻稿中给出了不留余地的评价："未来十年几乎每一波重大技术趋势都将建立在硬科技之上，而灵巧操作是这个领域里最困难也最有价值的问题之一。这支团队此前不止一次打造并规模化了品类定义级的硬件，他们无疑是世界上极少数有能力解决这个问题的人，他们造出了世界上最好的机器手。"
则把焦点放在全栈整合上："复制人手的灵巧、敏感和韧性，是长期定义机器人操作领域的难题。Tacta 正在通过一套全栈方案解锁这一突破，让机器人执行此前只有人手才能完成的复杂灵巧任务。"
但在 X 上， 提出了一个更技术性的疑问：Tacta 的五指数据采集手套，采集到的力、运动、触觉信号如何映射到三指机械手上？"这才是技术真正有趣的部分。如果这个映射不成立，整套方案就不成立。"他同时指出，Tacta 真正的壁垒不在机械手或 AI 模型，而在于它能把触觉传感器做到沙粒大小并量产的能力。
大语言模型有莎士比亚和 Reddit，物理 AI 的数据集还是一片荒漠
用了一个直白的比喻来解释物理 AI 的数据困境："训练语言模型有莎士比亚、有网页、有 Reddit、有《纽约时报》。但在物理世界里，尤其在高价值制造领域，根本没有对等的数据来训练模型。"
给出了一个冷冰冰的数字：在受控仿真中得分 90% 的任务，到了真实世界只有 12% 能成功。Tacta 官网直接引用了这组数据，并把它当成整家公司存在的前提。
机器人最大的机会，是那些仍然由人手完成的工作。精度和灵巧决定一切的高价值制造工序。
与此同时，美国制造业回流的政策压力持续加码，电子制造、AI 基础设施和汽车行业面临愈演愈烈的技工短缺。机器人能搬、能运、能焊，但一旦任务要求手指级别的触觉反馈，比如插排线、接电缆、组装线束，自动化就撞了墙。
Tacta 选择此时现身，瞄准的正是这个交叉点：既有强烈的产业需求，又有明确的技术瓶颈。而解决瓶颈的钥匙，即高分辨率触觉训练数据，此前几乎没人系统性地收集过。
比沙粒小、每秒采样 400 次：一颗传感器定了整套系统的能力上限
TactaBot 由三个部分叠加而成：Tacta Hand 机械手、Skill Capture 技能采集系统（含 Tacta Glove 数据手套），以及 Dexterous Intelligence AI 模型。
机械手采用 Tacta 自研的 Fluidic Tendon 流体肌腱驱动技术：通过液体在管线中推动活塞驱动手指，而非传统的电机或钢缆。 解释，这种设计让手指可以做得极薄，且手部附近不产生热量。
"稳定性与精度是电机驱动手无法达到的。"每只手指 3 个自由度，指尖可施加 25 牛顿力（约 2.5 公斤），整手设计寿命 3000 万次循环。指尖传感器被设计为可更换耗材。Pavate 坦然承认："机械侧的寿命是 3000 万次，指尖和传感器到了某个点总会磨损。"
但决定系统天花板的，是那颗传感器。不到沙粒大小，非 MEMS 架构，每颗自带模数转换，间距仅 1 毫米。它能感知从一片羽毛落下的 250 帕斯卡，到工业夹具驱动的 700,000 帕斯卡，覆盖全动态范围。温度精度 0.1°C，采样率 400Hz，快到足以读取人类皮肤的纹理。
同一颗传感器既装在机械手指尖，也缝进 Tacta Glove 的指尖。工人感受到什么，机械手就感受到什么，一比一对应。
AI 侧没有从零造大模型。Tacta 选用一个现成的预训练模型，用自采的触觉与运动捕捉数据训练基础技能，再到客户工厂用 Tacta Glove 针对具体工序微调。公司声称这大幅压缩了新技能的学习时间。首批 TactaBot 预计 2027 年初交付，首发客户集中在电子制造、AI 基础设施和汽车行业。
机器人能搬箱子十年了，但插一根排线、接一根电缆还是得要人手
过去十年，工业机器人完成了搬运、焊接、喷涂等大批量重复性工作的自动化。视觉引导的 pick-and-place 已经成熟。但一旦工序进入毫米级精度、要求实时力反馈的区间，自动化率几乎为零。精密电子组装、连接器插接、线束装配，至今仍靠人手。
Tacta 切入的正是这个区间。不同之处在于，它不是在机械结构上跟现有工业机器人竞争，而是试图用数据飞轮重构竞争维度。
传统模式是工程师手动编程示教，或通过遥操作逐条录入动作。Tacta 的模式是：工人戴上手套正常干活，数据自动流入，模型持续进化。"每一小时的手套使用都在复利式地增长训练数据集，"公司在新闻稿中写道。如果这条飞轮真的转起来，先发的数据规模优势将难以追赶。后来者可以复制机械手，但复制不了日积月累的真实触觉数据。
Pavate 对长期愿景并不遮掩。 举例，一位世界级寿司师傅可以戴上手套制作料理，一位钢琴家可以戴上手套演奏。所有精细手艺都能被捕获、编码、迁移。但眼下，公司锁定的唯一场景是制造。"这是我们创始人团队干了几十年的领域，"Pavate 说，"我们来自电子制造这一侧。"
Tacta 真正的赌注不是机械手，而是手套底下滚起来的数据飞轮
三年隐身、7500 万美元、一套从传感器到 AI 模型的完整技术栈。Tacta 的出场方式不像大多数机器人初创公司。它的战略核心不是造一只比别人更灵巧的手，而是定义一种新的数据采集范式：让人的手艺变成可累积、可迁移、可复用的物理 AI 训练语料。手套才是数据引擎，机械手只是执行终端。这套逻辑能不能跑通，要看 2027 年首批客户工厂里，TactaBot 在真实产线上到底能接住多少道至今仍非人手不可的工序。