帕西尼推触觉模型与自研芯片 联手比亚迪三星发力物理AI

机器人也需要“手感”：帕西尼谈触觉、数据与物理AI｜硅谷101年度线下大会 — 硅谷101

硅谷101

纯视觉像素无法让机器人真正理解现实世界，具身智能唯有融合高频触觉反馈与动态交互经验，才能跨越从轨迹模仿到未知环境自适应操作的技术鸿沟。

AI-assisted summary of 机器人也需要“手感”：帕西尼谈触觉、数据与物理AI｜硅谷101年度线下大会 — original source. Check the original for full context.

Source published:

Key ideas

  • 帕西尼累计融资额突破6亿美元，估值超过30亿美元，触觉传感器在全球细分市场份额位列第一，股东包括三星、LG与比亚迪等制造巨头。 (0:00)
  • 公司已积累超过100万小时包含高精度触力觉的人类操作数据集OmniSharing DB，并在宿迁与天津等五地布局专业数据工厂。 (12:44)
  • 帕西尼推出具身物理模型Feelix World，通过融合视觉、语言以及快慢适应生物级触觉信号，实现面对陌生物体的少样本与零样本泛化操控。 (14:45)
  • 主打灵巧手产品DexH13已通过长达20,000小时的严苛耐久性测试，团队并计划向业界开源部分灵巧手设计图纸以赋能硬件生态。 (16:04)

Detailed notes

## Background 本内容由 YouTube 频道《硅谷101》于 2026 年 10 月 29 日发布，记录了帕西尼（PaXini AI）赞助支持的 Alignment 2026 年度线下大会现场演讲。视频中，帕西尼创始人兼 CEO 许晋诚博士围绕触觉感知、物理数据与具身智能，深入探讨了机器人如何通过手感与力觉真正理解并作用于物理世界。

## TL;DR 许晋诚博士指出当前 AI 虽具备强大的推理大脑，但因缺乏触觉与受力反馈，仍无法真正理解并可靠地操作物理现实。围绕核心技术架构“PIE”（Perception 感知、Intelligence 智能、Execution 执行），帕西尼展示了自研 FUSE 触觉传感器芯片与全身传感布局，并披露了累积超 100 万小时操作数据的 OmniSharing DB 数据库及 Feelix World 具身物理模型。在执行层，团队推出了经过 20,000 小时耐久测试的 DexH13 灵巧手并开源部分设计，最终将架构升华为涵盖平台、集成与生态的“第二种 PIE”，旨在全面赋能全球开发者打造实用的物理 AI 机器人。

## Atmosphere & style 现场演讲节奏明快且极富工业硬核质感，主讲人以幽默平易的“吃派”隐喻切入，随后迅速切换至高密度的工程技术与商业数据拆解。演讲风格专业严谨而充满信念感，从针尖微触测试到百万小时数据工厂的实景，展现出从实验室底层芯片一步步走向工业落地的大气与厚重。整体氛围既有前沿科技峰会的思想碰撞感，又流淌着务实推动物理世界生产力变革的开拓热忱。

## Bulletin - [00:00](https://www.youtube.com/watch?v=RalUwb0uqbI&t=0s) 帕西尼累计融资额突破6亿美元，估值超过30亿美元，触觉传感器在全球细分市场份额位列第一，股东包括三星、LG与比亚迪等制造巨头。 - [12:44](https://www.youtube.com/watch?v=RalUwb0uqbI&t=764s) 公司已积累超过100万小时包含高精度触力觉的人类操作数据集OmniSharing DB，并在宿迁与天津等五地布局专业数据工厂。 - [14:45](https://www.youtube.com/watch?v=RalUwb0uqbI&t=885s) 帕西尼推出具身物理模型Feelix World，通过融合视觉、语言以及快慢适应生物级触觉信号，实现面对陌生物体的少样本与零样本泛化操控。 - [16:04](https://www.youtube.com/watch?v=RalUwb0uqbI&t=964s) 主打灵巧手产品DexH13已通过长达20,000小时的严苛耐久性测试，团队并计划向业界开源部分灵巧手设计图纸以赋能硬件生态。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=RalUwb0uqbI&t=0s) 触觉是机器人理解物理世界的缺失关键，仅依靠视觉和文本推理无法感知受力变化与接触动态。 - [00:00](https://www.youtube.com/watch?v=RalUwb0uqbI&t=0s) 帕西尼名称源自人体感受微细纹理与高频振动的机械感受器“帕西尼小体”，致力于研发高性能触觉传感皮肤。 - [03:20](https://www.youtube.com/watch?v=RalUwb0uqbI&t=200s) 仅靠像素观察与轨迹模仿并非真正的物理理解，缺乏触觉反馈的智能无法跨越真实工业与家庭操作中的落差。 - [06:31](https://www.youtube.com/watch?v=RalUwb0uqbI&t=391s) 机器人操作需要超越文本定义的“经验层”，这类微操细节必须依靠人类在真实环境中的交互示范来沉淀。 - [06:31](https://www.youtube.com/watch?v=RalUwb0uqbI&t=391s) 轻量化数据采集手套套件能够将触觉、轨迹与力矢量转化为示范数据，用于训练紧凑高效的物理小模型以驱动数据飞轮。 - [06:31](https://www.youtube.com/watch?v=RalUwb0uqbI&t=391s) 衡量具身智能的核心标准在于机器人能否在真实世界中直接操作并泛化到从未见过的全新物体。 - [10:17](https://www.youtube.com/watch?v=RalUwb0uqbI&t=617s) 帕西尼提出机器人核心技术架构PIE：即Perception（感知）、Intelligence（智能）与Execution（执行）。 - [10:49](https://www.youtube.com/watch?v=RalUwb0uqbI&t=649s) 感知层依托自研传感器芯片与FUSE架构，实现指尖、手掌、全身皮肤、关节扭矩及六维力传感器的全维度覆盖。 - [12:44](https://www.youtube.com/watch?v=RalUwb0uqbI&t=764s) Omni VTLA 2.0飞轮架构打通了预训练、后训练与终身学习，结合真实操作回传数据形成闭环持续迭代。 - [16:04](https://www.youtube.com/watch?v=RalUwb0uqbI&t=964s) 执行机构是物理AI落地的最后一公里，缺乏坚固耐用的末端执行器就无法形成可靠的现实闭环。 - [17:57](https://www.youtube.com/watch?v=RalUwb0uqbI&t=1077s) 第二种PIE升华为Platform（平台）、Integration（集成）与Ecosystem（生态），旨在降低造机器人门槛并推动行业开放协作。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=RalUwb0uqbI&t=0s) 开场：机器人为何需要触感与物理AI？

过去几年，人工智能的发展让机器人的“大脑”变得越来越聪明，但在真正走进现实世界的过程中，始终缺失了一样极为核心的能力——像人类一样感知物体的触感，并理解接触过程中力的动态变化。如何让机器人真正拥有感知物理世界、理解物理世界并作用于现实的能力，成为当前具身智能领域最迫切的命题。在 Alignment 2026 大会现场，帕西尼（PaXini AI）创始人兼 CEO 许晋诚博士（Dr. Michael Hsu）登台，围绕“物理AI的PIE”展开分享。他幽默地调侃道：“对大家来说 它可能只是一种食物，但它对机器人非常重要。”

许晋诚首先拆解了公司名称“帕西尼”的生物学渊源。人体皮肤中分布着四种不同类型的机械感受器，其中专门负责感知微细纹理与高频振动的便是“帕西尼小体”（Pacinian corpuscle）。帕西尼团队的初衷，正是研制一种能够媲美帕西尼小体的高性能传感皮肤。为了具象化触觉的重要性，许晋诚向现场观众抛出一个思考实验：想象你的左手握着一杯装满水的水杯，右手拿着一枚生鸡蛋，“人类到底是怎么知道该如何与这些物体互动的？其实依靠的就是触觉感知。”正是大脑实时处理指尖源源不断的触觉信号，我们手中的鸡蛋才既不会滑落摔碎，也不会因用力过猛而被捏爆。触觉，正是生命体与物理世界建立双向互动的核心纽带。

关于帕西尼团队的发展现状与商业落地，许晋诚披露了几个关键数据与合作进展： - **融资与估值**：公司累计融资额已超过 6 亿美元，最新估值突破 30 亿美元。 - **市场地位**：相关触觉传感产品在细分全球市场份额中排名第一，除机器人之外，已广泛渗透至汽车与工业自动化等多个垂直领域。 - **产业投资与合作生态**：股东包括三星、LG、比亚迪等国际巨头；帕西尼不仅获得资金支持，更深度协同这批产业资本制造其自研的机器人及自动化系统。这些制造巨头均已将战略焦点瞄准物理 AI（Physical AI），深刻意识到触觉交互信息是具身本体不可或缺的一环。

---

[03:20](https://www.youtube.com/watch?v=RalUwb0uqbI&t=200s) 物理AI的瓶颈：从像素观察到真正理解现实

谈及智能在物理空间中的存在形式，许晋诚提出反思：如果 AI 具备了推理思考能力，它真的理解这个物理世界吗？他展示了一张对比图：画面一侧是人类在吸尘擦地，另一侧是人形机器人模仿完全一致的清洁姿势。然而，即便机器人做出了分毫不差的动作轨迹，“机器人真的理解自己在做什么吗？这仍然值得怀疑。”人类拖地时，会通过手感感知地面阻力，自主将吸尘器吸嘴适度压向地面以形成密闭负压；若机器人仅靠视觉轨迹回放，根本无法察觉吸嘴是否贴合、地面是否洁净。

```mermaid flowchart LR accTitle: 从观察到主动物理交互的演进 accDescr: 展示物理AI从仅依靠像素的被动观察，进化到结合多模态的主动物理闭环交互过程。

subgraph Passive["传统观察（被动感知）"] A["视觉摄像头输入<br/>（像素观察）"] --> B["指令与Prompt推理"] end

subgraph Active["物理AI（主动交互）"] C["触觉/力觉反馈<br/>（接触受力变化）"] --> D["物理理解与调整"] B -.->|"存在现实鸿沟"| D D --> E["改变物理现实<br/>（可靠闭环执行）"] end ```

许晋诚强调：“缺乏物理理解的智能是不完整的。”从“知道怎么做”到“实际去做”，再到“可靠地做到”，工业级与家庭级应用之间仍横亘着巨大的技术鸿沟。下一代人工智能绝不能仅仅停留在理解文本提示词（Prompt）或生成图文信息，它必须真正介入现实、推动状态改变。针对现场热议的超级智能（Superintelligence, SI）概念，许晋诚打趣道，不管外界定义为 AI 还是 SI，他始终坚持聚焦于能触碰实体的 Physical AI。他直言：

> “世界并不是由像素构成的，我们并不只是用摄像头观察一切。现实不仅是我们看到的，也是我们触摸、感受和改变的。”

为了打破这一僵局，帕西尼开展了一系列物理交互实验。只有让机器人从被动摄像头采集转向主动触觉感知，机械臂在抓取电灯泡、拿捏吸尘管等脆弱或形状各异的物体时，才能实时掌握手指受力形变，进而从一次次真实的接触试错中学习物理规律。

---

[06:31](https://www.youtube.com/watch?v=RalUwb0uqbI&t=391s) 智能需要经验：构建数据工厂与物理飞轮

“智能需要的远不止知识，知识比如文本，但它需要的不只是文本，还需要更多经验。”许晋诚解释说，语言模型可以轻易背诵出“杯子是一个圆柱形容器”的定义，但关于如何调整手掌抓取一个易碎杯子、倾斜多少角度水不会泼洒，纯文本知识无法提供答案。这类由动态接触产生的人类微操数据，构成了机器人物理操作的“经验层”。

为了构建这一经验层，帕西尼搭建了专业的数据工厂体系。操作员通过日常的看、触、抓、放，将与物理环境交互的多模态数据全面数字化。除了标准化的集中式数据工厂，帕西尼还推出了轻量化数据采集手套套件，让开发者和用户能够在家庭等非结构化日常环境中随手教学机器，促成“数据驱动的物理智能飞轮”。许晋诚强调，这种手套采集并非单纯的遥操作（Teleoperation），而是将人手采集的高精触觉、轨迹与受力矢量沉淀为示范数据，用来训练紧凑高效的物理小模型，从而大幅提升机器人面对多变任务时的抓取成功率。

在探讨如何衡量具身智能系统水平时，许晋诚指出，虚拟环境的分数无法代表实操水平，“一个很简单的方法就是，看机器人能否处理以前从未遇到过的事物。”如果面对从未见过的包装形状、从未操作过的工业零件，机械臂依然能凭借指尖触感自适应微调并顺利完成任务，才证明它具备了在现实中泛化的通用智能。归根结底，“现实世界才是对机器人的终极考验。”

---

[10:17](https://www.youtube.com/watch?v=RalUwb0uqbI&t=617s) 解构PIE体系：感知（自研传感器与芯片）

基于让智能与现实接轨的战略，许晋诚正式阐述了帕西尼的核心技术架构——**PIE**体系。这一缩写不仅是一个生动的代称，更代表了机器人走向物理智能必备的三项底层支柱： - **P** —— **Perception（感知）** - **I** —— **Intelligence（智能）** - **E** —— **Execution（执行）**

在感知（P）层面，帕西尼彻底抛弃了纯外购组装的路径，全面依托自研传感器芯片和底层 FUSE 技术。现场大屏幕展示了帕西尼联合创始人张博士的测试演示：当机械指尖触碰极其微细锐利的钢针时，系统能瞬间捕捉微牛级别的高灵敏接触并做出合规避让或安全对齐。

```mermaid flowchart TD accTitle: 帕西尼全身多维物理感知布局 accDescr: 展现从自研芯片底层延伸到机器人各关节与表皮的完整物理传感器布局。

subgraph Core["核心底层"] A["自研 FUSE 传感器芯片架构"] end

subgraph BodySensors["机器人全身物理感知部署"] B["指尖触觉阵列传感器"] C["手掌与身体电子皮肤"] D["末端执行器六维力/力矩传感器"] E["各关节高精度扭矩传感器"] F["足底触地压力传感器"] end

A --> B A --> C A --> D A --> E A --> F ```

基于 FUSE 芯片架构，帕西尼实现了机器人全身维度的物理感知覆盖： - **末端与皮肤**：分布于指尖的高分辨率触觉传感器、手掌表皮及全身机器人皮肤，乃至保障行走动态平衡的脚底触感模块； - **关节与受力**：安装于各运动关节的高性能扭矩传感器，以及手腕末端执行器的六维力／力矩传感器。

许晋诚提到，这套硬件技术具备广阔的拓展潜力，近期许多机器人主机厂商带着意想不到的全新需求主动寻求定制，各种前所未见的落地场景正不断涌现。

---

[12:44](https://www.youtube.com/watch?v=RalUwb0uqbI&t=764s) 智能（I）：百万小时OmniSharing DB与Feelix World多模态模型

在智能（I）模块中，帕西尼攻克的核心是物理操作模型及其燃料——高质量交互数据。许晋诚现场披露了具身智能数据库 **OmniSharing DB** 的最新里程碑： - **数据规模**：已累积突破 **100 万小时** 包含高精度触觉与力觉信息的人类操作数据，涵盖仓储物流、家庭服务以及工业产线装配等丰富场景，部分数据资产已在帕西尼官网上线开放。 - **产业基地布局**：帕西尼已在全球范围推进五大数据工厂，其中中国东部宿迁基地与华北天津基地已正式投运，另有三座大型数据工厂处于建设收尾阶段。

在算法演进方面，针对机器人预训练（Pre-training）、后训练（Post-training）与终身学习（Lifelong Learning），帕西尼推出了 **Omni VTLA 2.0** 飞轮多系统架构。该架构不仅能消化人类数据工厂的海量经验，还能将机器人自身在作业中生成的真实互动数据实时回传，形成持续迭代闭环。

针对小样本甚至零样本泛化难题，许晋诚宣布即将在当月底发布具身物理模型 **Feelix World**。该模型将物理接触感受转化为高密度编码向量，深度融合语言信息、视觉图像与底层快适应（Fast-adapting）及慢适应（Slow-adapting）生物级触觉信号。正是凭借快慢双通道触觉特征的联合嵌入，模型赋予了机器人在遭遇陌生物体时无需反复训练即可自适应稳定操控的零样本泛化潜力。

---

[16:04](https://www.youtube.com/watch?v=RalUwb0uqbI&t=964s) 执行（E）与第二种PIE：软硬闭环与共建生态

谈到执行（E），许晋诚直言执行机构是具身物理闭环的“最后一公里”：

> “即使你有完美的感知能力，有出色的大脑，但如果没有一个足够好的执行层，比如没有完整的机器人本体，没有末端执行器（比如机器人手），那你还差得很远，无法让机器人形成闭环在现实世界中完成任务。”

执行机构的设计极其严苛。许晋诚点赞了同场 Chestnut Robotics 机器人弹钢琴的精巧控制，并宣布帕西尼决定向产业界开源部分灵巧手设计图纸，以此赋能整个机器人硬件生态。在商业化硬件方面，帕西尼的主打灵巧手产品 **DexH13** 展现出工业级的寿命表现，经过了长达 **20,000 小时** 的严苛可靠性与耐久性测试，已在大负荷场景中得到充分验证。目前，包括三星、LG、京东、比亚迪以及智能手机品牌荣耀在内的众多头部客户，均已在不同业务线全面接入帕西尼的执行层解决方案。

在演讲尾声，许晋诚将 PIE 的内涵升华到第二层维度： - **第一种 PIE**：**P**erception（感知）+ **I**ntelligence（智能）+ **E**xecution（执行），构筑单体机器人与物理世界深度交互的完整闭环； - **第二种 PIE**：**P**latform（平台）+ **I**ntegration（集成）+ **E**cosystem（生态），构建面向全球开发者与硬件厂商的开放协作系统。

“我们希望用一个 PIE，创造一个未来和无限的可能。”许晋诚总结道，帕西尼的终极愿景是降低造机器人的门槛，让每一个企业和团队都能利用成熟的技术底座打造专属机器人，从而把人类从繁重单调的体力劳动中彻底解脱出来，尽情在现实生活中体验更多美好与乐趣。

## Notable quotes > [03:20](https://www.youtube.com/watch?v=RalUwb0uqbI&t=200s) 世界并不是由像素构成的，我们并不只是用摄像头观察一切。现实不仅是我们看到的，也是我们触摸、感受和改变的。 — 许晋诚

> [03:20](https://www.youtube.com/watch?v=RalUwb0uqbI&t=200s) 缺乏物理理解的智能是不完整的。 — 许晋诚

> [06:31](https://www.youtube.com/watch?v=RalUwb0uqbI&t=391s) 现实世界才是对机器人的终极考验。 — 许晋诚

## Mentioned 帕西尼（PaXini AI）, 许晋诚（Michael Hsu）, 张博士, 硅谷101, Alignment 2026, 帕西尼小体（Pacinian corpuscle）, 三星（Samsung）, LG, 比亚迪（BYD）, 京东, 荣耀（Honor）, Chestnut Robotics, FUSE 传感器芯片架构, OmniSharing DB, Omni VTLA 2.0, Feelix World, DexH13

## Video description *感谢帕西尼对Alignment 2026大会的现场赞助支持 当AI开始走进物理世界，机器人也需要学会感受每一次接触。拿起一个物体，该用多大的力？碰到东西之后，又该怎样调整动作？这些我们习以为常的细节，都是机器人需要学习的东西。 在硅谷101 Alignment 2026大会上，帕西尼（PaXini AI）创始人兼CEO许晋诚博士介绍了团队研发的触觉与力觉传感器、灵巧手以及已累积超100万小时的OmniSharing DB数据集。从感知接触和受力，到让模型学习，再到准确执行动作，他分享了帕西尼如何把这些工作连接起来，让机器人感知世界、理解世界，并真正作用于世界。 当机器人能够感知环境，并从一次次操作中积累经验，它们离真正承担更多工作还有多远？这期，让我们回到Alignment 2026大会现场，听听帕西尼的探索。

大会嘉宾： 许晋诚博士，帕西尼（PaXini AI）创始人兼CEO

时间轴： 00:00 机器人还缺什么能力？ 00:29 嘉宾开场：从触觉感知到物理AI 03:20 机器人真的理解自己在做什么吗？ 06:31 从知识到经验：机器人如何学习操作？ 08:31 用手套采集数据，教机器人做动作 09:15 如何评测机器人：能否操作陌生物体？ 10:17 PIE：感知、智能与执行 10:49 感知：自研芯片与全身传感器 12:44 智能：数据工厂与百万小时人类数据 13:42 OmniVTLA：用交互数据训练机器人 14:45 Feelix World：探索少样本与零样本泛化 16:04 执行：灵巧手设计与可靠性测试 17:57 第二种PIE：平台、集成与生态

【延伸观看】

AI不只要理解世界，也在不断拓展感知和探索现实的能力。从新材料与芯片研发，到在浩瀚宇宙中寻找微弱信号，AI正在打开更多可能。感兴趣的小伙伴可以接着看看👇

https://youtu.be/cmhym0OcoS8?si=X42jWW2rubApRjxN

https://youtu.be/hrQBNhpIFlc?si=tLSWmNBgIyoPFM4g

https://youtu.be/0FCDUfQvN2c?si=wt1y14Vu216chnoz

【欢迎加入硅谷101 Discord讨论群】 👉https://discord.gg/PACWRvyfCm

【往期精彩视频】 https://www.youtube.com/watch?v=pC3QbOu7_s4

https://youtu.be/nuD-P-AFjG0?si=3ubP0fN-cy27-Vij

https://youtu.be/BmcoQDwdkeM?si=WrLn-34Kv-O6a5Q2

https://youtu.be/2pZ9Gl7qVUo?si=01gRD4_4pEC5qU-3

https://www.youtube.com/watch?v=nilNLfW7izg

https://www.youtube.com/watch?v=tzEWYNQmnmc

https://www.youtube.com/watch?v=89ThCi5qq-A&t=6s

https://youtu.be/x2meJPOn9ws?si=p4voD9TJW9-M44hm

https://youtu.be/svNElhOYajQ?si=vFKE_9M_Onr7yUOf

https://youtu.be/cB_X6AImPjQ?si=b5jpZegDdrzAfk9N

https://youtu.be/H35nVgNGyo8?si=d4SAJHw4JmfBTPYb

https://youtu.be/G-1qbtXJKyQ?si=qiVXq7JGKkDZIQAT

https://youtu.be/i0t3RyLILnw?si=RTAcHEoVXsGKd5j7

https://www.youtube.com/watch?v=ARocqV7DtC8

https://youtu.be/--ePbkaRwl4?si=2Xf_675LCex1rs6c

[Source](https://www.youtube.com/watch?v=RalUwb0uqbI)

中文简报

帕西尼推触觉模型与自研芯片 联手比亚迪三星发力物理AI 纯视觉像素无法让机器人真正理解现实世界，具身智能唯有融合高频触觉反馈与动态交互经验，才能跨越从轨迹模仿到未知环境自适应操作的技术鸿沟。 许晋诚博士指出当前 AI 虽具备强大的推理大脑，但因缺乏触觉与受力反馈，仍无法真正理解并可靠地操作物理现实。围绕核心技术架构“PIE”（Perception 感知、Intelligence 智能、Execution 执行），帕西尼展示了自研 FUSE 触觉传感器芯片与全身传感布局，并披露了累积超 100 万小时操作数据的 OmniSharing DB 数据库及 Feelix World 具身物理模型。在执行层，团队推出了经过 20,000 小时耐久测试的 DexH13 灵巧手并开源部分设计，最终将架构升华为涵盖平台、集成与生态的“第二种 PIE”，旨在全面赋能全球开发者打造实用的物理 AI 机器人。 帕西尼累计融资额突破6亿美元，估值超过30亿美元，触觉传感器在全球细分市场份额位列第一，股东包括三星、LG与比亚迪等制造巨头。 (0:00) 公司已积累超过100万小时包含高精度触力觉的人类操作数据集OmniSharing DB，并在宿迁与天津等五地布局专业数据工厂。 (12:44) 帕西尼推出具身物理模型Feelix World，通过融合视觉、语言以及快慢适应生物级触觉信号，实现面对陌生物体的少样本与零样本泛化操控。 (14:45) 主打灵巧手产品DexH13已通过长达20,000小时的严苛耐久性测试，团队并计划向业界开源部分灵巧手设计图纸以赋能硬件生态。 (16:04)

Reading summary

帕西尼（PaXini AI）创始人许晋诚认为，具身智能的核心瓶颈在于缺乏对物理受力与接触动态的理解；纯视觉观察无法跨越现实鸿沟，机器人必须依托高精度触觉感知、物理交互数据飞轮与工业级执行机构构成的“PIE”软硬件闭环才能真正改造现实。 从像素观察到主动交互：物理AI的触觉断层 (3:20) 在 Alignment 2026 大会上，许晋诚指出，当前的 AI 大模型擅长语言推理与基于摄像头的像素观察，但并不真正理解物理世界。例如，人形机器人即便能完美复刻人类擦地或吸尘的动作轨迹，若缺乏对地面阻力的感知以调整下压力，就无法形成有效负压完成清洁。人类在抓取水杯或生鸡蛋时，依靠的是皮肤中“帕西尼小体”等感受器对高频振动与微细纹理的毫秒级反馈，以此防止滑落或捏爆。许晋诚强调，现实世界不是由像素构成的，物理 AI 必须摆脱单一摄像头的被动观察，转向依靠触觉的主动接触试错，从而学习物体受力形变的动态规律。 感知层（P）：以自研FUSE芯片覆盖全身体感 (10:17) 帕西尼将机器人物理智能的基础拆解为“PIE”体系，其中感知（Perception）是建立环境交互的起点。帕西尼放弃了外购零部件组装的路线，基于自研底层的 FUSE 传感器芯片架构研发传感硬件。根据现场技术演示，该芯片驱动的指尖传感系统能够捕捉微牛级别的微细接触力并实现安全对齐或避让。在整机部署上，该技术已拓展至指尖触觉阵列、手掌与身体电子皮肤、脚底压力传感器、关节扭矩传感器以及末端六维力/力矩传感器，实现了机器人全身维度的物理受力覆盖。据许晋诚披露，公司累计融资已逾 6 亿美元，最新估值超过 30 亿美元，其触觉传感硬件已在细分全球市场份额中位列第一，并进入汽车与工业自动化领域。 智能层（I）：百万小时交互数据与Feelix物理模型 (12:44) 许晋诚指出，语言模型虽然掌握了物体的文本定义，却无法提供抓取易碎物品时不泼洒水流的动态微操“经验”。为了沉淀物理操作经验，帕西尼设立了集中式数据工厂（宿迁与天津基地已投运，另有三座在建）并推广手套数据采集套件，其 OmniSharing DB 数据库已累积超过 100 万小时包含高精度触觉与力觉信息的真实操作数据。在算法层面，帕西尼采用 Omni VTLA 2.0 闭环架构实现数据持续回传与模型终身学习，并计划发布具身物理模型 Feelix World。该模型将快适应与慢适应双通道生物级触觉信号编码向量，深度融合语言与视觉特征，旨在让机械臂面对未见过的异形物体或工业零件时，依然能实现零样本泛化的自适应抓取。 执行层（E）与产业生态：工业级灵巧手与双重PIE (16:04) 执行（Execution）层被许晋诚定义为物理闭环的最后一公里。他认为，即便具备成熟的感知系统与算力大脑，缺乏高可靠性的末端执行器依然无法在现实中完成作业。帕西尼的主打灵巧手产品 DexH13 经过了长达 20,000 小时的工业级寿命与耐久性测试，其执行层方案已进入三星、LG、比亚迪、京东、荣耀等企业的供应链。为降低制造门槛，帕西尼宣布向行业开源部分灵巧手设计图纸。许晋诚将 PIE 体系归纳为双重维度：一是单体技术上的“感知（Perception）+ 智能（Intelligence）+ 执行（Execution）”，二是产业协作上的“平台（Platform）+ 集成（Integration）+ 生态（Ecosystem）”，目标是降低具身智能开发壁垒并赋能全球硬件厂商。 许晋诚阐述了从自研传感芯片、多模态触觉数据到工业级执行器的全栈落地路径，强调物理世界的真实接触是检验具身通用智能的唯一标准；但对于复杂的非结构化日常环境，物理小模型的跨硬件泛化能力与大规模多模态接触数据的商业转化效率仍需持续的市场验证。

Source quotes

[3:20] 许晋诚: 世界并不是由像素构成的，我们并不只是用摄像头观察一切。现实不仅是我们看到的，也是我们触摸、感受和改变的。 [3:20] 许晋诚: 缺乏物理理解的智能是不完整的。 [6:31] 许晋诚: 现实世界才是对机器人的终极考验。

Original transcript

[0:00] 过去几年 机器人“大脑”越来越聪明 [0:02] 但要真正走进现实世界 还差一样很重要的东西 [0:06] 就是像人类一样能感知物体的触感 [0:09] 理解接触时的受力变化 [0:12] 如何让机器人真正拥有感知和理解物理世界的能力 [0:16] 接下来 就让我们回到ALIGNMENT 2026大会现场 [0:20] 看看Michael Hsu如何理解Physical AI的发展方向 [0:24] 以及机器人还需要突破哪些技术瓶颈 [0:29] 我是Michael Hsu博士 [0:32] 今天的主题是物理AI的PIE [0:35] 稍后我会解释PIE是什么 [0:39] 对大家来说 它可能只是一种食物 [0:41] 但它对机器人非常重要 [0:47] 说到我们公司的名字 [0:50] 很多人都觉得很有意思 [0:55] 他们会问 为什么叫帕西尼（PaXini AI） [1:01] 这是因为人体皮肤里 [1:05] 有四种不同类型的触觉感受器 [1:08] 其中一种负责感知纹理和高频振动 [1:13] 就是帕西尼小体 [1:15] 所以我们想做出一种传感皮肤 [1:18] 让它像帕西尼小体一样 [1:21] 这也是我们取名帕西尼的原因 [1:25] 手指上的触觉感知非常重要 [1:30] 在开始之前 [1:32] 我们请大家想象一下 [1:36] 比如你的左手和右手 [1:38] 一只手拿着装满水的杯子 [1:42] 另一只手拿着一个鸡蛋 [1:44] 我们想问 人类到底是怎么知道 [1:47] 该如何与这些物体互动的 [1:51] 其实依靠的就是触觉感知 [1:53] 为什么我们拿着的鸡蛋不会滑落 [1:58] 也不会被捏碎 [2:00] 就是因为我们获得了大量触觉信息 [2:04] 大脑能够处理这些信息 [2:06] 所以触觉感知对于人体来说 [2:11] 是与物理世界互动的重要一环 [2:14] 简单介绍一下我们的公司 [2:17] 我们是全球领先的 [2:18] 具身感知驱动通用智能的企业 [2:22] 目前 我们累计融资超过6亿美元 [2:27] 公司最新估值超过30亿美元 [2:32] 我们的产品在全球市场份额排名第一 [2:37] 不仅应用在机器人上 [2:38] 也应用在汽车和其他领域 [2:42] 再简单介绍一下我们的股东 [2:46] 比如三星、LG、比亚迪等大型企业 [2:52] 都是我们的股东 [2:53] 而且他们不仅是股东 [2:56] 我们也帮助他们制造 [2:58] 自己的机器人或自动化设备 [3:02] 对于未来的机器人 [3:05] 我们看到这些大型企业 [3:08] 都非常关注物理AI [3:12] 也意识到触觉感知信息 [3:16] 对机器人本身极其重要 [3:20] 当我们思考如何与物理世界互动时 [3:25] 就会问 智能如何存在于物理世界中 [3:31] 于是又产生了更多问题 [3:36] 如果AI能够思考 [3:40] 它能理解物理世界吗 [3:43] 比如这张图 [3:45] 一个人在清洁地板 [3:49] 机器人也在清洁地板 [3:51] 但机器人做着完全相同的动作时 [3:58] 它真的理解自己在做什么吗 [4:02] 比如我们清洁地板时 [4:04] 需要用手 [4:06] 通过触觉感受地板 [4:10] 并把吸尘器的吸嘴压向地面 [4:16] 才能把地板吸干净 [4:19] 但机器人真的理解这个动作吗 [4:22] 这仍然值得怀疑 [4:24] 所以 缺乏物理理解的智能是不完整的 [4:29] 机器人从知道怎么做到实际去做 [4:36] 再从做到走向可靠地做到 [4:39] 这中间仍然存在很大的鸿沟 [4:42] 所以我们想问 [4:44] 下一代AI应该是什么样的 [4:46] 它们不应该只是理解指令 [4:50] 也不应该只是对提示词作出反应 [4:53] 它们需要与世界互动 [4:56] 并且让事情发生或带来改变 [4:59] 不仅如此 [5:01] 世界并不是由像素构成的 [5:04] 我们并不只是用摄像头观察一切 [5:07] 现实不仅是我们看到的 [5:09] 也是我们触摸、感受和改变的 [5:13] 为了理解世界 [5:15] 我们公司要做的 [5:17] 就是推动AI理解现实 [5:21] 进一步推动AI的发展 [5:24] 现在我们叫它AI [5:25] 不过刚才的视频里说的是SI 对吧 [5:29] 超级智能 [5:31] 你们说的是超级智能吗 [5:33] 不知道 我还是用AI [5:35] 尤其是在美国以外的地方 [5:38] 好 回到幻灯片 [5:39] AI必须超越观察 [5:45] 不只是看见 还要作出反应 [5:46] 或者与之互动 [5:49] 而从观察走向互动 [5:53] 我们做了很多这样的实验 [5:58] 因为我们希望机器人从被动感知 [6:02] 走向主动理解物理世界 [6:07] 只有这样 机器人才能从现实中学习 [6:13] 大家可以看这里的小视频 [6:18] 机器人利用触觉传感器进行操作时 [6:23] 能感受到自己是如何抓住吸嘴的 [6:27] 如何抓取物体或者灯泡 [6:31] 不仅如此 智能需要的远不止知识 [6:38] 知识 比如文本 [6:41] 但它需要的不只是文本 [6:43] 还需要更多经验 [6:45] 什么是经验呢 [6:47] 其实就是人类数据 [6:50] 机器人可能知道杯子是什么 [6:54] 你看 杯子是一个圆柱形的物体 [6:58] 但它知道该如何抓住杯子或怎么与它互动吗 [7:02] 也许不知道 [7:04] 经验教会我们 [7:07] 也教会机器人如何行动 [7:10] 以及如何操作物体 [7:12] 再进一步说 [7:13] 再进一步说 [7:15] 如果我们希望获得更多经验 [7:15] 如果我们希望获得更多经验 [7:17] 就需要建立一个经验层 [7:20] 为机器人或物理AI提供经验 [7:24] 因为我们需要感知世界 [7:28] 大家看到的这个流程 [7:31] 是我们数据工厂里的一个流程 [7:36] 人进行观察和互动 [7:39] 然后拿起瓶子 [7:41] 我们就能获得与这类物体互动的数据 [7:45] 所以我们要建立 [7:47] 这样的AI或机器人数据基础 [7:50] 让机器能够从物理世界学习 [7:53] 这是非常重要的一层 [7:56] 每一次互动 [8:00] 都是向物理世界学习的机会 [8:04] 不局限于固定地点的数据工厂 [8:07] 不局限于固定地点的数据工厂 [8:08] 我们也希望机器人能在任何地方学习 [8:11] 所以我们提供了这样的设备 [8:15] 让大家在自己家里教机器人 [8:19] 我们希望抓住每个教机器人的机会 [8:25] 这就形成了数据驱动的物理智能飞轮 [8:26] 这就形成了数据驱动的物理智能飞轮 [8:30] 把物理互动转化为智能也是关键之一 [8:37] 大家看到的是我们的一款手套 [8:39] 大家看到的是我们的一款手套 [8:40] 我们用它来教机器人 [8:43] 这并不是远程操控 [8:47] 我们用这些数据训练一个小模型 [8:50] 它就能够非常精确地完成动作 [8:57] 所以 感知能力非常重要 [9:00] 无论对触觉信号本身 [9:01] 无论对触觉信号本身 [9:03] 还是与各种物体的交互都是如此 [9:07] 通过学习 成功率能够大幅提升 [9:09] 通过学习 成功率能够大幅提升 [9:10] 适用于机器人执行的各种任务 [9:11] 适用于机器人执行的各种任务 [9:14] 如果我们有了这样的实验 [9:18] 如果我们有了这样的实验 [9:18] 并让机器人从中学习 [9:20] 那么 该如何建立评测基准 [9:23] 或者说 该如何评估机器人完成的任务 [9:29] 是否符合人类的需求 [9:32] 所以我们要建立评测基准 [9:35] 一个很简单的方法就是 [9:38] 看机器人能否处理 [9:41] 以前从未遇到过的事物 [9:45] 比如它从未见过的物体 [9:47] 或者从未操作过的物体 [9:52] 如果机器人能够处理这些物体 [9:54] 就说明它能在现实世界中展现智能 [9:59] 所以 最终我们想说的是 [10:02] 现实世界才是对机器人的终极考验 [10:05] 而最重要的 [10:06] 而最重要的 [10:07] 就是让机器人和物理AI [10:11] 以可衡量的真实世界交互为基础 [10:14] 这就回到了我们的PIE [10:16] PIE就是让智能与现实相结合 [10:20] 接下来 [10:21] 我想进一步介绍我们的PIE [10:25] 很多人会问 为什么叫PIE [10:26] 是苹果派 还是菠萝派 [10:29] 到底是什么派呢 [10:30] P是感知 I是智能 E是执行 [10:34] 对于每一个机器人来说 [10:36] 这三种能力都必不可少 [10:38] 一个PIE就能创造无限可能 [10:42] 通过帕西尼的PIE [10:44] 我们能为机器人创造更多可能 [10:46] 我们能为机器人创造更多可能 [10:49] 首先 我想介绍感知这一部分 [10:52] 我们的感知能力基于自研传感器芯片 [10:56] 大家可以看到 [10:59] 这是张博士的手 [11:01] 张博士正在演示 [11:03] 如何利用手上的触觉感知能力 [11:07] 这里有一根很尖的针 [11:09] 位于指尖的位置 [11:10] 当机器人手进行捏取动作时 [11:13] 如果它具备这样的感知能力 [11:17] 就能够作出反应 并与人交互 [11:22] 基于这样的传感器芯片架构 [11:26] 能开发各种产品 [11:27] 比如大家现在看到的机器人指尖传感器 [11:32] 还有触觉传感器 [11:34] 还有汽车上的传感器 [11:36] 或其他各种应用中的传感器 [11:39] 都能基于这种芯片架构来构建 [11:43] FUSE芯片和FUSE技术 [11:45] 目前我们在机器人上有各种产品 [11:50] 比如关节上的扭矩传感器 [11:53] 末端执行器上的六维力／力矩传感器 [11:57] 还有触觉传感器 [12:00] 用于指尖、手掌和机器人皮肤 [12:05] 甚至机器人脚底 [12:07] 有了这些技术 [12:11] 我们就能让每个机器人 [12:13] 具备全身的物理感知能力 [12:17] 基于这项技术 [12:20] 它还有很大的潜力 [12:22] 它还有很大的潜力 [12:24] 满足我们尚未知晓的需求 [12:25] 满足我们尚未知晓的需求 [12:26] 因为最近有很多客户来找我们 [12:29] 因为最近有很多客户来找我们 [12:30] 希望在机器人上安装不同类型的传感器 [12:35] 有些应用我们以前从未见过或听说过 [12:37] 有些应用我们以前从未见过或听说过 [12:38] 机器人公司的这些需求也令人惊喜 [12:43] 再说智能这一部分 [12:46] 我们建立了数据工厂 [12:50] 数据工厂是帕西尼的重要项目 [12:56] 现在我们已经能够获得 [12:58] 超过100万小时的高精度人类数据 [13:04] 其中包含触觉感知信息 [13:08] 这个数据库叫OmniSharing DB [13:10] 如果大家感兴趣 [13:12] 可以直接到我们的官网上查看 [13:16] 利用这些数据 [13:18] 我们可以开发各种应用 [13:20] 我们可以开发各种应用 [13:21] 我们可以开发各种应用 [13:22] 比如仓库里的应用 [13:25] 各种家庭应用 [13:27] 以及工厂中的应用 [13:29] 依托这项技术 [13:32] 我们布局了五座数据工厂 [13:35] 一座在中国东部的宿迁 [13:37] 另一座在中国北部的天津 [13:40] 另外还有三座即将建成 [13:41] 有了这些数据 [13:42] 我们就可以让机器人从中学习 [13:47] 那么 怎么让机器人从这些数据中学习 [13:50] 我们需要算法 [13:52] 所以我们开发了 [13:53] 这样一套用于机器人的多系统算法 [13:58] 在座很多人可能都是机器人工程师 [14:04] 大家一定了解机器人的训练过程 [14:07] 这些数据可以用来做 [14:08] 预训练、后训练 [14:10] 甚至终身学习 [14:13] 所以 这类数据 [14:15] 对机器人本身非常重要 [14:18] 为此 我们开发了飞轮算法模型 [14:23] 用于机器人模型本身 [14:23] 用于机器人模型本身 [14:25] 来验证这些数据确实有用 [14:28] 这个模型叫Omni VTLA 2.0 [14:30] 通过这个模型 大家可以看到 [14:32] 我们可以使用数据工厂产生的数据 [14:35] 也可以使用机器人自身产生的数据 [14:39] 当机器人自己生成数据时 [14:41] 仍然可以用这些数据进行终身学习 [14:44] 仍然可以用这些数据进行终身学习 [14:44] 而模型本身 [14:47] 也能发挥非常重要的作用 [14:51] 或许能帮助机器人实现零样本泛化 [14:55] 所以我们开发了Feelix World [14:59] 这个模型很快就会发布 [15:02] 可能就在这个月底 [15:04] 这项技术能够处理信息 [15:08] 或者说 对触觉感知信息进行编码 [15:11] 让机器人感知世界 [15:13] 这样一来 [15:16] 就能实现少样本 [15:17] 甚至零样本泛化 [15:20] 正如大家看到的 [15:22] 我们并没有放弃语言信息 [15:25] 我们仍然会使用语言 [15:27] 也会使用视觉信息 [15:29] 还会使用机器人自身的交互信息 [15:35] 除此之外 更重要的是触觉感知 [15:40] 我们会利用慢适应型触觉信息 [15:44] 和快适应型触觉信息 [15:47] 让机器人将这些触觉信息 [15:51] 嵌入模型和算法之中 [15:55] 此外 我们还将这些模型应用到各种场景中 [16:01] 稍后我会进一步介绍这些应用 [16:04] 接下来是PIE的最后一部分 执行 [16:08] 执行能力 [16:10] 是机器人最重要的能力之一 [16:13] 因为即使你有完美的感知能力 [16:18] 有出色的大脑 [16:21] 但如果没有一个足够好的执行层 [16:26] 比如 没有完整的机器人本体 [16:29] 没有末端执行器 [16:31] 比如机器人手 [16:33] 那你还差得很远 [16:37] 无法让机器人形成闭环 [16:40] 在现实世界中完成任务 [16:44] 所以我们要打造这样的执行层 [16:47] 设计各种不同类型的机器人手 [16:49] 而机器人手的设计 [16:51] 是非常重要的一部分 [16:54] 对很多机器人公司来说都是如此 [16:57] 比如Chestnut Robotics [16:58] 刚才Chestnut的演示 [17:02] 用手弹钢琴 [17:04] 就涉及机器人手的设计 [17:08] 对帕西尼来说 [17:09] 我们可以开源灵巧手的设计 [17:13] 提供给有需要的机器人公司 [17:15] 在设计方面 [17:18] 我们也在可靠性上做了很多改进 [17:22] 比如我们的一款主打产品 [17:25] 也很有名的灵巧手DexH13 [17:28] 就经过了大量测试 [17:32] 使用测试时间已经超过了2万小时 [17:33] 使用测试时间已经超过了2万小时 [17:35] 经过这些测试 它仍是很有潜力的灵巧手 [17:39] 不仅如此 [17:40] 我们还与客户一起开展了各种应用 [17:46] 比如LG、三星、京东、比亚迪 [17:50] 还有手机行业的企业 比如荣耀 [17:57] 最后 我们希望打造的 [17:59] 不只是感知、智能和执行组成的PIE [18:01] 不只是感知、智能和执行组成的PIE [18:03] 还要构建平台（Platform） [18:06] 集成（Integration）和生态（Ecosystem） [18:09] 所以 我们有两种不同的PIE [18:11] 一种是让机器人 [18:14] 具备与物理世界交互的能力 [18:18] 具备与物理世界交互的能力 [18:19] 另一种是建立良好的开放生态系统 [18:22] 另一种是建立良好的开放生态系统 [18:23] 让每个人都能拥有自己的机器人 [18:24] 让每个人都能拥有自己的机器人 [18:26] 用自己的技术成功开发机器人 [18:30] 接下来就到了 [18:31] 演讲的最后一部分 [18:35] 我们希望用一个PIE [18:37] 创造一个未来和无限的可能 [18:41] 最后 我们希望每个人 [18:45] 都能贡献自己的一份力量 [18:46] 构建自己的PIE 或共建我们的PIE [18:49] 从技术的角度来说 [18:54] 我们希望每个人都能拥有自己的机器人 [19:00] 从而解放劳动力 [19:04] 在物理世界中享受更多乐趣 [19:06] 在物理世界中享受更多乐趣 [19:07] 让机器人去做那些累人的工作和任务 [19:09] 让机器人去做那些累人的工作和任务 [19:11] 希望大家喜欢我今天的演讲 [19:14] 非常感谢大家