给机器人手换上更清晰的摄像头、把负责"看"的那张神经网络做得更大，照常理它该更会干活才对。可在一类要靠手指真去碰、去抓的任务上，这条加视觉的路很快就撞了墙：怎么堆容量，成功率的缺口也只填得动很小一截。一篇新论文 TacGen 想说的是，问题不在视觉不够强，而在缺了一整个维度。 先把这个缺口说清楚。让机械手拧瓶盖、把销子插进孔里，难点往往不在看得清不清，而在那些摄像头根本拍不到的瞬间：指尖到底碰上了没有，握着的东西有没有在打滑，力道是松还是紧。这些都是接触发生那一刻的物理状态，光靠一束从外面打过来的图像，再高的分辨率也读不出来。研究者用的测试台叫 TACTO，是一个专门模拟触觉信号的仿真基准，能在虚拟环境里给机械手配上"会感知压力的指尖"。 有意思的是，他们先沿着"加视觉"这条最直觉的路试到了底。把视觉编码器的容量一路往上堆，操控成功率和理想值之间的差距，最终也只弥合了 4.5%，剩下九成多的缺口纹丝不动。这等于从反面证明：补不上的那部分压根不是视觉能力的问题，再多像素也换不来手指的触感。真正的转折，是换一种喂信号的方式。 他们的做法是把视觉和触觉两路信号"对齐"。所谓对齐，可以想成让两个说着不同语言的人，看到同一个场景时给出能对上号的描述：摄像头拍到的画面和指尖感到的压力，如果指的是同一次接触，就该在模型内部落到相近的位置。这种把两种模态特征拉进同一个空间的训练手法叫对比学习（contrastive），骨干网络直接借用了视觉领域已经很成熟的自监督视觉模型 DINOv2。加上这一路触觉对齐之后，成功率从 0.246 直接抬到 0.979，把前面怎么扩视觉都补不动的那 95.5% 几乎填满。0.246 的成功率，意味着十次操作里七八次都得失手；0.979 则是基本每次都能成，这中间隔着的，正是"敢不敢把活交给机器去做"的那条线。 更省事的一招藏在推理阶段。真触觉传感器贵、易损、装起来也麻烦，TacGen 用一个残差 MLP，把普通 RGB 图像的特征直接投影到训练时学到的触觉表示空间里。换句话说，模型用起来只需要一个摄像头，就能"脑补"出本该由触觉传感器提供的那部分信息，不必真在机械手上插传感器。这一手把触觉从一道硬件门槛，变成了一段可以学出来的映射。 这件事的分量，要放回具身智能里一场没停过的争论里看：机器人理解物理世界，到底是不是非触觉不可，还是视觉够强就能兜底。TacGen 给的答案偏向前者，它用 95.5% 这个数字说明，在接触密集的活儿里，触觉不是锦上添花，而是表征里省不掉的一维。对做抓取、装配、精密插装这类任务的研究者和工程师，这意味着与其继续给视觉加码，不如把触觉这条线补进感知栈。只是要留一句实话：目前所有结论都还长在 TACTO 这个仿真基准里，虚拟指尖和真实世界中千差万别的材质、磨损、温度之间还隔着一段路，这一步证明的是"触觉这一维不能省"，而不是"装上就能直接上生产线"。