机器人在工厂里拧一颗螺丝，视觉模型能告诉它螺丝孔在哪里，力控算法能控制扭矩，但螺丝是否滑牙、材料是软是硬、接触面有没有异物，这些信息并不在传统视觉和关节力矩的覆盖范围内。人类手指在零点几秒内就能完成的判断，对机器而言至今仍是一道难题。触觉被称作“最后一块传感器拼图”，但它的数据获取、标注和模型化，远比图像和语音复杂。图像有像素网格作为统一载体，语音有时频图作为标准表达，而触觉信号来自压力、振动、温度、剪切力等多维物理量，采集设备五花八门，数据格式缺乏统一标准，标注成本极高。这导致大多数触觉研究停留在实验室环境，使用特定传感器、特定物体、特定任务，训练出的模型很难迁移到真实场景。
2026年9月22日，总部位于新加坡和加利福尼亚的触觉AI初创公司TacnIQ.ai宣布，从In Group Holdings获得150万美元投资。这笔资金是300万美元种子前轮融资的一部分，In Group Holdings为领投方。公司称，资金将用于推进触觉AI基础模型研发、扩大工程团队以及扩展商业部署。TacnIQ.ai未提供其他财务细节，包括估值、稀释比例、是否有可转换票据或其他结构化安排。
这笔融资的绝对金额不大，但它指向一个正在升温的问题：当大语言模型和多模态模型已经能处理文本、图像、音频之后，物理接触产生的信号能否被纳入基础模型的训练范畴？TacnIQ.ai试图回答这个问题。它的路径不是做某种单一的触觉传感器，而是通过可穿戴采集节点收集物理接触数据，训练一个跨行业、跨任务、跨操作条件的触觉AI基础模型。这个方向如果成立，意味着触觉AI可以走类似大语言模型的“预训练+微调”路线，而不是为每个场景单独采集数据、单独训练模型；如果不成立，触觉将继续停留在机器人感知的缝隙里，等待下一个更有耐心的入场者。
| 字段 | 内容 |
|---|---|
| 公司 | TacnIQ.ai |
| 轮次 | 种子前轮 |
| 金额 | 150万美元（作为300万美元种子前轮的一部分） |
| 投资方 | In Group Holdings（领投） |
| 总部 | 新加坡和加利福尼亚 |
| 创始人 | Aashish Mehta（联合创始人兼首席执行官） |
| 官网 | 未披露 |
| 成立年份 | 未披露 |
| 客户 | 未披露 |
| 收入 | 未披露 |
触觉数据的“图像时刻”尚未到来，TacnIQ想用可穿戴节点先解决数据供给
触觉AI的核心瓶颈不在模型架构，而在数据。图像模型有互联网上数十亿张标注图片可用，语音模型有海量音频语料，但触觉数据没有现成的公共语料库。触觉信号来自压力、振动、温度、剪切力等多维物理量，采集设备五花八门，数据格式缺乏统一标准，标注成本极高。这导致大多数触觉研究停留在实验室环境，使用特定传感器、特定物体、特定任务，训练出的模型很难迁移到真实场景。
TacnIQ.ai的切入点是数据采集方式。据公司披露，它通过可穿戴采集节点收集传感器数据，而非依赖固定在机器人末端的专用触觉传感器。这种方式的逻辑在于，可穿戴节点可以跟随人类工人进入真实工作场景，在物流分拣、建筑施工、酒店清洁、医疗护理等活动中记录人与物体接触的原始信号。公司称，其已构建全球最大的触觉数据集之一，包含超过5000小时的交互数据，来自受控实验和商业使用。公司还表示正在开发更多传感器节点，以捕获更广泛的物理信号。
“全球最大之一”这一表述目前没有独立第三方验证。触觉数据集的规模比较缺乏公开基准，Meta、GelSight、Tekscan等机构和企业各自持有不同规模和类型的数据，但均未公开完整数据量。因此，TacnIQ.ai的5000小时数据量在触觉领域是否确实处于第一梯队，只能视为公司单方面说法。不过，从已披露的采集方式看，可穿戴节点确实提供了一条从真实场景获取数据的路径，这与纯实验室采集有本质区别。实验室采集可以精确控制变量，但样本多样性和环境真实性不足；可穿戴采集牺牲了部分实验控制，却可能换来更接近实际作业条件的数据分布。这种取舍是否值得，取决于后续模型训练能否从真实场景的噪声中提取出稳定特征，目前尚无公开结果可以判断。
单一模型跨行业训练，是技术判断还是融资叙事
TacnIQ.ai的核心主张是：其专有数据集允许跨行业、任务和操作条件训练单一模型，而非基于实验室数据或单一应用，可减少特定应用训练需求。这个主张如果成立，意味着触觉AI可以走类似大语言模型的“预训练+微调”路线，而不是为每个场景单独采集数据、单独训练模型。
但这里存在一个关键的技术待验证点：触觉信号的跨场景泛化能力是否足以支撑单一模型。图像和语言的基础模型之所以能跨场景泛化，是因为底层特征具有较高的通用性——边缘、纹理、语义结构在不同图像中反复出现。触觉信号是否具有类似的通用底层特征，目前学术界尚无定论。不同材质、不同接触速度、不同环境温湿度下，同一动作产生的触觉信号可能差异巨大。一个在干燥室内环境中采集的抓取动作数据，能否迁移到高湿度户外场景，本身就是一个开放问题。公司称其模型可跨行业训练，但未披露模型架构、参数量、训练方法或跨场景测试的具体结果。
从已披露信息看，TacnIQ.ai的技术路线至少需要验证三个环节：第一，可穿戴节点采集的数据能否有效代表机器人在实际作业中通过末端执行器获得的触觉信号。人类手指的皮肤弹性、汗液、温度调节能力与机器人夹爪的刚性接触面存在本质差异，可穿戴节点记录的是人-物接触，而机器人需要的是机器-物接触。两者之间的信号分布差异可能比想象中更大。第二，跨行业数据混合训练是否真的能提升单一模型的泛化能力，而不是引入噪声。物流分拣中的包裹软硬判断与医疗护理中的接触力控制，在物理量纲和信号特征上可能差异显著，混合训练可能产生相互干扰。第三，减少特定应用训练需求的程度是否足以抵消可穿戴数据采集和标注的前期成本。如果每个新场景仍需要大量微调数据，那么“单一模型”的经济性优势将被削弱。这三个问题目前均未披露相关数据。
150万美元与300万美元之间的资本结构，暴露早期融资的典型张力
本轮融资的金额表述值得注意。TacnIQ.ai宣布获得150万美元，同时明确这是300万美元种子前轮融资的一部分。这意味着本轮融资尚未完全关闭，仍有150万美元的额度未披露去向或已获承诺但未到账。公司未披露其他财务细节，包括估值、稀释比例、是否有可转换票据或其他结构化安排。
这种“部分关闭”的融资结构在早期项目中并不罕见，但它传递出一个信号：TacnIQ.ai的资本储备相对有限。150万美元对于一家需要同时推进硬件采集节点开发、数据管道建设、基础模型训练和商业部署的触觉AI公司而言，只能覆盖一个相当短的运营窗口。公司联合创始人兼首席执行官Aashish Mehta表示，本轮融资将让公司招聘工程师并将技术推向实际应用。但以新加坡和加州两地的工程师成本计算，150万美元在扣除硬件和数据采集开支后，能够支撑的团队规模和时间都相当有限。新加坡的软件与硬件工程师薪资水平在东南亚处于高位，加州湾区更是全球最贵的工程人才市场之一。一家同时在两地设点的公司，其人力成本结构可能比单一地点团队更复杂。
In Group Holdings作为领投方的背景信息在公开材料中未披露。这家机构的投资组合、管理规模、对AI或机器人领域的布局均未见于本轮报道。这意味着本轮融资的战略协同效应和后续跟投能力目前无法评估。对于种子前轮项目，领投方的产业资源往往比资金本身更重要——它可能带来早期客户、供应链伙伴或下一轮融资的背书。In Group Holdings在这些维度上的能力，目前没有任何公开信息可以支撑判断。
物流、建筑、医疗保健的触觉需求真实存在，但商业路径尚未展开
TacnIQ.ai将目标行业锁定在物流、建筑、电子商务、酒店和医疗保健。这些行业确实存在触觉感知的明确需求：物流分拣需要判断包裹的软硬和易碎性，建筑作业需要感知材料表面的粗糙度和稳定性，医疗护理需要精确控制接触力度，酒店服务涉及大量与织物、餐具、清洁表面的接触判断。公司还提到，其部署可以改善工作场所的安全性和人体工学，这意味着可穿戴采集节点本身可能具备独立于模型训练的应用价值——例如实时监测工人手部受力，预警重复性劳损风险。
但需求存在不等于付费意愿明确。TacnIQ.ai未披露任何客户名单、付费合同、试点项目或收入数据。公司称其数据集包含来自商业使用的交互数据，但未说明这些商业使用来自哪些客户、以何种形式合作、是否产生收入。在缺乏客户验证的情况下，其商业模式的可行性只能视为待验证假设。
从产业链角度看，触觉AI的潜在买家可能包括三类：机器人本体厂商，需要触觉模块提升机器人的精细操作能力；工业自动化集成商，需要在特定工序中加入接触感知；以及直接使用可穿戴设备进行人机协作或安全监测的企业。TacnIQ.ai的可穿戴采集节点本身可能成为一款独立产品，也可能仅作为数据采集工具服务于模型训练。公司未明确其收入将来自模型授权、传感器硬件销售、数据服务还是整体解决方案。这四种模式的资本密集度和规模化路径差异很大：模型授权接近软件生意，毛利高但需要证明模型能力；硬件销售需要供应链和制造能力；数据服务面临隐私和数据所有权问题；整体解决方案则需要行业集成和交付能力。TacnIQ.ai目前没有披露其选择哪一条路径，也没有披露是否计划多条路径并行。
竞争格局中，TacnIQ面对的是传感器厂商与机器人基础模型公司的双重挤压
触觉AI的竞争并非空白。在传感器层面，GelSight的光学触觉传感器、Tekscan的压力分布测量系统、PPS的电容式触觉阵列已经在工业检测和机器人研究中广泛使用。这些公司掌握着硬件标准和部分数据积累，如果它们向上延伸做模型层，TacnIQ.ai的可穿戴采集节点路线将面临硬件生态的竞争。传感器厂商的优势在于它们对信号采集的物理特性有更深理解，且已经建立了工业客户关系；它们的劣势在于，其数据往往绑定在特定传感器型号上，跨传感器、跨厂商的数据整合难度较大。TacnIQ.ai的可穿戴节点路线如果能在数据层面建立跨设备的标准，可能反而比单一传感器厂商更具模型训练优势，但这需要其采集节点获得足够广泛的部署。
在模型层面，Physical AI正在成为头部机器人公司和基础模型公司的共同方向。Figure AI、Physical Intelligence、Skild AI等公司都在构建融合视觉、语言和动作的机器人基础模型。触觉信号是否会被这些公司直接整合进其多模态架构，还是由独立的触觉模型公司提供专门能力，目前行业格局未定。TacnIQ.ai的单一触觉模型路线如果成立，可能成为这些公司的供应商或被收购标的；如果头部公司选择自研触觉模块，TacnIQ.ai的市场空间将被大幅压缩。从技术演进逻辑看，头部机器人基础模型公司可能倾向于先解决视觉-语言-动作的整合，再逐步加入触觉模态，因为触觉数据的获取和标准化难度更高。这意味着TacnIQ.ai可能有一个时间窗口，但这个窗口的长度取决于头部公司的触觉研发进度，目前无法从公开信息判断。
TacnIQ.ai的差异化在于数据采集方式和跨行业数据集的规模。但这一优势的护城河深度取决于数据集的独占性和复现难度。可穿戴采集节点的技术门槛如果不够高，竞争对手可以快速复制数据采集流程；如果数据集的标注和清洗方法具有独特know-how，护城河则更深。目前公司未披露其数据标注方法、数据质量控制流程或数据集的访问权限。另一个可能影响竞争格局的因素是数据飞轮：如果TacnIQ.ai的商业部署能持续产生新的交互数据，反哺模型训练，那么先发优势可能随时间累积；如果商业部署停滞，5000小时的数据集可能被后来者用更大规模的采集投入超越。
资金用途清晰但规模不足，验证路径比研发进度更关键
TacnIQ.ai披露的资金用途包括三项：推进触觉AI基础模型研发、扩大工程团队、扩大商业部署。这三项用途与公司当前阶段匹配，但150万美元的规模意味着每一项都无法深度推进。更现实的解读是，这笔资金用于在接下来的12至18个月内完成一个可验证的里程碑，然后启动下一轮融资。
这个里程碑最可能的形式是：在至少一个目标行业中完成可量化的商业试点，证明触觉AI模型在该场景中能带来可测量的效率提升或成本下降。如果TacnIQ.ai能在物流分拣或医疗护理场景中拿出对比数据——例如使用触觉模型后破损率下降多少、接触力控制精度提升多少——其下一轮融资的叙事基础将完全不同。如果届时仍只有数据集规模和模型能力的技术描述，而没有商业验证，后续融资难度将显著增加。早期投资人可以容忍技术风险，但通常不能同时容忍技术风险和商业风险都处于未验证状态。
从已披露的5000小时数据量和跨行业训练主张看，TacnIQ.ai的技术方向在逻辑上自洽：先通过可穿戴节点解决数据供给，再用跨行业数据训练单一模型，最后以模型能力切入多个行业的触觉感知需求。但这条链路的每一环都尚未被独立验证。数据集的真实质量和多样性、模型的跨场景泛化能力、目标行业的付费意愿，是三个必须逐一回答的问题。数据质量方面，5000小时是一个时长指标，但触觉数据的价值更取决于覆盖的接触类型多样性、传感器一致性、标注准确率和环境条件记录完整性。模型泛化方面，跨行业训练的主张需要至少一个跨场景迁移的公开测试结果来支撑。付费意愿方面，目标行业中的潜在客户是否将触觉感知视为优先投入项，还是将其排在视觉和力控之后，目前没有任何客户侧信息可以判断。
另一个值得注意的细节是，TacnIQ.ai的成立年份和完整创始团队名单均未在公开材料中披露。一家种子前轮公司不披露成立时间，可能是因为公司实体注册与产品研发启动时间不一致，也可能是因为团队尚在组建中。但无论如何，这增加了外部评估其发展速度的难度。在早期投资中，团队完整性是核心评估维度之一。目前公开信息中只有Aashish Mehta一人以联合创始人兼首席执行官身份出现，其他联合创始人、技术负责人、硬件负责人、数据科学负责人的背景均未披露。这意味着外部无法判断团队在触觉传感器、机器学习、机器人系统和行业落地四个关键维度上的能力覆盖是否完整。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：TacnIQ.ai的故事本质上是触觉数据的“ImageNet时刻”是否会到来的赌注。150万美元买不到这个答案，但足够让一家公司用可穿戴节点证明：真实世界里的接触信号可以被规模化采集，并训练出一个跨场景的模型雏形。如果这个证明成立，触觉AI将从实验室问题变成工程问题；如果不成立，它将继续停留在机器人感知的缝隙里，等待下一个更有耐心的入场者。真正值得跟踪的不是这150万美元的去向，而是TacnIQ.ai能否在下一轮融资前，把“全球最大触觉数据集之一”从一句公司声明变成一个可被客户感知的模型能力。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。