【具身AGI导读】把触觉预测出来，听起来是机器人操作里顺理成章的一步。一份预印本却把坎指在别处——预测赶在执行之前就下了达，触觉反馈要到执行之中才到，中间那段空白，靠什么补。
2026 年 9 月 4 日，arXiv 上出现一篇预印本，署名的是复旦大学、上海创新研究院与 NeoteAI 三处单位的一支五人研究团队。它要给「接触密集操作」里的一条流行路线补上一个缺口——让模型做触觉预测，并不等于它真的会用上触觉。论文把这件事命名成一个时点错配：预测随着动作块一起下达、在执行之前就已固定，而触觉反馈要到执行之中才到达。
论文给出的系统叫 TacPAC：基座模型规划完一个动作块后，把「这条计划当时所依据的、预测出来的接触」连同计划自身的表示一起缓存下来。此后每一帧新到的触觉图像都对着这份缓存去读，一个触觉专家只对尚未执行的那一段输出逐步增量动作——因为修正只读这份固定缓存、不重跑视频专家与去噪流程，它可以按触觉帧到来的节奏跑。
触觉在机器人操作里长期被当作「当下的信号」来用——伺服、柔顺控制、以当前触觉为条件的策略，都属于这一类。把它预测出来是更近的一步，但预测本身只是执行前做下的一个假设：实际发生的接触一旦与假设不符，已经下达的动作没有任何东西会去修订。
这一层与「预测得准不准」是两件事——论文的自测显示，只预测不修正，与只拿当下触觉做反应式修正，两种做法表现相近，都够不到完整系统。而一个只读当下这一帧触觉的修正器，知道手指受力了，却不知道这份受力该不该在此时出现：同一个读数，在「本应此时接触」与「本不应此时接触」两种情形下，要求的是相反的动作。
把这件事放回行业里看，各家的着力点本就不在一处。深度机智（北京）科技有限公司的摊子在物理AI 基座模型。
这篇论文真正动到的，不是触觉这一路感知本身，而是它在闭环里被使用的时机——把预测出来的接触留成一份可读的参照，让每一帧反馈都对得上当初的假设。论文还记下一个反直觉的个例：没有预期作参照的反应式修正，在两个按损坏计分的任务上反而低于纯视觉，作者的解释是，没有预期的触觉反馈会把动作从一份本就正确的计划上拉走。它的边界也写得清楚：论文自述该系统未经预训练，规模只在一台机械臂、两个触觉传感器与五个真机任务上，全部结果都是作者自测、没有第三方复现。论文自己用的措辞是「提示」和「一条可行路径」，不是「已经解决」；论文也仅此一版，未见任何录用信息。
触觉的价值不在被提前预测出来，而在于它到达时，还找得到当初那份预期作参照。
参考资料
arXiv · TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation · 2026-09-04