成立仅1年，这家企业不只想做“手”，还想给“手”配“脑”、建“数据血管”

2026年，被定义为人形机器人的商业化元年。

高工机器人产业研究所（GGII）数据显示，2025年全球人形机器人出货量达到1.88万台，市场规模突破38亿元；预计2026年全球出货量有望突破9万台。到2030年，全球人形机器人销量有望突破67万台，市场规模将冲击1000亿元。

赛道很热，但一个更为实际的瓶颈逐渐浮出水面：当前的人形机器人能走、能看、能对话，但距离在工业产线上“精细地干活”，仍有一定距离。

而瓶颈的核心，在于灵巧手——这个最接近人手的末端执行器。

业内对灵巧手的技术困境已有共识，集中体现在三个相互关联的层面。

精度、灵巧性与负载能力难以兼顾。腱绳方案自由度好，但传动间隙和形变误差随时间累积，重复定位精度衰减明显，不适用于精密装配；连杆传动刚性负载强，但手指笨重、活动角度受限，插拔、穿线等场景能力不足；直驱方案在持续抓握时面临电机发热和堵转问题，长序列作业稳定性存疑。

三种路线各有所长，也各有天花板。行业缺失的不是更好的传动方式，而是能在三个维度之间找到更优平衡的全新架构。

工业场景中的物料种类繁杂，金属、塑胶、玻璃、线束、泡沫、织物等，抓取过程需同步感知接触位置、压力、摩擦力、微小形变和滑动趋势。目前多数灵巧手的触觉感知在耐磨性和高频响应上均有不足，面对易碎件容易过压损坏，面对柔性物料又常因握力不足滑脱。

更关键的是，触觉、关节位姿与视觉信息往往独立传输，时序难以对齐。感知已成短板，碎片化的感知又进一步削弱了数据的模型训练价值。

灵巧手硬件厂商、数据服务商、算法团队各自独立运作。工厂落地一套灵巧操作方案，需同时对接三方，调试周期动辄半年以上。仿真数据与真实工业工况落差显著，纯虚拟训练的模型部署到产线后常失效；而人工遥操作采集数据效率极低，单个场景动辄耗时数月。

三个问题相互叠加，形成了一种局面：行业不缺少单点突破，缺少的是从硬件到数据、再到模型的完整闭环。

炬坤机器人的切入点正在于此。

与多数从单一模块切入的初创公司不同，炬坤机器人选择了一条覆盖机构设计、触觉感知、专用控制、操作系统与垂直模型的全栈路径。

灵巧手的传动架构直接决定了其精度、灵巧性与负载能力的边界。炬坤机器人的研发团队没有在腱绳、连杆、直驱三条现有路线中做选择题，而是回到机构设计的最底层，重新构建了一套力学仿真体系。在设计阶段，炬坤机器人已将关节耦合受力、结构形变和传动间隙纳入统一模型进行测算，在开模之前就完成了多目标优化，从设计源头缓解“灵活与负载、精度之间的冲突”。

基于这套仿真体系，炬坤机器人推出了首款工业五指灵巧手产品“Torch Hand 1”。其核心机构创新被团队称为“空间解耦-耦合机构”——手指的每个主动关节均可独立驱动（解耦），同时多指之间又能实现协同运动（耦合）。这一设计使其能够复现人手20个以上的主动自由度，在拧螺丝、排线、柔性物料折叠等精细操作场景中具备可用性。

模块化是另一项针对工业场景的设计考量。Torch Hand 1的手指和关节采用标准化快拆结构，产线上若出现单个部件损坏，可在现场快速更换，无需整只手返厂维修，降低了停机损失。

炬坤机器人在指腹全域布置了高密度分布式多模态触觉传感器阵列。该阵列可解析三维力信息，实时反馈物体硬度、摩擦系数和形变状态，抓取力度可在毫秒级完成自适应调节。传感器材质具备较高的耐磨性，能够适应工厂7×24小时连续作业以及油污、粉尘环境。

更重要的是，触觉信号与关节角度、视觉画面在时序上实现了同步对齐，形成完整的多模态交互数据流。这为后续的工业数据采集和模型训练提供了结构化的感知素材。

炬坤机器人自研了工业级灵巧手专用控制器，将运动驱动、多模态触觉预处理和本地实时推理集成于一体。该控制器可在边缘端独立完成操作闭环，无需依赖上位机的高算力，且具备抗高低温、抗电磁干扰能力，可直接部署在复杂的工厂环境中。

机构、感知、控制三层贯通，炬坤机器人完成了硬件全栈的打通。

硬件能力决定灵巧手的执行上限，而数据质量决定了这个上限能被模型发挥到何种程度。

当前灵巧手行业的数据采集面临一个结构性困境：仿真数据在力学反馈上存在明显失真，Sim-to-Real（仿真到真实）的迁移落差较大；人工遥操作采集虽然真实，但效率极低、成本高昂。更深层的问题在于，数据采集与产线作业被当作两套相互独立的系统来运作。

炬坤机器人的思路是将二者合二为一。

其灵巧手集成了多模态触觉、关节位姿与视觉同步采集模块，无需额外外置追踪设备。通过自研的灵巧OS（内置50余组通用工业基础动作库，涵盖抓取、插拔、组装、分拣等常见工序），灵巧手在正常完成生产作业的同时，可自动记录视觉画面、手指运动轨迹、全域触觉压力分布及物料滑移形变等全套多模态数据。

灵巧OS还搭载了专属数据引擎，可自动过滤无效重复数据，统一多模态数据格式，并按工件材质、工序和负载类型自动分类归档。在新场景部署时，已有标准化动作可直接复用，仅需补充差异化交互数据，整体采集周期可压缩70%以上。

这构成了一个可自我强化的数据闭环：产线采集真实工业数据→输入垂直工业大模型→模型优化操作策略后下发至控制器→机器人以更优动作完成作业→同时持续采集新工况数据。数据集越丰富，操作精度越高；操作精度越高，可采集的有效数据也越多。

对于中小制造企业而言，这一模式降低了独立搭建数采实验室的门槛，只需在现有柔性产线上搭载炬坤机器人的灵巧手，即可在正常生产中积累真实的工业抓取与操作数据集。

在模型层面，炬坤机器人选择了一条与通用视觉语言大模型不同的路线。通用模型的训练素材以家用物品和仿真场景为主，缺少精密装配、异形柔性物料、大负载工件交互的垂直数据，且大多缺乏真实多模态触觉输入，部署到工厂后动作粗糙、容错率偏低。

炬坤机器人的工业大模型训练素材全部来自真实产线，覆盖3C制造、智能物流、精密加工等场景中上万种不同硬度、外形、重量和材质的工业工件交互样本。模型在原生层面即能理解金属、塑胶、玻璃、线束、泡沫等不同物料的力学与触觉特征。

在实际部署中，产线工人可使用自然语言下达任务指令，工业大模型自动拆解工序目标、匹配标准化动作库，结合实时多模态触觉反馈规划手部运动轨迹，由控制器下发驱动灵巧手完成作业。这一流程无需编写复杂运动控制代码，新工序的部署周期可从数月缩短至数天，普通产线工程师即可独立完成调试。

此外，模型分为云端深度训练版本与适配本地控制器的轻量化推理版本。工厂无需采购高端算力服务器，依托配套控制器即可在本地完成推理，生产数据不出厂区，兼顾数据隐私与毫秒级实时响应要求。

炬坤机器人成立于2025年6月，背靠浙江大学的人才与科研资源，其创始团队在灵巧手机构学、触觉感知与操作规划算法三个方向均有较长时间的研究积累。目前，灵巧操作系统三大模块已实现全栈自研。

商业化方面，炬坤机器人的节奏相对紧凑，目前已有多家头部整机厂商已表达采购意向，部分合作订单正在推进中。

在应用场景上，炬坤机器人的方案目前在三类方向上寻求落地：工业领域聚焦微小零件插接、异形工件分拣、柔性线材整理等高难度精密工序；服务场景探索康养护理中的轻柔安全抓取；科研端则为具身多模态触觉和灵巧操作算法提供标准化验证平台。

从机构传动、多模态触觉、专用控制器，到操作系统、垂直大模型，炬坤机器人选择了一条覆盖面较宽、技术难度较高的路径。这条路能否走通，取决于后续的产品迭代速度、客户交付质量和成本控制能力。但至少从技术架构的完整性来看，它为灵巧手进入工业产线提供了一种不同于单点改良的系统性思路。

2026年的人形机器人行业，正处于从“能行走、能对话”到“可感知、善精细、能量产”的过渡阶段。炬坤机器人的尝试如果能够在更多工业场景中得到验证，这家成立仅一年的公司或许能在具身智能的基础操作设施层面，占据一个值得关注的位置。