具身智能过去一年把「会看」和「会想」推到了很高的水位，可一旦要动手捏、拧、插，机器人常常判若两人——它看得见插头，却不知道自己有没有对准、该用多大劲。这个卡点叫力觉，是灵巧操作真正的最后一厘米。
10 月 22 日，苏黎世初创公司 Enact Intelligence 结束隐身，宣布 3000 万美元（约 2680 万欧元）pre-seed 融资，是欧洲史上最大的 pre-seed 之一。领投方 redalpine，跟投 Notion Capital、firstminute capital；个人天使里出现了 Mistral 创始人 Arthur Mensch 和 Meta 前首席 AI 科学家 Yann LeCun。
创始人 Manuel Yves Galliker 此前在 1X 牵头做人形机器人 NEO 的软件团队，也待过 Physical Intelligence 的机器人实验室。这支十二人团队从第一天起就带着「怎么让机器手有手感」的一线经验。
他们押的不是一个更好的摄像头，而是一条反直觉的路线：不装触觉传感器，直接让关节模组「感知」力。
为什么反直觉？因为行业主流的答案一直是加传感器。要让机器人知道捏轻了还是重了，最直观的办法是在指尖贴电子皮肤、在关节装六维力传感器。以 帕西尼 为代表的视触觉路线，就是把触觉做成可观测的信号源。
但问题也出在传感器上。Enact 的判断很直接：现存的触觉方案，要么太贵，要么太脆，撑不起工业级的大规模部署。高精度力/力矩传感器单价高，电子皮肤在反复摩擦、弯折下寿命有限，真要上几千台产线，账算不过来。
Enact 的替代方案是从电机本身取力。电机电流、关节角速度和位置，本身就携带着「外界在顶我」的信息——就像人不是靠指尖、而是靠肌肉张力判断提了多重的东西。他们把这套东西称为「本体感知神经系统 + 理解它的皮层」。
落到工程上，是重写整条技术栈：从模型架构、数据管线，到执行器和喂给模型的传感器。redalpine 把它叫「用正交数据改进现有模型、建数据护城河」——力信号是视觉、语言之外的另一路独立信息，同已有视频模型互补。
Galliker 还有一个判断：physical AI 不必从零教常识，可以直接站在已有视频模型肩膀上，把它适配成「输出机器人动作」。真正要补的，是让模型理解机器人和任务的物理——而这恰恰需要力。
Enact 不是孤例。学术界早就在做「去传感器化」力觉。CMU 与早稻田的 FACTR 2，用电机电流加关节状态估外部力矩，只采 10 分钟自由运动、训 1 分钟，就能逼近专用传感器的力信号；在松灵 Cobot Magic 双臂上，靠这套无传感器力估计把乐高组装、插拔等接触任务做了出来。
另一篇 CoPRE 更直接：完全靠本体感知做接触检测，在 ARX Arm 和 宇树 G1 上，推力召回率分别到 74% 和 82%，能检出 3.5 牛和 5.5 牛的轻推。还有一篇关于 Action Chunking 的论文发现，把电机电流当「扭矩代理」喂回模型，机器人突然就能区分硬面和软面、轻轻敲着对准插头。
这些工作共同的信号是：电机电流/力矩是一个被长期低估的力信号源。它免费、全关节覆盖、不怕磨，缺点是要靠建模和标定，把埋在噪声里的力捞出来。
于是力觉出现两条清晰路线。一条是「加触觉传感器」派：精度高、信息密，代价是成本和耐久；另一条是「从电机反演」派：便宜、耐造、全关节，代价是精度靠算法、要持续标定。 智元 、 优必选 、 特斯拉 在灵巧手上的投入，本质上都卡在「力信号怎么来」这个问题上。
为什么这件事值得单列一篇？因为灵巧操作能不能降到工业价格，取决于手感的成本结构，而不只是模型多聪明。视觉模型再强，遇到「该用多大劲」仍会失手；而一个便宜到可以规模化的力感方案，可能比更聪明的脑子更快撬动量产。
这也解释了 Enact 为什么把首批量产场景放在制造、基建、零售、食品加工——都是「要温柔且稳定地拿东西」、又对成本极敏感的地方。它们不追求炫技，追求千次一致。
当然，路线 B 远没到赢的时候。电机读数有噪声，齿轮、传动、机械几何一变，数据分布就漂，量产一致性是硬仗；工业买家要的是长期任务成功率、节拍和设备寿命，不是几个成功 demo。Enact 自己也没披露已验证的部署数据和价格。
更现实的判断是：两条路线大概率长期并存。高精度装配、医疗这类容错极低的场景，触觉传感器仍不可替代；而大批量、对成本敏感、接触模式相对固定的操作，本体感知反演有机会把「手感」做成标配而非选配。
对具身智能来说，这意味着灵巧手之争的下半场，不只是自由度多不多、皮肤灵不灵，更是「力从哪里来、成本谁承受」的路线选择。Enact 用 3000 万美元把这个问题摆到了台前。
本文基于公开报道整理。