<mark id="oztn4"></mark>
0
| 本文作者： 高景輝 | 2026-07-22 15:06 | 專題：WAIC：世界人工智能大會 |
作者丨高景輝
編輯丨馬曉寧
“具身智能的數據需求，遠沒有摸到上限?！?/span>
在WAIC主論壇上的一次對話中，亮源新創創始人姜旭的判斷引起了廣泛共鳴。他進一步提到，具身智能本質是大模型向物理世界的延伸，會沿著“規模化預訓練→規?；瘜R→規?；渴稹钡娜A段范式演進，和大模型時代一樣，智能供給的紅利核心來自數據，現在行業連最基礎的預訓練階段的數據缺口都沒填上。
的確，這個直面行業核心的觀點足夠尖銳，但對于數據的問題要如何解決，論壇上的嘉賓似乎沒有給出足夠詳細的解答。于是，帶著這個疑問，雷峰網AI科技評論走訪了WAIC上的具身智能企業，希望從一線從業者口中找到答案。
值得慶幸的是，今年參展的具身數據基建公司不在少數，提供的干貨也很多，尤其是在和簡智機器人的交流中，我們搞清楚了當前行業究竟缺什么數據、要如何獲取這些高質量的數據。
01
很多人說具身行業缺數據，但事實果真如此嗎？互聯網沉淀的人類視頻已經超過百億小時，這曾被認為是具身模型預訓練的重要燃料。但這些數據只能支撐模型"看懂世界"，無法支撐機器人完成真實物理世界的精準交互。
具身行業真正需要的，其實是可以直接喂給模型、不需要二次加工的數據。
簡智機器人將這種數據定義為 "Model-Ready Data"，翻譯過來就是 "開箱即用" 的數據。根據各大具身公司的實際反饋，這種數據需要同時具備三個核心特點：高精度、多模態、多樣性，三者缺一不可。
高精度是基礎門檻。具體而言，就是低誤差、低延遲、低漂移。手部追蹤的厘米級誤差會沿訓練鏈路持續放大，最終導致機器人操作失敗；傳感器之間幾十毫秒的時間差，會讓模型學到完全錯誤的因果關系；采集十幾分鐘后姿態開始漂移，整條數據的價值便大打折扣。
當前行業普通方案的手部關節追蹤誤差普遍在 2-3 厘米，什么概念？成年人手指直徑也就 1-2 厘米，這個誤差意味著模型看到的手指位置，和真實位置差了整整一個手指的距離，會導致抓杯子時手指穿進杯壁，擰瓶蓋時手指根本沒碰到瓶蓋，訓出來的策略永遠抓不準物體。
多模態是能力邊界。真正的人類操作不只是 RGB 畫面，還包含人體姿態、手部軌跡、相機位姿、深度信息、觸覺信息等多個維度。
純視覺路線只采集了 "人看到了什么"，完全缺失了 "人是怎么動的、用了多大勁" 的核心信息。沒有手部關節數據，手一被物體遮擋就丟軌跡；沒有觸覺數據，模型永遠不知道抓雞蛋用多大勁；沒有全身姿態數據，動作永遠僵硬得像提線木偶。
多樣性決定泛化上限。模型要面向一千個家庭、一千種角色，數據就必須從盡可能多的場景中采集。數據價值從來不是堆時長，核心是場景、任務、人物、物體的豐富度，這才是決定模型落地后泛化能力的關鍵。
如果幾十萬小時數據里 90% 都是實驗室白墻前 "拿杯子、擰瓶蓋" 的重復簡單動作，模型訓練后只能在演示環境里做固定動作，一到真實場景就失效。
為什么大多數數據公司做不到這三點？背后的難點各不相同。
高精度的核心，是接近 100% 還原人在現實中的移動與操作過程：眼睛看到了什么、手接觸了什么、每個關節轉動的角度、手部接觸面的先后順序，這一系列過程都要完整保留。這反過來要求足夠強的算法能力，即通過算法將原始信號轉化為精準的結構化數據。
多模態的難點，核心在硬件本身。硬件是模態的基礎，如果硬件獲取能力差、精度低，最終效果就無從談起。很多團隊用現成模組拼湊，攝像頭、數據手套、IMU 各自為戰，沒有做硬件級的時間同步，不同傳感器的數據時間差普遍在 20-50 毫秒，模態之間根本無法有效對齊。
多樣性的難點，則考驗公司的產品能力和運營體系。設備的易用性、價格、質量、適配性，決定了它能不能進入更多場景；完整的數據運營管線，決定了能不能高效處理來自不同場景的異構數據。產品做得不好，設備進不了更多家庭和商業空間，擴張速度就會很慢；管線效率低，現實數據清洗不過來，多樣性就是空談。
甚至，即使克服了以上三點，還要面臨著一道終極考驗：規?；?/span>。規?；瘜τ跀祿径允且环N綜合性大考，需要大規模的采集體系、數據處理管線以及對模型的理解。
當前，行業只有簡智等少數幾家企業能真正實現規模化，從他們的成功經驗里，或許可以學到一些“干貨”。
02
開箱即用說起來簡單，真正落地需要一整套體系的支撐。從模型理解到算法實現，從硬件設計到場景搭建，每一環都是漏斗，一環做不到位，最終的數據質量就會打折扣。
那么究竟要怎樣才能實現全流程的閉環？在和簡智機器人交流的過程中，我們逐漸摸清了門道。
很多人有個誤解：數據公司不需要懂模型，只要把數據采回來交給客戶就行。但在簡智看來，如果不懂模型，就做不到"Model-Ready Data"，只會產出半成品，浪費下游客戶大量的時間做二次加工。
懂模型分兩個層面：
第一，要懂當前模型在每個細分模態下的質量要求是什么，知道針對這個模態該設計什么樣的范式。比如標注，不是標得越多越好，而是價值驅動的COT鏈式標注:不止標注動作本身，更把人類行為背后的目標、常識、價值判斷顯性化--不僅標注“這是抓取動作”，還要標注任務目標、操作步驟邏輯、物體交互關系、力控原因、失敗修正動作、環境約束與常識規則
簡智做的全人工幀級CoT標注，不是簡單標"這是開門"，而是建立完整思考鏈路，讓模型不僅學會"怎么做"，還學會"為什么這么做"。
第二，要懂怎么用模型加工數據。如果靠人工、非系統化的方式處理數據，精度和效率都有明顯天花板。簡智自己做 Data Foundation Model（DFM數據基礎模型）的核心目的，就是用模型實現"輸入頭手相關信息，直接輸出完整人體數據"的端到端能力。
這其中最典型的應用就是遮擋補全。真實世界里，人做動作時手經常會被物體遮擋——手伸到抽屜里、拿東西時手指被擋住、疊衣服時手埋在布料下面……傳統采集方案遇到遮擋就只能丟失數據，或者靠硬件加更多相機，但無論多少相機都不可能完全消除遮擋。
簡智的解法是用視頻生成模型補全關鍵幀：基于前后幀的信息，模型可以預測出被遮擋部分的手部姿態，就像人看到手伸到桌子下面再伸出來，自然知道中間手在做什么一樣。這樣就能保證給模型訓練的數據是連續的、完整的，手部全程的動作狀態都能準確輸出。
"這就像一座自動化工廠，既解決效率問題，也解決嚴格的時空對齊問題。"簡智團隊解釋，人的頭和手在同一個時空坐標系里，因為神經傳導的完整性，動作不會有中斷，時空坐標系是連續的。如果沒有完整的模型方案，靠先采集頭部數據、再采集手部數據、最后人工拼接的方式，永遠做不到真正全鏈路閉環，完整復刻人類感知-動作回路。
第三，要懂模型長期發展需要什么。
真正的人類數據，從來不是只采“手”和“眼睛”的數據人做動作是一個完整的整體:腰怎么轉、腿怎么站、重心怎么移、身體怎么保持平衡，這些才是讓人形機器人真正“像人”的核心。
簡智的無本體采集方案從設計之初就是面向人形機器人的終極需求:不止采集手部和視覺數據，更完整覆蓋腰、腿、全身的運動鏈，輸出完整的SMPL-X人體網格，還原人做每一個動作時的全身協同、重心變化、平衡邏輯，而不是只給模型"一只手”和“一雙眼睛”。
這才是人類數據的終極價值：不是為了適配某一款機器人，而是通過完整還原"人"本身，讓模型的運動能力、行為邏輯無限向人對齊，當整個行業的數據都在向"完整的人"靠近時，模型能力、機器人能力才能形成正向循環，共同推動具身智能真正達到接近人的水平。
算法層面，核心是多套體系的配合。
比如是端到端自研算法。不同于基于開源算法的迭代優化，端到端自研可以從底層控制精度和穩定性。結合多源傳感器數據的實時融合校正，最終實現手部關節追蹤穩定誤差小于 1 厘米 —— 這也是行業首個做到亞厘米級精度的無本體采集方案。
還有多源融合算法。視覺、IMU、觸覺三端數據不是簡單疊加，而是多特征、多源的融合與矯正。哪怕手完全被物體遮擋，多源融合算法也能精準還原手指姿態，不會跟丟軌跡，無效幀比例可以控制在3%以內。多模態輸入不只是增加了信息維度，更可以通過交叉驗證反向提升每個單一模態的精度。
還有一個被低估的是壓縮算法。比如六目相機的數據量比雙目相機多得多，如果沒有好的壓縮算法，傳輸和存儲都會成為大問題。簡智自研的感知壓縮算法，不是簡單做有損壓縮，而是在幀率層面做智能優化，壓縮比可以做到原始數據的2%，而且壓縮是在設備端直接完成的，再加上端側質檢直接過濾掉30%的無效數據，大大降低了傳輸帶寬和存儲成本。
相比模型，硬件的共識要廣泛得多，很多人都表示，在數據采集領域，硬件是一切的基礎，像前文提到的“多模態”的核心就是硬件。但具體到硬件的選擇上，簡智卻有不少“非共識”的地方。
其中最典型的就是攝像頭方案。行業里大多數第一視角采集設備用雙目甚至單目相機，簡智卻堅持用六目同步相機，這是為了拍得更清楚嗎？
其實不是。六目相機不只是向外拍環境，同時也向內，視野覆蓋人的腿、膝蓋、腰部的全部動作。而且六目是兩兩組合的，全身每個角度都有多攝像頭覆蓋，組內效應能把精度提得很高。
沒錯，他們的目標從一開始就是同時記錄人的全身動作以及人和物理環境的交互。人的行走、腿部動作、身體姿態，這些都是單一胸前視角的攝像頭拍不到的，但對理解完整的行為邏輯至關重要，比如疊衣服時突然抬胳膊，單看手部數據像是異常值，但有全身數據就會知道，是旁邊有東西過來需要避讓。
而在手上，簡智通過電子皮膚+仿生關節方式，直接測量抓握的力度、接觸面積、摩擦力變化全部能精準捕捉，補足了全部模態。
硬件上另一個容易被忽視的點是量產可行性。行業里很多團隊用現成的模組攢設備，做個demo看起來沒問題，但一到量產就問題百出：過熱、續航短、不同設備一致性差……
簡智選擇了全鏈路自研，從攝像頭、關節傳感器到計算單元、電池管理、熱管理全部自己做。團隊里有大量來自消費電子行業的資深工程師，他們從設計之初就考慮百臺、千臺甚至萬臺規模普及后的挑戰。
多樣性不能只停留在概念上，必須有可量化的指標。
簡智提出了一個自研的綜合性指標叫“DPH”，含義是：同一個技能下，每小時的數據由多少人、在多少場景下完成。這個指標能很好地概括多樣性，用戶采購數據時，只需要看對應技能下的 DPH 指標，就能保證數據的多樣性。比如擦桌子的數據，不會是一個人擦 100 個小時，也不會是 10 個人在同一個房間擦同一張桌子 100 個小時，而是不同的人、在不同場景、擦不同的桌子。
專業場景的數據采集尤其講究。家庭場景相對還好，最難的是實驗室、學校、高精尖制造、化工這類專業場景，商業場景也一樣，比如找好的廚師、理發師，難度都很高。專業人士的核心優勢是能熟練完成動作，如果設備影響了他們的操作，破壞了他們的專業性，采集的數據就沒有價值。
這又回到了產品力的問題。采集專業人士的數據，戴設備會影響他們工作，不戴設備又采集不到高精度的觸覺、力覺數據。這個矛盾只能通過極致的產品力來解決：極致的輕量化，極致的無感化，沿著人體天然的生理結構設計，做到不干擾人的正常動作。
03
作為一家數據基建公司，把數據生產出來只是第一步，要真正讓客戶“開箱即用”，還要懂不同客戶的真實需求，更要清楚自己的邊界在哪里。
當前行業里的數據客戶大致分兩類：一類是有明確落地場景的客戶，要在特定場景落地商用機器人，他們的需求和落地場景深度綁定，更看重單一技能的深度，要把某幾個動作做到極致；另一類是做通用基座模型的客戶，他們要做的是GPT級別的具身大腦，不追求單個技能做到100分，而是要掌握上萬種技能，每種都做到95分，讓技能之間能融會貫通。
對于后者來說，他們需要的是盡可能全的模態、盡可能高的多樣性、盡可能大的數據量，百萬小時數據可能只是起步，甚至需要上億小時的真實場景數據，才會出現能力的涌現。但不管是哪類客戶，對數據的核心要求是一致的：精度要夠高，穩定性要好，拿到手就能直接用，不用再花幾個月時間清洗處理。
要滿足這些需求，光有技術還不夠，還要有全鏈路的工程化交付能力。
數據從硬件采集到變成Model-Ready Data，是一條非常長的鏈路，每一環都是漏斗，一環慢就全鏈慢。這需要成熟的數據飛輪實踐經驗，從采集端的設備管理，到云端的數據處理、質檢、標注，再到和客戶的服務器打通，實現數據的流式交付。
如此一來客戶不用等硬盤郵寄，也不用自己下載海量數據，直接在自己的服務器上就能按需調取需要的數據集，甚至可以直接對接訓練流水線，實現數據到訓練的無縫銜接。
同時，交付標準最好要高于客戶的需求，不是客戶要什么格式就做什么格式，而是用一套統一的、更高的標準來交付，比如畫面覆蓋范圍比客戶要求的更大，數據維度比客戶需要的更多，這樣不管客戶是做機械臂、做人形機器人、做不同構型的機器人，都能從這套標準數據里提取自己需要的部分，不用再反復調整格式、重新對齊。
更重要的是，作為第三方數據基礎設施廠商，要明確自己的業務邊界，知道什么事不能做。
現在行業里很多數據公司做著做著就開始自己做模型、自己做機器人本體，看似延伸了產業鏈，實際上變成了客戶的直接競爭對手，沒人敢把自己的核心數據需求交給競爭對手。
真正要做全行業的基礎設施，就要保持中立的第三方立場：不大規模做和客戶綁定的真機數據，因為真機數據是和本體廠商深度綁定的，頭部廠商都會自己做這部分，第三方做真機數據要么做不深，要么就會和客戶搶賽道；也不自己做具身基座模型、不做機器人本體，不參與上下游的市場競爭，只專注把數據這一件事做深。
這種中立性看起來是放棄了短期的熱點，實際上是建立長期信任的基礎。不管是哪個領域的廠商、不管是大公司還是創業團隊，都不用擔心數據供應商會變成自己的對手，才能放心地把數據需求交過來，共同搭建行業的生態。
簡智正是因為實現了以上幾點，才獲得了大廠客戶的青睞，得以助力小米、螞蟻靈波等頭部模型公司。
總而言之，從WAIC現場的行業反饋來看，具身智能正在走出“拼參數、拼Demo”的早期階段，開始進入拼落地、拼工業化能力的新階段。很長一段時間里，行業的注意力都在模型架構和機器人硬件上，很多人覺得數據是“配套環節”，但隨著越來越多模型走到商用試點階段，大家終于意識到，數據才是整個大廈的地基。沒有高質量的、開箱即用的數據，再厲害的模型架構也是無米之炊，再便宜的機器人也只能在實驗室里做演示。
在雷峰網(公眾號：雷峰網)看來，具身數據正在走出“賣原材料”的粗放階段，進入工業化、標準化的“開箱即用”時代。就像互聯網時代的云計算、大語言模型時代的token服務，具身智能的發展最終也會建立在成熟、穩定、中立的數據基建之上：當所有模型團隊、機器人團隊都不用再從頭搭自己的數據采集產線，不用再為數據清洗、校準浪費精力，整個行業的研發節奏才會真正快起來，具身智能走進真實生活的那天，才會真正到來。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
