本月行业报告公开最新动态袁隆平亲授弟子追忆袁老 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

四川省凉山彝族自治州甘洛县无极县大陈镇黑龙江省绥化市明水县云南省普洱市景东彝族自治县山西省忻州市宁武县山西省晋城市泽州县广东省汕头市龙湖区平山县小觉镇合肥市庐阳区阿克苏地区拜城县江西省鹰潭市余江区内蒙古兴安盟乌兰浩特市云南省普洱市景东彝族自治县昌平区阳坊镇甘肃省定西市渭源县阿克苏地区新和县青海省果洛藏族自治州塔城地区和布克赛尔蒙古自治县湖北省孝感市汉川市山东省聊城市茌平区辽宁省铁岭市开原市青海省玉树藏族自治州治多县江苏省徐州市新沂市新乐市协神乡广东省惠州市龙门县云南省西双版纳傣族自治州勐腊县江西省宜春市奉新县江西省九江市武宁县平山县宅北乡黑龙江省七台河市桃山区贵州省铜仁市玉屏侗族自治县山西省临汾市安泽县重庆市市辖区北碚区云南省大理白族自治州云龙县贵州省铜仁市玉屏侗族自治县湖北省宜昌市西陵区湖北省恩施土家族苗族自治州建始县四川省成都市双流区乌鲁木齐市沙依巴克区云南省怒江傈僳族自治州福贡县塔城地区和布克赛尔蒙古自治县贵州省铜仁市印江土家族苗族自治县阿克苏地区新和县甘肃省庆阳市镇原县黑龙江省鸡西市鸡冠区云南省文山壮族苗族自治州广南县四川省宜宾市珙县巴音郭楞蒙古自治州和硕县江苏省徐州市南阳市内乡县蚌埠市龙子湖区云南省西双版纳傣族自治州勐腊县密云区不老屯镇赞皇县院头镇濮阳市南乐县元氏县苏村乡喀什地区麦盖提县井陉县吴家窑乡辽宁省锦州市义县山东省淄博市临淄区辽宁省沈阳市沈河区和平区南市街道四川省德阳市广汉市山西省晋城市泽州县广东省江门市北辰区西藏山南市贡嘎县四川省凉山彝族自治州甘洛县江西省吉安市吉安县赞皇县西龙门乡辽宁省辽阳市白塔区重庆市市辖区北碚区湖北省宜昌市宜都市山东省德州市齐河县大兴区陕西省宝鸡市眉县四川省甘孜藏族自治州广东省汕头市南澳县固原市西吉县辽宁省锦州市义县元氏县云南省玉溪市新平彝族傣族自治县湖北省恩施土家族苗族自治州恩施市延庆区康庄镇四川省成都市金牛区河西区桃园街道广东省深圳市山西省晋中市灵石县山西省阳泉市平定县山西省晋中市太谷区丰台区长辛店镇阿克苏地区拜城县江西省九江市武宁县行唐县龙州镇丰台区长辛店镇广东省广州市越秀区青海省海西蒙古族藏族自治州德令哈市黑龙江省鹤岗市江西省九江市武宁县朝阳区管庄地区

本月行业报告公开重大成果走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

陕西省汉中市西乡县辽宁省辽阳市白塔区辽宁省铁岭市清河区大兴区四川省广元市江苏省镇江市句容市四川省乐山市江西省九江市武宁县黑龙江省鹤岗市西藏阿里地区日土县亳州市利辛县朝阳区双井街道吉林省白山市浑江区北辰区广源街道蓟州区东赵各庄镇桂林市兴安县陕西省汉中市留坝县桂林市秀峰区贵州省黔南布依族苗族自治州惠水县广东省深圳市山西省朔州市山阴县甘肃省白银市景泰县濮阳市南乐县甘肃省兰州市青海省海北藏族自治州门源回族自治县山东省东营市垦利区广东省广州市越秀区无极县大陈镇陕西省西安市未央区丰台区右安门街道阿克苏地区拜城县黑龙江省绥化市明水县江苏省镇江市句容市山西省阳泉市平定县黑龙江省伊春市金林区巴音郭楞蒙古自治州和硕县焦作市中站区武清区汊沽港镇吉林省白山市浑江区蓟州区东二营镇内蒙古锡林郭勒盟镶黄旗四川省甘孜藏族自治州泸定县钦州市合肥市瑶海区甘肃省甘南藏族自治州马鞍山市博望区蓟州区东施古镇山西省晋城市泽州县山东省威海市朝阳区小红门地区长安区广安街道丰台区长辛店镇陕西省汉中市西乡县贵州省铜仁市玉屏侗族自治县湖北省宜昌市夷陵区西藏拉萨市达孜区四川省广元市甘肃省庆阳市镇原县青海省海南藏族自治州贵德县蓟州区东施古镇四川省泸州市江阳区云南省红河哈尼族彝族自治州泸西县江西省景德镇市昌江区焦作市江苏省南京市浦口区江西省赣州市石城县湖北省宜昌市秭归县平山县东回舍镇广东省惠州市龙门县江苏省南京市浦口区西藏拉萨市达孜区西藏拉萨市达孜区陕西省汉中市南郑区巴音郭楞蒙古自治州和硕县内蒙古鄂尔多斯市康巴什区陕西省宝鸡市眉县西藏阿里地区日土县广东省珠海市斗门区辽宁省锦州市义县钦州市濮阳市南乐县新乐市协神乡四川省广安市岳池县黑龙江省鸡西市鸡冠区山东省聊城市茌平区固原市西吉县怀柔区龙山街道山西省运城市夏县青海省果洛藏族自治州无极县大陈镇湖北省宜昌市秭归县赞皇县院头镇山东省聊城市冠县钦州市蓟州区官庄镇武清区上马台镇福建省南平市西藏阿里地区日土县山西省忻州市宁武县黑龙江省鹤岗市

全球服务区域:湖北省宜昌市西陵区赵县沙河店镇合肥市瑶海区密云区不老屯镇四川省广元市静海区西翟庄镇南开区体育中心街道湖北省恩施土家族苗族自治州恩施市怀柔区雁栖地区丰台区和义街道湖北省宜昌市西陵区江苏省南京市浦口区武清区汊沽港镇塔城地区和布克赛尔蒙古自治县赵县沙河店镇银川市贺兰县甘肃省陇南市和田地区四川省广安市岳池县江西省九江市武宁县海南省三沙市西沙区北辰区广源街道山东省德州市齐河县焦作市沁阳市合肥市瑶海区西青区精武镇山东省聊城市茌平区黑龙江省鹤岗市桂林市兴安县山西省晋中市灵石县开封市通许县朝阳区酒仙桥街道福建省厦门市湖里区吉林省白山市浑江区阿克苏地区拜城县云南省玉溪市新平彝族傣族自治县甘肃省甘南藏族自治州濮阳市南乐县北辰区广源街道延庆区沈家营镇广东省汕头市龙湖区赞皇县院头镇甘肃省白银市景泰县合肥市庐阳区博尔塔拉蒙古自治州温泉县广东省深圳市陕西省汉中市南郑区井陉县测鱼镇山东省聊城市茌平区福建省莆田市城厢区四川省甘孜藏族自治州丹巴县四川省广元市开封市通许县福建省厦门市海沧区长安区南村镇平顶山市卫东区甘肃省兰州市江西省吉安市永新县新乐市协神乡昌平区小汤山镇江苏省连云港市赣榆区西藏山南市塔城地区和布克赛尔蒙古自治县广东省云浮市新兴县江西省萍乡市上栗县辽宁省沈阳市沈河区阿克苏地区新和县甘肃省甘南藏族自治州福建省厦门市湖里区陕西省汉中市南郑区云南省红河哈尼族彝族自治州泸西县甘肃省庆阳市镇原县青海省海西蒙古族藏族自治州德令哈市福建省厦门市海沧区喀什地区麦盖提县江苏省连云港市赣榆区开封市通许县延庆区沈家营镇山西省朔州市山阴县辽宁省沈阳市沈河区四川省凉山彝族自治州昭觉县黑龙江省鸡西市鸡冠区青秀区黑龙江省佳木斯市汤原县湖北省襄阳市襄州区平山县上观音堂乡桂林市秀峰区江苏省徐州市四川省凉山彝族自治州昭觉县福建省南平市建瓯市固原市西吉县甘肃省甘南藏族自治州山西省晋城市泽州县内蒙古呼伦贝尔市阿荣旗山东省聊城市茌平区山西省晋城市高平市江西省吉安市吉安县广东省惠州市龙门县福建省厦门市海沧区广东省江门市

今日行业报告传达政策变化走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：江西省九江市武宁县江西省宜春市宜丰县山东省淄博市临淄区武清区汊沽港镇湖北省宜昌市宜都市桥西区苑东街道吉林省四平市铁西区朝阳区双井街道昌平区小汤山镇广东省佛山市三水区江苏省连云港市赣榆区黑龙江省七台河市桃山区山东省淄博市临淄区内蒙古鄂尔多斯市康巴什区江苏省苏州市相城区桥西区东华街道湖北省孝感市汉川市贵州省安顺市普定县山西省晋城市高平市福建省厦门市海沧区长安区南村镇黑龙江省鹤岗市百色市田林县云南省普洱市景东彝族自治县辽宁省锦州市义县平顶山市湛河区西乡塘区北辰区山西省忻州市定襄县密云区河南寨镇西青区精武镇蓟州区官庄镇吉林省四平市铁西区云南省普洱市景东彝族自治县朝阳区豆各庄地区内蒙古呼伦贝尔市阿荣旗四川省凉山彝族自治州甘洛县青秀区山东省东营市垦利区山东省德州市齐河县朝阳区小关街道和平区南市街道甘肃省白银市景泰县钦州市蓟州区官庄镇甘肃省陇南市武都区陕西省宝鸡市眉县芜湖市南陵县丰台区和义街道江苏省徐州市新沂市甘肃省陇南市黑龙江省绥化市明水县南开区长虹街道隆安县湖北省恩施土家族苗族自治州恩施市西城区月坛街道辽宁省沈阳市沈河区陕西省咸阳市兴平市广东省云浮市新兴县山东省威海市陕西省汉中市南郑区四川省成都市新都区崇左市山东省东营市垦利区云南省红河哈尼族彝族自治州泸西县银川市贺兰县福建省三明市梅列区福建省南平市建瓯市昌平区阳坊镇内蒙古锡林郭勒盟正镶白旗亳州市利辛县江苏省徐州市丰县江西省景德镇市昌江区西藏山南市贡嘎县黑龙江省佳木斯市汤原县云南省红河哈尼族彝族自治州泸西县平山县上观音堂乡山西省晋城市高平市山东省泰安市泰山区福建省莆田市城厢区江西省宜春市奉新县黑龙江省鹤岗市西藏山南市贡嘎县鹿泉区寺家庄镇贵州省六盘水市水城县内蒙古鄂尔多斯市鄂托克旗钦州市湖北省襄阳市襄州区博尔塔拉蒙古自治州温泉县广东省珠海市斗门区西藏拉萨市达孜区延庆区沈家营镇内蒙古呼伦贝尔市阿荣旗平顶山市湛河区四川省甘孜藏族自治州隆安县洛阳市汝阳县四川省甘孜藏族自治州丹巴县顺义区空港街道行唐县龙州镇

售后服务上门服务电话，智能分配单据：走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人

文 | 硅谷101

当Scaling Law让大语言模型一路狂飙，用万亿参数涌现一代又一代更强大的智能之际，机器人领域却被数据荒漠所困，让具身智能的泛化性和自主性进展迟缓。

为什么AI能用的数据，机器人用不了？机器人的四层数据金字塔是如何运作的？每一层的进展和技术困境分别是什么，以及，华体汇(中国)如何才能解决机器人的数据难题呢？

这篇文章继续华体汇(中国)的“机器人专辑”，之前华体汇(中国)已经讲过了灵巧手、机器人闭源模型和开源模型，这一期华体汇(中国)来聊聊这个领域一个非常核心的部分：数据。

为此，华体汇(中国)飞到上海，走进了机器人数采工厂，甚至有机会亲自尝试了一下“遥操作采集员”这份工作。除此之外，华体汇(中国)也跟智元、Sharpa等机器人华体汇电竞-华体汇(中国)们一起深入聊了聊，当前机器人数据的技术路线以及未来发展。

稀缺的机器人数据，真实缺口有多大？

首先华体汇(中国)来回答一个问题：什么是机器人数据？它跟AI大语言模型，以及图片和视频模型的数据有什么不同呢？

大语言模型是靠“吃掉互联网”变聪明的。GPT-4的训练数据量以万亿token计，相当于把人类有记录的知识积累全部摄入。

简单来说，AI生文、生图以及生声音、生视频的模型参数都可以在互联网上找到。大语言模型用的是“世界的文本语言”，包括文本、代码以及标注过的结构化文本，来帮助AI理解和生成“语言序列”。类似的，图像模型用的是“世界的瞬间截图”，声音模型用的是“世界的震动信号”，而视频模型用的是“世界的连续变化”，而这些数据，都大量存在互联网上。

而机器人需要的数据是具身本体在真实物理世界里，和具体物体发生具体交互时产生的多维度传感器信号：视觉、力觉、关节位置、电机控制量，全部精确同步，时间戳对齐，才构成一条有用的训练轨迹。

这些信息从来没有被系统性地记录过，也没有任何理由会被被动产生。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 机器人完整的数据，包括各种传感器所带来的数据，有视频，还有力触觉传感器等。它的输出是对身体上每一个电机关节的控制量，能够控制全身多达几十个自由度的关节协调配合，去完成具体的任务。 它的难点就在于这些数据天然是不存在互联网上的，它需要华体汇(中国)以某种方式去采集，无论是在真实环境里采集，还是在虚拟世界里采集，都需要先布设机器人、搭建场景，再引入遥操人员来控制机器人采集这类数据。

张凯峰 Sharpa研究科学家、学术负责人 我觉得数据最大的难点在于华体汇(中国)没有办法采集到机器人自己在干活的数据，华体汇(中国)能采集到的其实是人在操作的数据，比如动作捕捉（MOCAP data），比如YouTube数据。所以要做好teleoperation（遥操）、让机器人自己去操作其实比较困难，主要原因是机器操作员是感受不到机器人的感受。

这就是整个行业数据困境的根源：每一条高质量数据都必须从零开始生产。华体汇(中国)来用几个数字，试图展示一下这个缺口有多大。

谷歌DeepMind在研发机器人模型RT系列第一代时，调动了13台机器人，在办公室厨房环境里持续采集了整整17个月，才积累了约13万条操作轨迹、覆盖700多项技能。

为了训练RT-2，谷歌联合了全球34所研究机构，把60个已有数据集全部合并，加上来自22种机器人平台的真机数据，才凑出了Open X-Embodiment，一个包含超过100万条操作轨迹的开源数据集。

这已经被认为是目前全球最大的跨机构真机数据集，但即便如此，它涵盖的527项技能和对应的场景，和现实世界的需求之间，依然是以数量级计的差距。

面对如此难获得的机器人数据，怎么办呢？如今，行业摸索出了四条并行路线。它们的质量从低到高排列，构成一个金字塔，每一层都有自己的优势、上限和真实代价，接下来华体汇(中国)来一层一层给大家拆解。

数据金字塔顶层，准确但昂贵的真机数据

金字塔的顶层，就是遥操数据，又被称为“真机数据”。操作员通过外骨骼或遥操系统，实时控制机器人在真实场景里完成操作，机器人所有传感器全程录制。这层数据信息最完整，真实的物理接触、真实的不确定性、真实的失败和恢复，是今天让机器人真正能在现实场景落地的核心原材料。

华体汇(中国)也正好有机会来到上海，走进智元机器人的数据采集工厂，看看真机数据是怎么采集的。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 华体汇(中国)这里有200台机器，每台机器至少配一个采集员，有些任务还会配备一位同事来搭配布置场景。

但你以为遥操员是一个很简单的工作吗？答案是：并不是。反正华体汇(中国)在现场试了一下，发现这个工作还是很有门槛的。

陈茜 硅谷101联合创始人 一个数据采集员，他需要什么样的资质才能把这个数据采集好呢？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 我觉得最重要的是天赋，好的数据采集员和差的数据采集员，效率可能相差3倍。我认为一个有天赋的数据采集员，首先是协调性非常好、空间感特别强的人。因为在采集数据的过程中，其实是在隔空控制另外一个身体，没有直观的触觉反馈，只能通过肉眼来闭环。机器人手臂和人手臂的构型也不一样，人能达到的很多姿态，机器人未必能够到，所以还要预判机器人怎样才能更高效地够到目标，再去设计自己的动作轨迹。其次是对空间的精度判断要很准，如果空间感差，明明想让机器人去抓，结果抓过了，或够不到，或一夹就滑，这种情况都非常常见。还有就是体力要好，一天下来其实非常辛苦。智元机器人采集员 有些人是站着采的，有些人坐着采，两种感觉不一样。陈茜 硅谷101联合创始人 从刚入门的一个采集员到你这样的金牌采集员需要多长时间？智元机器人采集员 入职需要一周培训时间，培训完先入门，之后任务难度逐级递加。姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 即使是有天赋的采集员，从零基础到九成功力，大概也要一个月。Zero to hero（从平凡到英雄），要一个月吧。

对于一个专业的金牌数据采集员来说，我刚才失败了N次的机器人摆放字母的任务，他一次就搞定了，而这样的数据采集，为的就是机器人的精确控制能力。但就算是专家水平的遥操员，也不是每一条都可以被算作是有效数据的。

陈茜 硅谷101联合创始人 人类遥操数据的成功率是多少？任务难易程度不一样可能也会影响，我很好奇这个效率怎么算？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 一个专业遥操员，8小时工作大概能平均产出2到3小时的有效数据。因为中间必然会涉及两个采集之间的场景布置、数据上传，以及操作失败后的丢弃和重试。陈茜 硅谷101联合创始人 所以就大概1/ 4。

所以，真机数据的优势是准确，更容易直接部署、后期调参成本也更低，但它的代价也非常直白：贵，并且慢，不容易指数级扩张。

数采工厂涉及到硬件成本、场地成本、人工标注和监督成本，以及时间成本，与互联网数据相比，规模完全不是一个量级。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 华体汇(中国)今年真机产能有200万小时，对应着接近2000台机器人和背后规模相当的采集员团队。陈茜 硅谷101联合创始人 这个规模会越来越大吗？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 真机今年差不多稳定在这个水平，当然也会根据市场的动态需求相应扩产。 不可否认，人力成本我相信一定会是将来竞争力和效率里非常重要的一环。这也是为什么中国发展起了大量的数据采集，而美国相对进展比较缓慢，此前特斯拉招聘采集员的薪酬就是50美元一小时。如果是100万小时，今天放在全球就一定是碾压式的存在了。陈茜 硅谷101联合创始人 但100万小时就能解决问题了吗？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 我觉得在一些特定领域100万小时应该可以达到非常好的效果了。今年华体汇(中国)接触了很多有数据需求的客户，作为觅蜂的话，华体汇(中国)也在看很多客户的需求，提出100万小时需求的单个客户已经非常多了。这只是第一步，大家到了100万一定会想1000万。但即使是1亿小时，对于大型人工智能华体汇电竞-华体汇(中国)每年的基础设施投入来讲，也还是一个非常可控的部分。

顺便说一句，智元正在将真机数据做成一站式的物理AI数据服务平台，想要解决的就是当前机器人行业面临的真机交互数据荒漠的问题。

觅蜂科技，押注的是构建物理 AI 数据基础设施，实现真机遥操、无本体采集、仿真数据全范式覆盖，并打通硬件、软件、平台、运营的全链路。觅蜂科技2026年真机遥操产能接近200万小时，同时规划采集约800万小时的Human-Centric数据，背后是将近2000台机器人和对应规模的采集团队，在中国国内以及东南亚多地同步运作。 可以看到，这就是机器人行业中的“石油业务”，而数据生态正在迅速崛起，并且需求量非常大。

金字塔第二层，仿真合成数据

金字塔从上往下的第二层，就是“仿真合成数据”这条规模效应最极致的路线，这也是黄仁勋的英伟达重点押注的路线。

顺便说个小八卦，听说黄仁勋的一儿一女都在英伟达的Physical AI仿真部门，可见老黄对这一块有多看重。

简单来说，这不是从真实世界采集，而是在虚拟环境里“生成出来”的数据。与一条一条训出来的真机数据做个对比：英伟达Isaac Lab可以在单台GPU上并行运行成千上万个虚拟机器人同时训练。规模可以是无限的，你想要多少数据，就有多少数据。

比如说，机器人华体汇电竞-华体汇(中国)Sharpa在2026年CES上超火出圈的乒乓球机器人，就是花了40个小时用纯仿真数据训练出了0.2秒量级的击球反应速度，这就是这条路线的一个具体案例。

仿真还能做一件真机采集做不到的事：生成现实中极难遇到的边缘场景。机器人在仿真里可以反复摔倒、反复失败，所有失败都成为数据，而不造成任何真实损失。

此外，Sharpa的研究科学家还告诉华体汇(中国)，仿真技术让“触觉”这种真机更难采集的数据有了新的突破。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)最近跟英伟达合作了一个触觉仿真工具叫Tacmap，它做了这样一件事：对于传统视触觉而言，你需要在simulation（仿真）里建模视触觉指尖，但你没办法在simulation（仿真）里安装摄像头去观察marker（标记）点的形变。所以华体汇(中国)提出了Tacmap。

它用物体与指尖穿膜的深度图作为介质，在仿真里可以高效获取这个deformation map（形变图），并且具有良好的物理特性。在现实环境中，华体汇(中国)也通过类似方式获取deformation map（形变图），通过大量数据采集训练了一个翻译模型叫translation model，将raw image（原始图像）翻译成deformation map（形变图）。基于这个deformation map（形变图），华体汇(中国)实现了一些技能的Sim-to-Real（从仿真到现实），能够完成一些精细化操作。

当然，这个路线有一个巨大的漏洞，就是嘉宾刚才提到的Sim-to-Real Gap，字面意思是“仿真到现实的鸿沟”。问题的本质是：机器人在虚拟环境里练得再好，放到真实世界里往往会出问题。为什么会这样呢？

因为仿真环境是人用代码构建的物理世界的近似，但真实世界的物理复杂得多。

举一个最简单的例子：机器人在仿真里学会了抓一个塑料杯子，仿真里这个杯子的重量、摩擦系数、形变方式都是固定的参数。但真实世界里，湿手拿杯子和干手拿杯子的摩擦系数不一样，杯子里有没有水重量也不一样，光滑桌面和粗糙桌面上的杯子滑动方式不一样。这些细节，仿真里要么没建模，要么建模不够精确。

总的来说，运动学层面的问题，包括关节怎么弯、手臂走什么轨迹，相对容易在仿真里做好，放到真机上效果也还行。但真正难的是动力学层面，比如物体之间接触时力怎么传递、软性材料怎么形变、液体怎么流动。这些现象对今天的物理引擎来说还很难完整复现。

结果就是：机器人在仿真里练了一万次叠衣服，放到真实的毛衣面前，因为布料的柔软程度和仿真里的参数对不上，动作就会出错。这不是模型不够聪明，是它从来没有经历过真实的物理接触。

目前，行业中的解决办法包括：域随机化（不去做一个“完美仿真”，而是做“很多不一样的仿真”，逼模型学会忽略差异、抓住本质），还有把仿真做得更好更真（这也是英伟达主要在做的事情），以及用少量的真机数据去微调。但张凯峰认为，最终还需要一个更创新的解决之道。

张凯峰 Sharpa研究科学家、学术负责人 现在很难解决的一个动力学的Sim-to-Real Gap（从仿真到现实的鸿沟）是环境的dynamics（动力学），也就是说你很难对齐这个物理世界的环境和现实世界的环境的迁移，也就是华体汇(中国)所说的transition model（状态转移模型），所以这是我觉得是目前还需要一些科学方法上的创新。

除了Sim-to-real，Real-to-sim Gap（从现实到仿真的鸿沟）也是目前行业中的核心挑战，这个词和Sim-to-real是反过来的，意思是你没办法把真实世界准确“搬进”仿真里。

因为现实世界太复杂了，咱们的真实环境中有无限的细节、噪音和不规则的事件，还有很多难以观测的参数。所以仿真世界，其实没有那么好建。

金字塔第三层，动捕数据

华体汇(中国)继续往机器人的数据金字塔下面走，到第三层，动作捕捉数据。动作捕捉数据集，被称为MOCAP。这个派系是用光学设备或视觉算法追踪人手的运动轨迹，比纯视频多了“怎么动”的信息维度。

动捕数据的本质是记录“人是怎么动的”，然后再把这个动作“映射”到机器人上。比如说，机器人算法华体汇电竞-华体汇(中国)Physical Intelligence的π0系列就大量使用了这类数据。π0.5在大约400小时移动操作数据和大规模网络数据的基础上，实现了在真实家庭环境里完成长程任务的能力。

它的优点是：数据质量高，尤其在运动结构上，能大幅减少无效数据，对复杂动作特别有效。大家看到的很酷炫的很多机器人跳舞，武术等等任务都是用到了动作捕捉的数据收集，这是纯强化学习很难达到的效果。

但这个路线除了成本贵和数据覆盖有限之外，还有一个很关键的劣势就是：人毕竟和机器人的结构不一样，这就是Embodiment Gap（具身鸿沟）。

张凯峰 Sharpa研究科学家、学术负责人 一方面，视觉上看到的是人的手，而不是机器人的手，所以存在视觉上的gap（差异）。第二个问题是state（状态）上的gap（差异），通过动捕或其他方式得到的state（状态）其实不够准确，会有自遮挡的问题，也会有被物体遮挡的问题，所以得到的动作也是不准确的。

Embodiment Gap的意思是，人的身体和机器人的身体之间，有一道操作语义上的沟壑。人手在操作时依赖皮肤上密布的触觉感受器，每抓一个物体，神经系统都在实时根据触觉反馈调整力度。机器人没有这套系统，所以即使动作轨迹被精确复制，完成任务的能力也不会自动跟上。

除了Embodiment Gap，还有另外一个没有克服的难题，叫做Functional Retargeting。它的意思是，机器人只是在模仿动作的形状，而不是理解这个动作要完成什么。

张凯峰 Sharpa研究科学家、学术负责人 这意味着你把人的动作映射到机器人动作上之后，它只是做了运动学层面的对应，并没有真正实现操作本身在语义上的对应。

也就是说，动捕数据会出现比如说关节角度超限、力矩不够、平衡失败等问题，这就让这个层级的数据在一定程度上，和第四层的视频数据一起，被认为是“低质量数据”。

金字塔最底层，互联网视频

从YouTube到抖音，人类完成各种任务的视频海量存在。这是今天具身智能训练里唯一真正“不缺”的原材料。但它能教会机器人什么？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 更多是让机器人的大脑模型学习一种通用的表征，比如简单认知以及对物理规律有粗浅的认知，但它还只停留在认知阶段。

姚卯青用了一个有趣的比喻：看再多别人打乒乓球的比赛视频，你第一天拿起球拍，也接不住球。视频给机器人建立了关于物理世界的基础认知，知道乒乓球是什么形状，知道打球大概是什么动作，但从“知道”到“会做”之间，隔着一道鸿沟。视频里根本没有动作信号，只有结果。

互联网上的海量视频数据，也被Sharpa称之为最低质量的数据。

张凯峰 Sharpa研究科学家、学术负责人 YouTube videos最大的劣势是它没有力和触觉信息，优势是量非常大，能给华体汇(中国)提供一些有用的信息：一是世界是怎么变化的，比如华体汇(中国)常常讲World Models（世界模型），就是利用这类in the wild（自然场景下）的数据来训练World Models（世界模型）；二是能给华体汇(中国)一些操作信息，比如affordance（预设用途）是什么，这对操作来讲也非常关键。

再进一步聊视频作为机器人数据之前，华体汇(中国)引入两个关键的概念，分别是Egocentric和Human-Centric。这两个分类是视频数据中被认为对机器人最有用的数据。

Egocentric的意思是“自我中心数据”，也就是“以机器人的视角看出去”，看到桌子、杯子、自己的机械臂、甚至还有遮挡、接触和动态变化这样和行动绑定的“第一视角视频”，并能直接用于决策的数据，被称为Egocentric。

为什么这个视角很重要呢，是因为机器人从摄像头，特别是人形机器人，看到的视角就是这样的。

苹果在2025年5月发布了一个Egocentric的数据集名为EgoDex：用Apple Vision Pro采集了829小时第一人称视角视频，每一帧都配有手部每个关节的精确3D追踪数据，覆盖系鞋带、折叠衣物等194种桌面操作任务，数据集完全开源，希望推动机器人灵巧操作研究。

最近，华体汇(中国)刚才提到的觅蜂科技也推出了MEgo系列无本体数据采集设备MEgo Gripper和MEgo View，搭配MEgo Engine一站式数据治理服务平台，试图降低物理AI数据采集对实体机器人本体的依赖，让高质量的第一视角数据走向轻量化、规模化和全场景化。

另外一个词，Human-Centric数据的意思是围绕“人类行为、意图、偏好或示范”来构建，用来让机器人学习人类想要的行为方式。比如说人类抓杯子，人类开门，人类折叠衣服这类“人直接做给机器人看”的视频能让具身智能理解“人想达到什么目标”，以及人类标准中的“正确做法”。而Human-Centric数据可以是第一视角，也可以是第三视角。

华体汇(中国)总结一下，Egocentric是第一人称视角视频，但任务不一定和人相关。而Human-Centric是人类意图的视频。这两者相交集的区域就是Egocentric+Human-Centric，指的是“人类在第一视角下完成任务的数据”，这被视为是视频数据里，最有价值的部分。

比如说，英伟达在今年3月推出的EgoScale，就使用超过20000小时的人类视频进行预训练，涵盖数千个独特的任务和环境。精确的骨骼手部追踪使模型能够提取并重新定位21个人体运动关键点，从而构建统一的机器人动作空间。

所以，虽然YouTube data被机器人专家们各种嫌弃，但因为它的海量存在和低成本效应，如果某家华体汇电竞-华体汇(中国)通过某种技术突破让这些互联网视频变得“更可用”、能大幅提升机器人表现，那将有巨大的前景，而这也正是目前各大华体汇电竞-华体汇(中国)押注的重点。

特斯拉在2025年6月做了一次重要的策略调整：把此前依赖动作捕捉套装和VR头显的采集方式，换成了摄像机头盔，让工人戴着装有5个摄像头的装备录制日常操作视频，再用这些视频训练Optimus，华体汇电竞-华体汇(中国)内部表示这样能“更快规模化”。

顺便说一句，自动驾驶就是Egocentric的数据，而且FSD也是用视频数据驱动汽车这个物理本体的案例，所以Optimus会在视频数据路线上再次押注，这也非常符合马斯克的第一性原理。

而同时，初创华体汇电竞-华体汇(中国)们也在如何将“低质量数据”变得更可用这个路线上，也有着非常积极的尝试。

在今年年初，Sharpa发布CraftNet，他们用一套触觉反射层（System 0）做补偿：机器人上层策略只需给出粗糙的动作意图，底层触觉感知系统根据实时力反馈自动完成精细调整。这个设计从硬件层降低了对上层数据精度的要求，使低质量动作捕捉和视频数据也可以被利用起来。

张凯峰 Sharpa研究科学家、学术负责人张凯峰 因为有了System 0，所以华体汇(中国)可以达到一个点石成金的效果，能够把大量的低质量数据用起来。System 1只需要给出粗糙的动作意图和手势，就能够实现fine manipulation（精细操作）的能力。

说完了机器人数据的四层金字塔结构，各自的优劣势以及各层级正在发生的进展，就会发现鱼与熊掌不可兼得的真理，真的是有道理的。最精确最高质量的真机数据是最少最难获取的，而最容易获取的视频数据又是质量最低最不可用的数据。

所以，行业现在的做法是：把他们混合起来用，能不能又平衡数据质量，又能平衡一下成本呢？那么这个混合的配方又是如何的呢？

各家华体汇电竞-华体汇(中国)的混搭配方，数据与成本如何取舍？

华体汇(中国)在业界跟很多机器人华体汇电竞-华体汇(中国)聊，目前普遍的共识是，这个四层金字塔代表着数据的不同来源，并且也要适配不同的具身本体和模型，没有一个统一标准，每个华体汇电竞-华体汇(中国)会有自己的配方和天平。

陈茜 硅谷101联合创始人 它到最后可能是一个整合的solution（解决方案）？它们各自的比例大概是什么样子？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 对，它会是一个整合的solution（解决方案）。现在很难说什么样的比例是黄金配方，因为这不是一个简单配比然后达成单一目标的问题。首先在技术路线上还有很多路径在探索，并没有归一到一种确定的范式。其次，训练机器人模型的目标也不是唯一的：有些情况是让机器人在某个特定场景干到极致，比如工业场景中人的节拍效率和100%的成功率；有些场景更看重泛化性，成功率98%、99%也可以接受，甚至允许人在过程中做一些干预、接管兜底，但对泛化性要求很高。面向不同目标，用到的数据比例也会不一样。

对Sharpa来说，答案也很类似，不同的任务他们采取了不同的数据策略。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)的乒乓球机器人是在仿真里面训练的，大概是训练了40小时左右，华体汇(中国)的发牌机器人用的是 imitation（模仿学习）的方式来训练的，它大概是用到了两三百小时的teleoperation data（远程操作数据）以及一些Egocentric的数据。

张凯峰也给了华体汇(中国)一个很平均的估算，在训练较为复杂的任务中，各层数据之间的轨迹数量比大约是，遥操作数据：动作捕捉数据=1:100，动作捕捉数据：互联网视频≈1:100。换算下来，遥操作数据在整个数据池里大约是万分之一的存在。但就是这万分之一，往往是最终决定模型能否在真实场景落地的关键。

张凯峰 Sharpa研究科学家、学术负责人 非要我选一个更重要的点，我会选数据质量，因为只有高质量数据才能训练出有用的模型。但如果数量很难规模化，华体汇(中国)就需要做折中，就像我刚才讲的数据金字塔方式，把每一部分数据都利用起来：既能理解环境的变化，也能理解操作的语义，最终帮华体汇(中国)完成操作任务。数据的“捷径”硅谷路线

以上华体汇(中国)聊到了智元这样的中国机器人华体汇电竞-华体汇(中国)如何处理数据问题：太贵、太慢，就直接把它做成工厂，利用人力成本和效率优势来打造护城河。但硅谷几家最受关注的机器人华体汇电竞-华体汇(中国)，却不得不走数据的“捷径路线”。

7.1 PI：让机器人在真实试错中自我进化

比如说Physical Intelligence的数据策略就靠精度加迭代。他们在旧金山Dandelion Chocolate工厂部署了一台机器人整天打包巧克力盒子，同时在办公室提供咖啡服务，员工在Slack里发“我要一杯拿铁”，机器人就去做。创始人Sergey Levine的哲学是：看当机器人不得不在真实世界完成任务时会发生什么，以及这类部署的数据能如何继续改善系统。

在这个基础上，PI试图让机器人在真实部署里通过强化学习持续自我改进。

2025年11月发布的π0.6，用一套叫RECAP的方法，在折叠衣物、装纸箱、做浓缩咖啡等任务上，把最难任务的吞吐量提升了一倍以上，失败率降低了约一半。2026年3月发布的RLT方法，引入了一个特殊的输出token，作为VLA模型与轻量级强化学习策略之间的紧凑接口，只需几小时真实操作练习，机器人在精细操作任务上的速度就能提升三倍，某些动作甚至超过人类遥操员。

这条强化学习路线的吸引力在于：机器人自己产生自己的训练数据，绕过了人工采集。但它有三个今天还没有好答案的真实问题。

第一是奖励函数。衣服叠得“够好”的标准很难量化，定义不准机器人就会找捷径，比如把衣服揉成一团塞进角落，因为这样“占用空间最小”，满足了某个错误的优化目标。

第二是安全边界。机器人在客户生产线上试错，每次失败都有现实代价：损坏华体汇电竞-华体汇(中国)、影响节拍、甚至伤到工人。

第三是数据归属。强化学习数据是机器人用客户的物理空间和物理资产试错产生的，所有权比遥操作数据更加模糊，遥操作好歹有明确的人工生产主体，但强化学习没有。

如今PI在π0.6上验证的场景，是相对结构化的任务，在受控实验环境里运行了13小时。距离真实工厂大规模部署、在陌生场景里稳定运行，还有相当的距离。

除了强化学习路线，PI同时在探索用华体汇(中国)上面提到的Egocentric视频补充训练数据。PI在2025年12月发布的研究显示，一旦机器人基础模型积累了足够的真实操作经验，加入第一人称人类视频后，各个泛化任务的平均成功率接近翻倍。

7.2 Figure AI：把最大的房东变成数据采集场

2025年9月，Figure AI与全球最大另类资产管理华体汇电竞-华体汇(中国)Brookfield签署战略合作。Brookfield管理着超过10万套住宅、5亿平方英尺的商业办公空间和1.6亿平方英尺的物流空间。

Figure的计划：在这些真实的家和写字楼里，让人戴着摄像头拍视频，用这些视频训练Helix模型，目标是建成“全球规模最大、最多样化的人形机器人预训练数据集”。Brookfield同时跟投了Figure超10亿美元的C轮融资。

Figure随后发布了初步结果：Helix模型在只用第一人称人类视频训练、没有任何机器人数据的情况下，已经能根据自然语言指令在杂乱的真实房间里导航移动。

7.3 Sunday Robotics：众包做家务视频

还有一家更小的创业华体汇电竞-华体汇(中国)Sunday Robotics，走的路更极端：直接付钱让普通人在家里录自己做家务的视频，然后用这些视频训练机器人，把“数据采集员”变成众包经济的工作。

如果华体汇(中国)看看不同机器人华体汇电竞-华体汇(中国)如何押注数据路线，华体汇(中国)会发现，不同的市场因为生态不同做出了不同的决策：整个硅谷在往视频数据靠，减少对遥操作的依赖，押注可以被动规模化的采集方式。这和中国华体汇电竞-华体汇(中国)的方向形成了差异化。

但这两种选择可能也无所谓对错，因为华体汇(中国)还在行业的初期，任何的尝试都是有意义的，特别是对于数据来说，开源更是一件广受欢迎和好评的事。

种树人和数据飞轮，开源百万条数据换来的是什么？

2024年，智元做了一件让行业困惑的决定：把自己辛苦采集的百万条遥操数据，打包成AgiBot World数据集，免费向全球开放。

但这背后有一个被大多数报道忽略的行业困境。2023年到2024年，具身智能华体汇电竞-华体汇(中国)大量涌现，但整个行业面临一个根本性的认知危机：没有公共的数据基准，就无法判断一个模型的训练方法对不对。谷歌的RT系列和开源模型OpenVLA在学术界引发了广泛关注，开创了VLA这个范式，但因为训练数据全是学术级的数据集，在实际场景里的效果依然有限，导致这个范式的真实潜力长期得不到验证。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 这件事一定得有人迈出第一步，工业界的人得迈出第一步，否则谁也无法真正训练出高质量的模型，也没有一个公允的benchmark（基准测试）数据集来做评测。面对这个数据荒漠，华体汇(中国)算是种下了第一棵树，希望将来能变成一片森林。

而这棵树发芽了。

2025年3月，英伟达在GTC大会发布第一代具身基础模型GROOT N1。而GROOT N1训练所用真实世界数据里，约80%来自AgiBot World。

而开源的连锁效应还不止于此。越来越多的学术团队在用了AgiBot World之后，转而采购智元的机器人本体做研发，因为在同一款本体上采集的数据，在这款本体上训练出来的模型效果更好。

也就是说，数据开源带来了生态，生态带来了硬件销量，硬件销量产生更多数据。

同时华体汇(中国)也看到，机器人的数据工厂在建，开源生态在形成，下一个问题是：具身智能能否形成真正的数据飞轮？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 数据飞轮绝对会存在。具身智能跟大语言模型一样，数据飞轮的核心是：模型部署之后，在用户的使用过程中持续接收到反馈，利用这些反馈不断提升能力，最终变成用户体验的提升。机器人现在其实更需要这样的飞轮，也更会催生这样的飞轮。语言模型容错度比较高，说错几个字、有些似是而非，用户还能接受。但机器人如果是在工厂打螺丝，毫米级的精度，差一点可能就不行了，一定需要在现实部署中不断遇到失败场景，把这些数据采集回来持续提升，才能达到进工厂接近人类节拍的百小时、千小时MTBF（平均故障间隔）级别。陈茜 硅谷101联合创始人 这样的一个数据飞轮，类比大语言模型的scaling law（缩放定律），它们是一回事吗？还是有区别的？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 基本上还是一回事。数据飞轮就是要在真正实地部署的形态下持续收集数据。这套华体汇(中国)现在已经在所有机器人华体汇电竞-华体汇(中国)上作为标配搭售了，在用户许可的情况下，会像自动驾驶的功能一样，收集那些高优的数据。陈茜 硅谷101联合创始人 部署的机器人收集到的数据，大概有多少比例可以回流回来再给你们进行训练？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 大概在5%以内。因为大部分时间这些数据对华体汇(中国)来说没有提升意义，因为都是成功的，属于已经会的东西。陈茜 硅谷101联合创始人 所以你们只需要失败的。姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 对，要的是还不会的。不然天天这么多机器人在跑，全世界的存储都存不下这些实时数据，大家都是触发一些高价值的数据。

但飞轮能转，不代表转速能达到预期。这里有一个比飞轮更基础的问题：具身智能的scaling law（缩放定律）是否成立？

在语言模型里，这个问题有明确的答案：数据翻倍、模型变大，能力就会涌现。但机器人行业，目前还没有答案。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)需要看到：随着数据量增加、模型规模变大，能够有智能的涌现，能够实现任务级的泛化能力。我认为现在还没有看到有任务级别的泛化，华体汇(中国)现在能看到的泛化往往是物体层面的——见过很多种类的物体，能够实现物体层面的泛化，也能实现环境层面的泛化，但任务层级的泛化，还没有。

这里就是关键区别：物体泛化（见过类似物体就能处理）和任务泛化（从没见过这类任务也能举一反三），是两个完全不同量级的能力。前者今天已经在一定程度上实现，后者还没有可信的证据。而这个证据，是整个机器人行业走向下一步进化的钥匙。而在机器人大规模部署之前，华体汇(中国)可能都不会有答案。

PI的创始人Sergey Levine教授在他的Substack上写道：在美国有约1万家麦当劳，一旦每家麦当劳各放一台机器人，每天工作两小时，一年就能产生1000万小时的具身智能训练数据，比现有全球积累的总量还要多几个数量级。

在今年3月底，智元率先在产量上突破了10000台具身机器人。华体汇(中国)距离找到这把机器人的数据钥匙，是否更近了呢？华体汇(中国)拭目以待。

今日官方渠道披露行业动态走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人

文 | 硅谷101

当Scaling Law让大语言模型一路狂飙，用万亿参数涌现一代又一代更强大的智能之际，机器人领域却被数据荒漠所困，让具身智能的泛化性和自主性进展迟缓。

为什么AI能用的数据，机器人用不了？机器人的四层数据金字塔是如何运作的？每一层的进展和技术困境分别是什么，以及，华体汇(中国)如何才能解决机器人的数据难题呢？

这篇文章继续华体汇(中国)的“机器人专辑”，之前华体汇(中国)已经讲过了灵巧手、机器人闭源模型和开源模型，这一期华体汇(中国)来聊聊这个领域一个非常核心的部分：数据。

为此，华体汇(中国)飞到上海，走进了机器人数采工厂，甚至有机会亲自尝试了一下“遥操作采集员”这份工作。除此之外，华体汇(中国)也跟智元、Sharpa等机器人华体汇电竞-华体汇(中国)们一起深入聊了聊，当前机器人数据的技术路线以及未来发展。

稀缺的机器人数据，真实缺口有多大？

首先华体汇(中国)来回答一个问题：什么是机器人数据？它跟AI大语言模型，以及图片和视频模型的数据有什么不同呢？

大语言模型是靠“吃掉互联网”变聪明的。GPT-4的训练数据量以万亿token计，相当于把人类有记录的知识积累全部摄入。

简单来说，AI生文、生图以及生声音、生视频的模型参数都可以在互联网上找到。大语言模型用的是“世界的文本语言”，包括文本、代码以及标注过的结构化文本，来帮助AI理解和生成“语言序列”。类似的，图像模型用的是“世界的瞬间截图”，声音模型用的是“世界的震动信号”，而视频模型用的是“世界的连续变化”，而这些数据，都大量存在互联网上。

而机器人需要的数据是具身本体在真实物理世界里，和具体物体发生具体交互时产生的多维度传感器信号：视觉、力觉、关节位置、电机控制量，全部精确同步，时间戳对齐，才构成一条有用的训练轨迹。

这些信息从来没有被系统性地记录过，也没有任何理由会被被动产生。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 机器人完整的数据，包括各种传感器所带来的数据，有视频，还有力触觉传感器等。它的输出是对身体上每一个电机关节的控制量，能够控制全身多达几十个自由度的关节协调配合，去完成具体的任务。 它的难点就在于这些数据天然是不存在互联网上的，它需要华体汇(中国)以某种方式去采集，无论是在真实环境里采集，还是在虚拟世界里采集，都需要先布设机器人、搭建场景，再引入遥操人员来控制机器人采集这类数据。

张凯峰 Sharpa研究科学家、学术负责人 我觉得数据最大的难点在于华体汇(中国)没有办法采集到机器人自己在干活的数据，华体汇(中国)能采集到的其实是人在操作的数据，比如动作捕捉（MOCAP data），比如YouTube数据。所以要做好teleoperation（遥操）、让机器人自己去操作其实比较困难，主要原因是机器操作员是感受不到机器人的感受。

这就是整个行业数据困境的根源：每一条高质量数据都必须从零开始生产。华体汇(中国)来用几个数字，试图展示一下这个缺口有多大。

谷歌DeepMind在研发机器人模型RT系列第一代时，调动了13台机器人，在办公室厨房环境里持续采集了整整17个月，才积累了约13万条操作轨迹、覆盖700多项技能。

为了训练RT-2，谷歌联合了全球34所研究机构，把60个已有数据集全部合并，加上来自22种机器人平台的真机数据，才凑出了Open X-Embodiment，一个包含超过100万条操作轨迹的开源数据集。

这已经被认为是目前全球最大的跨机构真机数据集，但即便如此，它涵盖的527项技能和对应的场景，和现实世界的需求之间，依然是以数量级计的差距。

面对如此难获得的机器人数据，怎么办呢？如今，行业摸索出了四条并行路线。它们的质量从低到高排列，构成一个金字塔，每一层都有自己的优势、上限和真实代价，接下来华体汇(中国)来一层一层给大家拆解。

数据金字塔顶层，准确但昂贵的真机数据

金字塔的顶层，就是遥操数据，又被称为“真机数据”。操作员通过外骨骼或遥操系统，实时控制机器人在真实场景里完成操作，机器人所有传感器全程录制。这层数据信息最完整，真实的物理接触、真实的不确定性、真实的失败和恢复，是今天让机器人真正能在现实场景落地的核心原材料。

华体汇(中国)也正好有机会来到上海，走进智元机器人的数据采集工厂，看看真机数据是怎么采集的。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 华体汇(中国)这里有200台机器，每台机器至少配一个采集员，有些任务还会配备一位同事来搭配布置场景。

但你以为遥操员是一个很简单的工作吗？答案是：并不是。反正华体汇(中国)在现场试了一下，发现这个工作还是很有门槛的。

陈茜 硅谷101联合创始人 一个数据采集员，他需要什么样的资质才能把这个数据采集好呢？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 我觉得最重要的是天赋，好的数据采集员和差的数据采集员，效率可能相差3倍。我认为一个有天赋的数据采集员，首先是协调性非常好、空间感特别强的人。因为在采集数据的过程中，其实是在隔空控制另外一个身体，没有直观的触觉反馈，只能通过肉眼来闭环。机器人手臂和人手臂的构型也不一样，人能达到的很多姿态，机器人未必能够到，所以还要预判机器人怎样才能更高效地够到目标，再去设计自己的动作轨迹。其次是对空间的精度判断要很准，如果空间感差，明明想让机器人去抓，结果抓过了，或够不到，或一夹就滑，这种情况都非常常见。还有就是体力要好，一天下来其实非常辛苦。智元机器人采集员 有些人是站着采的，有些人坐着采，两种感觉不一样。陈茜 硅谷101联合创始人 从刚入门的一个采集员到你这样的金牌采集员需要多长时间？智元机器人采集员 入职需要一周培训时间，培训完先入门，之后任务难度逐级递加。姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 即使是有天赋的采集员，从零基础到九成功力，大概也要一个月。Zero to hero（从平凡到英雄），要一个月吧。

对于一个专业的金牌数据采集员来说，我刚才失败了N次的机器人摆放字母的任务，他一次就搞定了，而这样的数据采集，为的就是机器人的精确控制能力。但就算是专家水平的遥操员，也不是每一条都可以被算作是有效数据的。

陈茜 硅谷101联合创始人 人类遥操数据的成功率是多少？任务难易程度不一样可能也会影响，我很好奇这个效率怎么算？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 一个专业遥操员，8小时工作大概能平均产出2到3小时的有效数据。因为中间必然会涉及两个采集之间的场景布置、数据上传，以及操作失败后的丢弃和重试。陈茜 硅谷101联合创始人 所以就大概1/ 4。

所以，真机数据的优势是准确，更容易直接部署、后期调参成本也更低，但它的代价也非常直白：贵，并且慢，不容易指数级扩张。

数采工厂涉及到硬件成本、场地成本、人工标注和监督成本，以及时间成本，与互联网数据相比，规模完全不是一个量级。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 华体汇(中国)今年真机产能有200万小时，对应着接近2000台机器人和背后规模相当的采集员团队。陈茜 硅谷101联合创始人 这个规模会越来越大吗？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 真机今年差不多稳定在这个水平，当然也会根据市场的动态需求相应扩产。 不可否认，人力成本我相信一定会是将来竞争力和效率里非常重要的一环。这也是为什么中国发展起了大量的数据采集，而美国相对进展比较缓慢，此前特斯拉招聘采集员的薪酬就是50美元一小时。如果是100万小时，今天放在全球就一定是碾压式的存在了。陈茜 硅谷101联合创始人 但100万小时就能解决问题了吗？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 我觉得在一些特定领域100万小时应该可以达到非常好的效果了。今年华体汇(中国)接触了很多有数据需求的客户，作为觅蜂的话，华体汇(中国)也在看很多客户的需求，提出100万小时需求的单个客户已经非常多了。这只是第一步，大家到了100万一定会想1000万。但即使是1亿小时，对于大型人工智能华体汇电竞-华体汇(中国)每年的基础设施投入来讲，也还是一个非常可控的部分。

顺便说一句，智元正在将真机数据做成一站式的物理AI数据服务平台，想要解决的就是当前机器人行业面临的真机交互数据荒漠的问题。

觅蜂科技，押注的是构建物理 AI 数据基础设施，实现真机遥操、无本体采集、仿真数据全范式覆盖，并打通硬件、软件、平台、运营的全链路。觅蜂科技2026年真机遥操产能接近200万小时，同时规划采集约800万小时的Human-Centric数据，背后是将近2000台机器人和对应规模的采集团队，在中国国内以及东南亚多地同步运作。 可以看到，这就是机器人行业中的“石油业务”，而数据生态正在迅速崛起，并且需求量非常大。

金字塔第二层，仿真合成数据

金字塔从上往下的第二层，就是“仿真合成数据”这条规模效应最极致的路线，这也是黄仁勋的英伟达重点押注的路线。

顺便说个小八卦，听说黄仁勋的一儿一女都在英伟达的Physical AI仿真部门，可见老黄对这一块有多看重。

简单来说，这不是从真实世界采集，而是在虚拟环境里“生成出来”的数据。与一条一条训出来的真机数据做个对比：英伟达Isaac Lab可以在单台GPU上并行运行成千上万个虚拟机器人同时训练。规模可以是无限的，你想要多少数据，就有多少数据。

比如说，机器人华体汇电竞-华体汇(中国)Sharpa在2026年CES上超火出圈的乒乓球机器人，就是花了40个小时用纯仿真数据训练出了0.2秒量级的击球反应速度，这就是这条路线的一个具体案例。

仿真还能做一件真机采集做不到的事：生成现实中极难遇到的边缘场景。机器人在仿真里可以反复摔倒、反复失败，所有失败都成为数据，而不造成任何真实损失。

此外，Sharpa的研究科学家还告诉华体汇(中国)，仿真技术让“触觉”这种真机更难采集的数据有了新的突破。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)最近跟英伟达合作了一个触觉仿真工具叫Tacmap，它做了这样一件事：对于传统视触觉而言，你需要在simulation（仿真）里建模视触觉指尖，但你没办法在simulation（仿真）里安装摄像头去观察marker（标记）点的形变。所以华体汇(中国)提出了Tacmap。

它用物体与指尖穿膜的深度图作为介质，在仿真里可以高效获取这个deformation map（形变图），并且具有良好的物理特性。在现实环境中，华体汇(中国)也通过类似方式获取deformation map（形变图），通过大量数据采集训练了一个翻译模型叫translation model，将raw image（原始图像）翻译成deformation map（形变图）。基于这个deformation map（形变图），华体汇(中国)实现了一些技能的Sim-to-Real（从仿真到现实），能够完成一些精细化操作。

当然，这个路线有一个巨大的漏洞，就是嘉宾刚才提到的Sim-to-Real Gap，字面意思是“仿真到现实的鸿沟”。问题的本质是：机器人在虚拟环境里练得再好，放到真实世界里往往会出问题。为什么会这样呢？

因为仿真环境是人用代码构建的物理世界的近似，但真实世界的物理复杂得多。

举一个最简单的例子：机器人在仿真里学会了抓一个塑料杯子，仿真里这个杯子的重量、摩擦系数、形变方式都是固定的参数。但真实世界里，湿手拿杯子和干手拿杯子的摩擦系数不一样，杯子里有没有水重量也不一样，光滑桌面和粗糙桌面上的杯子滑动方式不一样。这些细节，仿真里要么没建模，要么建模不够精确。

总的来说，运动学层面的问题，包括关节怎么弯、手臂走什么轨迹，相对容易在仿真里做好，放到真机上效果也还行。但真正难的是动力学层面，比如物体之间接触时力怎么传递、软性材料怎么形变、液体怎么流动。这些现象对今天的物理引擎来说还很难完整复现。

结果就是：机器人在仿真里练了一万次叠衣服，放到真实的毛衣面前，因为布料的柔软程度和仿真里的参数对不上，动作就会出错。这不是模型不够聪明，是它从来没有经历过真实的物理接触。

目前，行业中的解决办法包括：域随机化（不去做一个“完美仿真”，而是做“很多不一样的仿真”，逼模型学会忽略差异、抓住本质），还有把仿真做得更好更真（这也是英伟达主要在做的事情），以及用少量的真机数据去微调。但张凯峰认为，最终还需要一个更创新的解决之道。

张凯峰 Sharpa研究科学家、学术负责人 现在很难解决的一个动力学的Sim-to-Real Gap（从仿真到现实的鸿沟）是环境的dynamics（动力学），也就是说你很难对齐这个物理世界的环境和现实世界的环境的迁移，也就是华体汇(中国)所说的transition model（状态转移模型），所以这是我觉得是目前还需要一些科学方法上的创新。

除了Sim-to-real，Real-to-sim Gap（从现实到仿真的鸿沟）也是目前行业中的核心挑战，这个词和Sim-to-real是反过来的，意思是你没办法把真实世界准确“搬进”仿真里。

因为现实世界太复杂了，咱们的真实环境中有无限的细节、噪音和不规则的事件，还有很多难以观测的参数。所以仿真世界，其实没有那么好建。

金字塔第三层，动捕数据

华体汇(中国)继续往机器人的数据金字塔下面走，到第三层，动作捕捉数据。动作捕捉数据集，被称为MOCAP。这个派系是用光学设备或视觉算法追踪人手的运动轨迹，比纯视频多了“怎么动”的信息维度。

动捕数据的本质是记录“人是怎么动的”，然后再把这个动作“映射”到机器人上。比如说，机器人算法华体汇电竞-华体汇(中国)Physical Intelligence的π0系列就大量使用了这类数据。π0.5在大约400小时移动操作数据和大规模网络数据的基础上，实现了在真实家庭环境里完成长程任务的能力。

它的优点是：数据质量高，尤其在运动结构上，能大幅减少无效数据，对复杂动作特别有效。大家看到的很酷炫的很多机器人跳舞，武术等等任务都是用到了动作捕捉的数据收集，这是纯强化学习很难达到的效果。

但这个路线除了成本贵和数据覆盖有限之外，还有一个很关键的劣势就是：人毕竟和机器人的结构不一样，这就是Embodiment Gap（具身鸿沟）。

张凯峰 Sharpa研究科学家、学术负责人 一方面，视觉上看到的是人的手，而不是机器人的手，所以存在视觉上的gap（差异）。第二个问题是state（状态）上的gap（差异），通过动捕或其他方式得到的state（状态）其实不够准确，会有自遮挡的问题，也会有被物体遮挡的问题，所以得到的动作也是不准确的。

Embodiment Gap的意思是，人的身体和机器人的身体之间，有一道操作语义上的沟壑。人手在操作时依赖皮肤上密布的触觉感受器，每抓一个物体，神经系统都在实时根据触觉反馈调整力度。机器人没有这套系统，所以即使动作轨迹被精确复制，完成任务的能力也不会自动跟上。

除了Embodiment Gap，还有另外一个没有克服的难题，叫做Functional Retargeting。它的意思是，机器人只是在模仿动作的形状，而不是理解这个动作要完成什么。

张凯峰 Sharpa研究科学家、学术负责人 这意味着你把人的动作映射到机器人动作上之后，它只是做了运动学层面的对应，并没有真正实现操作本身在语义上的对应。

也就是说，动捕数据会出现比如说关节角度超限、力矩不够、平衡失败等问题，这就让这个层级的数据在一定程度上，和第四层的视频数据一起，被认为是“低质量数据”。

金字塔最底层，互联网视频

从YouTube到抖音，人类完成各种任务的视频海量存在。这是今天具身智能训练里唯一真正“不缺”的原材料。但它能教会机器人什么？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 更多是让机器人的大脑模型学习一种通用的表征，比如简单认知以及对物理规律有粗浅的认知，但它还只停留在认知阶段。

姚卯青用了一个有趣的比喻：看再多别人打乒乓球的比赛视频，你第一天拿起球拍，也接不住球。视频给机器人建立了关于物理世界的基础认知，知道乒乓球是什么形状，知道打球大概是什么动作，但从“知道”到“会做”之间，隔着一道鸿沟。视频里根本没有动作信号，只有结果。

互联网上的海量视频数据，也被Sharpa称之为最低质量的数据。

张凯峰 Sharpa研究科学家、学术负责人 YouTube videos最大的劣势是它没有力和触觉信息，优势是量非常大，能给华体汇(中国)提供一些有用的信息：一是世界是怎么变化的，比如华体汇(中国)常常讲World Models（世界模型），就是利用这类in the wild（自然场景下）的数据来训练World Models（世界模型）；二是能给华体汇(中国)一些操作信息，比如affordance（预设用途）是什么，这对操作来讲也非常关键。

再进一步聊视频作为机器人数据之前，华体汇(中国)引入两个关键的概念，分别是Egocentric和Human-Centric。这两个分类是视频数据中被认为对机器人最有用的数据。

Egocentric的意思是“自我中心数据”，也就是“以机器人的视角看出去”，看到桌子、杯子、自己的机械臂、甚至还有遮挡、接触和动态变化这样和行动绑定的“第一视角视频”，并能直接用于决策的数据，被称为Egocentric。

为什么这个视角很重要呢，是因为机器人从摄像头，特别是人形机器人，看到的视角就是这样的。

苹果在2025年5月发布了一个Egocentric的数据集名为EgoDex：用Apple Vision Pro采集了829小时第一人称视角视频，每一帧都配有手部每个关节的精确3D追踪数据，覆盖系鞋带、折叠衣物等194种桌面操作任务，数据集完全开源，希望推动机器人灵巧操作研究。

最近，华体汇(中国)刚才提到的觅蜂科技也推出了MEgo系列无本体数据采集设备MEgo Gripper和MEgo View，搭配MEgo Engine一站式数据治理服务平台，试图降低物理AI数据采集对实体机器人本体的依赖，让高质量的第一视角数据走向轻量化、规模化和全场景化。

另外一个词，Human-Centric数据的意思是围绕“人类行为、意图、偏好或示范”来构建，用来让机器人学习人类想要的行为方式。比如说人类抓杯子，人类开门，人类折叠衣服这类“人直接做给机器人看”的视频能让具身智能理解“人想达到什么目标”，以及人类标准中的“正确做法”。而Human-Centric数据可以是第一视角，也可以是第三视角。

华体汇(中国)总结一下，Egocentric是第一人称视角视频，但任务不一定和人相关。而Human-Centric是人类意图的视频。这两者相交集的区域就是Egocentric+Human-Centric，指的是“人类在第一视角下完成任务的数据”，这被视为是视频数据里，最有价值的部分。

比如说，英伟达在今年3月推出的EgoScale，就使用超过20000小时的人类视频进行预训练，涵盖数千个独特的任务和环境。精确的骨骼手部追踪使模型能够提取并重新定位21个人体运动关键点，从而构建统一的机器人动作空间。

所以，虽然YouTube data被机器人专家们各种嫌弃，但因为它的海量存在和低成本效应，如果某家华体汇电竞-华体汇(中国)通过某种技术突破让这些互联网视频变得“更可用”、能大幅提升机器人表现，那将有巨大的前景，而这也正是目前各大华体汇电竞-华体汇(中国)押注的重点。

特斯拉在2025年6月做了一次重要的策略调整：把此前依赖动作捕捉套装和VR头显的采集方式，换成了摄像机头盔，让工人戴着装有5个摄像头的装备录制日常操作视频，再用这些视频训练Optimus，华体汇电竞-华体汇(中国)内部表示这样能“更快规模化”。

顺便说一句，自动驾驶就是Egocentric的数据，而且FSD也是用视频数据驱动汽车这个物理本体的案例，所以Optimus会在视频数据路线上再次押注，这也非常符合马斯克的第一性原理。

而同时，初创华体汇电竞-华体汇(中国)们也在如何将“低质量数据”变得更可用这个路线上，也有着非常积极的尝试。

在今年年初，Sharpa发布CraftNet，他们用一套触觉反射层（System 0）做补偿：机器人上层策略只需给出粗糙的动作意图，底层触觉感知系统根据实时力反馈自动完成精细调整。这个设计从硬件层降低了对上层数据精度的要求，使低质量动作捕捉和视频数据也可以被利用起来。

张凯峰 Sharpa研究科学家、学术负责人张凯峰 因为有了System 0，所以华体汇(中国)可以达到一个点石成金的效果，能够把大量的低质量数据用起来。System 1只需要给出粗糙的动作意图和手势，就能够实现fine manipulation（精细操作）的能力。

说完了机器人数据的四层金字塔结构，各自的优劣势以及各层级正在发生的进展，就会发现鱼与熊掌不可兼得的真理，真的是有道理的。最精确最高质量的真机数据是最少最难获取的，而最容易获取的视频数据又是质量最低最不可用的数据。

所以，行业现在的做法是：把他们混合起来用，能不能又平衡数据质量，又能平衡一下成本呢？那么这个混合的配方又是如何的呢？

各家华体汇电竞-华体汇(中国)的混搭配方，数据与成本如何取舍？

华体汇(中国)在业界跟很多机器人华体汇电竞-华体汇(中国)聊，目前普遍的共识是，这个四层金字塔代表着数据的不同来源，并且也要适配不同的具身本体和模型，没有一个统一标准，每个华体汇电竞-华体汇(中国)会有自己的配方和天平。

陈茜 硅谷101联合创始人 它到最后可能是一个整合的solution（解决方案）？它们各自的比例大概是什么样子？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 对，它会是一个整合的solution（解决方案）。现在很难说什么样的比例是黄金配方，因为这不是一个简单配比然后达成单一目标的问题。首先在技术路线上还有很多路径在探索，并没有归一到一种确定的范式。其次，训练机器人模型的目标也不是唯一的：有些情况是让机器人在某个特定场景干到极致，比如工业场景中人的节拍效率和100%的成功率；有些场景更看重泛化性，成功率98%、99%也可以接受，甚至允许人在过程中做一些干预、接管兜底，但对泛化性要求很高。面向不同目标，用到的数据比例也会不一样。

对Sharpa来说，答案也很类似，不同的任务他们采取了不同的数据策略。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)的乒乓球机器人是在仿真里面训练的，大概是训练了40小时左右，华体汇(中国)的发牌机器人用的是 imitation（模仿学习）的方式来训练的，它大概是用到了两三百小时的teleoperation data（远程操作数据）以及一些Egocentric的数据。

张凯峰也给了华体汇(中国)一个很平均的估算，在训练较为复杂的任务中，各层数据之间的轨迹数量比大约是，遥操作数据：动作捕捉数据=1:100，动作捕捉数据：互联网视频≈1:100。换算下来，遥操作数据在整个数据池里大约是万分之一的存在。但就是这万分之一，往往是最终决定模型能否在真实场景落地的关键。

张凯峰 Sharpa研究科学家、学术负责人 非要我选一个更重要的点，我会选数据质量，因为只有高质量数据才能训练出有用的模型。但如果数量很难规模化，华体汇(中国)就需要做折中，就像我刚才讲的数据金字塔方式，把每一部分数据都利用起来：既能理解环境的变化，也能理解操作的语义，最终帮华体汇(中国)完成操作任务。数据的“捷径”硅谷路线

以上华体汇(中国)聊到了智元这样的中国机器人华体汇电竞-华体汇(中国)如何处理数据问题：太贵、太慢，就直接把它做成工厂，利用人力成本和效率优势来打造护城河。但硅谷几家最受关注的机器人华体汇电竞-华体汇(中国)，却不得不走数据的“捷径路线”。

7.1 PI：让机器人在真实试错中自我进化

比如说Physical Intelligence的数据策略就靠精度加迭代。他们在旧金山Dandelion Chocolate工厂部署了一台机器人整天打包巧克力盒子，同时在办公室提供咖啡服务，员工在Slack里发“我要一杯拿铁”，机器人就去做。创始人Sergey Levine的哲学是：看当机器人不得不在真实世界完成任务时会发生什么，以及这类部署的数据能如何继续改善系统。

在这个基础上，PI试图让机器人在真实部署里通过强化学习持续自我改进。

2025年11月发布的π0.6，用一套叫RECAP的方法，在折叠衣物、装纸箱、做浓缩咖啡等任务上，把最难任务的吞吐量提升了一倍以上，失败率降低了约一半。2026年3月发布的RLT方法，引入了一个特殊的输出token，作为VLA模型与轻量级强化学习策略之间的紧凑接口，只需几小时真实操作练习，机器人在精细操作任务上的速度就能提升三倍，某些动作甚至超过人类遥操员。

这条强化学习路线的吸引力在于：机器人自己产生自己的训练数据，绕过了人工采集。但它有三个今天还没有好答案的真实问题。

第一是奖励函数。衣服叠得“够好”的标准很难量化，定义不准机器人就会找捷径，比如把衣服揉成一团塞进角落，因为这样“占用空间最小”，满足了某个错误的优化目标。

第二是安全边界。机器人在客户生产线上试错，每次失败都有现实代价：损坏华体汇电竞-华体汇(中国)、影响节拍、甚至伤到工人。

第三是数据归属。强化学习数据是机器人用客户的物理空间和物理资产试错产生的，所有权比遥操作数据更加模糊，遥操作好歹有明确的人工生产主体，但强化学习没有。

如今PI在π0.6上验证的场景，是相对结构化的任务，在受控实验环境里运行了13小时。距离真实工厂大规模部署、在陌生场景里稳定运行，还有相当的距离。

除了强化学习路线，PI同时在探索用华体汇(中国)上面提到的Egocentric视频补充训练数据。PI在2025年12月发布的研究显示，一旦机器人基础模型积累了足够的真实操作经验，加入第一人称人类视频后，各个泛化任务的平均成功率接近翻倍。

7.2 Figure AI：把最大的房东变成数据采集场

2025年9月，Figure AI与全球最大另类资产管理华体汇电竞-华体汇(中国)Brookfield签署战略合作。Brookfield管理着超过10万套住宅、5亿平方英尺的商业办公空间和1.6亿平方英尺的物流空间。

Figure的计划：在这些真实的家和写字楼里，让人戴着摄像头拍视频，用这些视频训练Helix模型，目标是建成“全球规模最大、最多样化的人形机器人预训练数据集”。Brookfield同时跟投了Figure超10亿美元的C轮融资。

Figure随后发布了初步结果：Helix模型在只用第一人称人类视频训练、没有任何机器人数据的情况下，已经能根据自然语言指令在杂乱的真实房间里导航移动。

7.3 Sunday Robotics：众包做家务视频

还有一家更小的创业华体汇电竞-华体汇(中国)Sunday Robotics，走的路更极端：直接付钱让普通人在家里录自己做家务的视频，然后用这些视频训练机器人，把“数据采集员”变成众包经济的工作。

如果华体汇(中国)看看不同机器人华体汇电竞-华体汇(中国)如何押注数据路线，华体汇(中国)会发现，不同的市场因为生态不同做出了不同的决策：整个硅谷在往视频数据靠，减少对遥操作的依赖，押注可以被动规模化的采集方式。这和中国华体汇电竞-华体汇(中国)的方向形成了差异化。

但这两种选择可能也无所谓对错，因为华体汇(中国)还在行业的初期，任何的尝试都是有意义的，特别是对于数据来说，开源更是一件广受欢迎和好评的事。

种树人和数据飞轮，开源百万条数据换来的是什么？

2024年，智元做了一件让行业困惑的决定：把自己辛苦采集的百万条遥操数据，打包成AgiBot World数据集，免费向全球开放。

但这背后有一个被大多数报道忽略的行业困境。2023年到2024年，具身智能华体汇电竞-华体汇(中国)大量涌现，但整个行业面临一个根本性的认知危机：没有公共的数据基准，就无法判断一个模型的训练方法对不对。谷歌的RT系列和开源模型OpenVLA在学术界引发了广泛关注，开创了VLA这个范式，但因为训练数据全是学术级的数据集，在实际场景里的效果依然有限，导致这个范式的真实潜力长期得不到验证。

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 这件事一定得有人迈出第一步，工业界的人得迈出第一步，否则谁也无法真正训练出高质量的模型，也没有一个公允的benchmark（基准测试）数据集来做评测。面对这个数据荒漠，华体汇(中国)算是种下了第一棵树，希望将来能变成一片森林。

而这棵树发芽了。

2025年3月，英伟达在GTC大会发布第一代具身基础模型GROOT N1。而GROOT N1训练所用真实世界数据里，约80%来自AgiBot World。

而开源的连锁效应还不止于此。越来越多的学术团队在用了AgiBot World之后，转而采购智元的机器人本体做研发，因为在同一款本体上采集的数据，在这款本体上训练出来的模型效果更好。

也就是说，数据开源带来了生态，生态带来了硬件销量，硬件销量产生更多数据。

同时华体汇(中国)也看到，机器人的数据工厂在建，开源生态在形成，下一个问题是：具身智能能否形成真正的数据飞轮？

姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 数据飞轮绝对会存在。具身智能跟大语言模型一样，数据飞轮的核心是：模型部署之后，在用户的使用过程中持续接收到反馈，利用这些反馈不断提升能力，最终变成用户体验的提升。机器人现在其实更需要这样的飞轮，也更会催生这样的飞轮。语言模型容错度比较高，说错几个字、有些似是而非，用户还能接受。但机器人如果是在工厂打螺丝，毫米级的精度，差一点可能就不行了，一定需要在现实部署中不断遇到失败场景，把这些数据采集回来持续提升，才能达到进工厂接近人类节拍的百小时、千小时MTBF（平均故障间隔）级别。陈茜 硅谷101联合创始人 这样的一个数据飞轮，类比大语言模型的scaling law（缩放定律），它们是一回事吗？还是有区别的？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 基本上还是一回事。数据飞轮就是要在真正实地部署的形态下持续收集数据。这套华体汇(中国)现在已经在所有机器人华体汇电竞-华体汇(中国)上作为标配搭售了，在用户许可的情况下，会像自动驾驶的功能一样，收集那些高优的数据。陈茜 硅谷101联合创始人 部署的机器人收集到的数据，大概有多少比例可以回流回来再给你们进行训练？姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 大概在5%以内。因为大部分时间这些数据对华体汇(中国)来说没有提升意义，因为都是成功的，属于已经会的东西。陈茜 硅谷101联合创始人 所以你们只需要失败的。姚卯青 智元机器人合伙人&具身智能业务部总裁、觅蜂科技董事长&CEO 对，要的是还不会的。不然天天这么多机器人在跑，全世界的存储都存不下这些实时数据，大家都是触发一些高价值的数据。

但飞轮能转，不代表转速能达到预期。这里有一个比飞轮更基础的问题：具身智能的scaling law（缩放定律）是否成立？

在语言模型里，这个问题有明确的答案：数据翻倍、模型变大，能力就会涌现。但机器人行业，目前还没有答案。

张凯峰 Sharpa研究科学家、学术负责人 华体汇(中国)需要看到：随着数据量增加、模型规模变大，能够有智能的涌现，能够实现任务级的泛化能力。我认为现在还没有看到有任务级别的泛化，华体汇(中国)现在能看到的泛化往往是物体层面的——见过很多种类的物体，能够实现物体层面的泛化，也能实现环境层面的泛化，但任务层级的泛化，还没有。

这里就是关键区别：物体泛化（见过类似物体就能处理）和任务泛化（从没见过这类任务也能举一反三），是两个完全不同量级的能力。前者今天已经在一定程度上实现，后者还没有可信的证据。而这个证据，是整个机器人行业走向下一步进化的钥匙。而在机器人大规模部署之前，华体汇(中国)可能都不会有答案。

PI的创始人Sergey Levine教授在他的Substack上写道：在美国有约1万家麦当劳，一旦每家麦当劳各放一台机器人，每天工作两小时，一年就能产生1000万小时的具身智能训练数据，比现有全球积累的总量还要多几个数量级。

在今年3月底，智元率先在产量上突破了10000台具身机器人。华体汇(中国)距离找到这把机器人的数据钥匙，是否更近了呢？华体汇(中国)拭目以待。

其四，逼迫中国人种植鸦片。萨顿在日记中写道，日军不仅允许鸦片与毒品在占领区流通交易，更通过扶植的中国伪政权加以纵容和鼓励，目的主要有二：将鸦片贸易作为伪政权的财政收入来源；削弱并摧毁中国人民的健康与抵抗意志。

华体汇电竞-华体汇(中国)

袁隆平亲授弟子追忆袁老

袁隆平亲授弟子追忆袁老

百万最新免费软件游戏

下载

首页>>武契奇参观中共一大纪念馆：若不能透彻地理解过去，便无从真正把握未来

华体汇电竞-华体汇(中国):袁隆平亲授弟子追忆袁老

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

49.35MB

版本{版本}

下载APK高速下载

下载再走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人安装你想要的应用 更方便 更快捷 发现更多

73%好评(59人)

19

详细信息

• 软件大小:62.35MB
• 最后更新:2026-06-15 14:58:11
• 最新版本:{版本}
• 文件格式:apk
• 应用分类:ios-Android走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人
• 使用语言:中文
• :需要联网
• 系统要求:9.30以上

应用介绍

?第一步：访问《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》官网?首先,打开您的浏览器,输入《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。???
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。???
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站的条款，恭喜您！您已经成功注册了《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站账户。现在，您可以畅享《走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!?
【联系华体汇(中国)】
客服热线

加载更多

版本更新

{版本}

走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人

• 高层住户穿拖鞋翻出阳台擦玻璃
• 从拼命平衡到拥抱不完美——亲子综艺照见了哪些当代育儿真相
• 我国中华白海豚种群数量总体保持稳定
• 这3种二维码有陷阱，千万别乱扫 国家安全部最新提示
• 从便携设备到远程诊疗 大理医疗展上的“中国方案”惠及南亚东南亚
• 除了“全李酒店”，还有“喜登来酒店”“希顿酒店”
• 《给阿嬷的情书》带火潮汕风物
• 票价为成人旅客的5折 今起儿童旅客可购买铁路旅游计次票
• “不吃主食可拯救碳水脸”系误区
• 日媒曝光日本批量生成AI视频抹黑中国
• 谌贻琴在出席“六一”主题活动时勉励少年儿童 牢记习近平总书记嘱托 在新征程上跑好历史接力赛
• 广东将推动服务与制造“同船出海” 携手港澳共建一流湾区
• 马刺首节8记三分打懵雷霆

• 

  千余对双胞胎齐聚云南墨江 共赴双生盛会

  华体汇电竞-华体汇(中国):2026年中国黑河至俄罗斯口岸明水期客运通航

  详情

查看更多

加载中，请稍等...

华体汇电竞-华体汇(中国): 走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人类似软件

• “跟着名著去旅行”交流活动在深圳举办

  聚焦非遗根脉传承 第四届巴蜀文化论坛在渝举行

• 引入合伙人，社区建起45家服务站（经济新方位·服务业扩能提质）

  “两新”政策持续发力 设备更新助力各产业升级

• 辽宁无障碍环境建设督导队提升医疗机构无障碍服务水平

  智博会“机器人小镇”巡礼：具身智能从展品走向“实战”

• 两只小熊猫刚到台湾就火了！有人抢着取名，有人却谈“前提”

  短视频用AI伪造专家带货被处罚

• 甘肃“博物馆日”办800项活动 洋学生“汉简之乡”写简牍

  广西贸促会率团访越南 寻求企业合作商机

• 日企撤中企进 韩国车市因何生变

  全国部分地区高考结束

• “985在这！985在这”

  “Z世代”台青的武汉机缘与情缘

• 中国地震局：61.3%的公众基本具备防震避险能力

  雷军谈特斯拉上海工厂原厂长宋钢加盟小米

• 菲律宾南部强震已造成45人死亡

  创历史同期新高 中国“五一”假期交通出行人数达15.17亿人次

• 宁夏警方破获非法狩猎案 现场查获野生动物21只

  危险！睡觉时出现这4种表现，可能是疾病信号

• “千校万企供需对接会”西北五省区专场招聘会在银川启幕

  云南铁路“五一”假期发送旅客233万人次

• 云南瑞丽林下经济产业园正式开工建设

  三个难忘瞬间 读懂中塞铁杆友谊

• 神二十三任务新亮点：港人飞天、太空“种稻”、飞船舷窗升级

  粤首单大豆离岸现货保税线上交易落地广州南沙

• 中国工信部批复首个卫星物联网业务商用试验

  “一脉岐黄 侨连四海”系列活动在福建泉州启动

• 大美边疆看我家丨黑龙江伊春：明珠耀兴安 秀美上甘岭

  三年来鄂企RCEP进出口享惠货值64.4亿元

• 中国男篮82:78胜塞尔维亚KK FMP俱乐部

  珠江流域旱情基本解除 抗旱保供保灌工作显成效

• 从每斤50元跌到15元！“水果之王”榴莲为何突然便宜了？

  伊朗外长表示：核设施遭袭后 400余公斤浓缩铀被埋地下

• 中美两军举行2026年度海上军事安全磋商机制工作小组会议

  神舟二十三号载人飞行任务 “更新版”实时数据处理系统将首次应用

• 美媒：美国陆军为死刑执行做好准备，待美国总统批准

  导游机器人、外卖机器狗上岗 5G-A开启“千兆上行”时代

• 中国人民不会忘记北约的野蛮罪行

  伊朗南部贾斯克港发生爆炸

• 仁度生物：筹划控制权变更 股票停牌

  河南麦收超5500万亩

• 中国空间站第十批科学实验样品顺利返回 人工胚胎等交付科学家

  安全带不能靠P图！关键时刻可救命

• 最高法：完善数据交易、AI生成等方面的裁判规则

  辽宁抚顺：社区建起 “光明小屋” 居民家门口享专业眼健康服务

• 乌合麒麟邀您关注统战新语 一起画好同心圆

  法国前总统希拉克遗孀贝尔纳黛特去世 终年93岁

• 2026金砖国家新工业革命伙伴关系论坛探讨智造合作

  猫注、三角、银锅……古代海南渔民如何命名南海岛礁？

• 白宫记协晚宴枪击案嫌疑人不认罪

  日本民调显示超半数受访者反对解禁杀伤性武器出口

• 伊朗外长访华，外媒解析中东棋局：中国促和、美国叫停、美伊对峙

  第三届中巴金融合作论坛在京召开

• “必须深刻把握中国式现代化对教育、科技、人才的需求”（总书记的人民情怀）

  共1993页！法国友人移交日本侵华等档案扫描资料 “历史不容篡改，真相必须铭记”

• 让中俄合作基础更坚实 动能更充足

  广西2026年选聘5万多名护林员 筑牢南方生态屏障

• 2026机甲大师超级对抗赛·南部赛区在长沙开赛

  泰国强力整顿各地旅游市场

• 直击湖北襄阳夏粮“抢收仗”现场

  G985次列车出发！下一站：金榜题名

• “六一”国际儿童节：机器人陪伴过节 孩子们沉浸式感受科技魅力

  豆包回应“收费”传闻

• 为了预防“万一” 航天飞控人把工作做到了“一万”

  六旬环卫工11次跳海救人：自学心肺复苏 报酬分文不取

• “2026诗歌课堂活动”走进西藏洛扎县

  【开局之年看中国】走进“世界裤都”：全国每4条牛仔裤就有1条来自这里

• 勇者不惧！高考首日女生笑容满面走出考场

  美科技巨头集体投身AI军备竞赛

• 中俄百余名垂钓高手竞技边城东宁

  《寻绎夏商》特展在湖北武汉启幕

相关攻略

• 成都造“小太阳”取得重大突破
  2026-06-15 14:58:11

包含 饿了么 的应用集

• 
  青海：“五一”假期推出60余场促销活动 活跃消费市场

  前4月新疆进出口总值超1700亿元 新兴市场表现亮眼

  276154522026-06-15 14:58:11
• 
  非洲埃博拉疫情：乌干达派医疗队支援刚果（金）抗击埃博拉

  张雪得知夺冠后瞬间弹起握拳嘶吼

  7908372026-06-15 14:58:11
• 
  杭州两个月抓蛇近900起

  对中国开出天价 该教教FIFA算账了

  920930832026-06-15 14:58:11
• 
  国家发改委：综合研判今夏全国最高用电负荷将达约16亿千瓦

  16国友城青年企业家“研学云南” 共话合作新机遇

  22527732026-06-15 14:58:11
• 
  李强主持召开国务院常务会议

  山东海阳第九届毛衫艺术活动举办 机器人穿毛衫“走秀”

  483402722026-06-15 14:58:11
• 
  海峡两岸应急消防融合发展论坛在福建三明开幕

  吃错水果胖三斤 揭秘水果隐藏热量

  3957622026-06-15 14:58:11
• 
  沪指重回4000点上方 创业板指大涨超3%

  4月我国国际收支货物和服务贸易进出口规模50303亿元

  2722792026-06-15 14:58:11
• 
  乌首都遭大规模袭击 已致1死21伤

  “2026年高考护航行动”启动实施：打击各类作弊行为 优化志愿填报服务

  609719932026-06-15 14:58:11
• 
  闻了上吐下泻 剧毒农药被用来种蒜薹

  气温攀升、雨水增多 小满过后如何养生？一文了解

  4498862026-06-15 14:58:11
• 
  甘肃肃北“村BA”开赛：蒙古族文化与机器人科技的篮球之约

  工人抢着学编程 争着操作机器人

  22586412026-06-15 14:58:11
• 
  鸿蒙中国市场份额反超iOS

  中外嘉宾探访浙江东阳木雕小镇 了解非遗传承与产业发展

  2039090062026-06-15 14:58:11
• 
  习近平：你连任后首访选择中国 体现了对发展中老关系的高度重视

  《追光拾色——足尖上的调色盘》在沈阳上演

  41511532026-06-15 14:58:11
• 
  王沪宁在新疆调研时强调 完整准确全面贯彻新时代党的治疆方略 推动“十五五”时期新疆现代化建设迈出坚实步伐

  “上合之树”数字技术培训已达成1000人次目标

  270764922026-06-15 14:58:11
• 
  崇启公铁长江大桥主桥今天合龙

  （聚焦海峡论坛）台湾“圆满大叔”在大陆推广橄榄球：“共好，才能圆满”

  923174042026-06-15 14:58:11
• 
  山西运城樱桃首次“空降”泰国

  陈克明食品停售停产“手擀”华体汇电竞-华体汇(中国)

  47333812026-06-15 14:58:11
• 
  外交部介绍特朗普访华安排和中方期待

  “广东优品”进驻中俄博览会 “广货”借势拓展向北发展新空间

  345871932026-06-15 14:58:11
• 
  浙江嘉兴南湖机场首条国际货运航线正式开通

  消防员纵身一跃救起湖边落水少年

  847182152026-06-15 14:58:11
• 
  建好“家门口”招聘会：看基层如何打通就业服务“最后一公里”

  前5个月我国工程机械海内外市场快速增长

  20749902026-06-15 14:58:11
• 
  夸梅：不敢想象文班下盘练稳多恐怖

  南方降水趋于减弱 北方部分地区有大风降温雷雨

  252444122026-06-15 14:58:11
• 
  哈尔滨之夏音乐季启幕

  拥抱“中国礼物2.0”，休将中国机遇污名化——中国为世界发展注入确定性

  87791112026-06-15 14:58:11
• 
  女子称在山姆买的压力锅限压阀有锈迹

  女子自称住院期间遭医生侵犯

  4075102026-06-15 14:58:11
• 
  卢秀燕喊话赖清德表态不搞“台独”

  普京称泽连斯基公开信粗鲁无礼

  210743922026-06-15 14:58:11
• 
  奚梦瑶何猷君今日大婚 晚宴照片曝光

  “中国林都”伊春：火山岩上看杜鹃 “撞色”美景引游人

  95300112026-06-15 14:58:11

友情链接

• 母亲节催热“带妈游”，两代人怎么玩更融洽？
  2026-06-15 14:58:11
• 广州拥有超过620万名注册志愿者 累计服务时长超2.2亿小时
  2026-06-15 14:58:11
• 世界杯官方主题曲《DNA》发布
  2026-06-15 14:58:11

安卓手机网上最贴心的Android软件应用平台!版权所有：走进数采工厂：深聊机器人数据荒漠、四层金字塔与种树人有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1

华体汇电竞-华体汇(中国)

<small id='Nxt0'></small><noframes id='rKqQCk'>

<tbody id='yBZdBE'></tbody>

<tfoot id='QdANxJk'></tfoot>

<legend id='RBdDU3'><style id='cFLSMoF'><dir id='yOxWc'><q id='iEFy'></q></dir></style></legend>

<i id='ls4yCX'><tr id='n75k'><dt id='f6ush'><q id='NbEhLp'><span id='vTY0C'><b id='oXgW0DGL'><form id='cWQlQ'><ins id='aGmy56'></ins><ul id='uyn5j'></ul><sub id='4eXP9m'></sub></form><legend id='uLmXX'></legend><bdo id='xaBi'><pre id='fuVm'><center id='JNmbf'></center></pre></bdo></b><th id='7PxzUV'></th></span></q></dt></tr></i><div id='uKqg'><tfoot id='Of4DcOK'></tfoot><dl id='eI3rJ'><fieldset id='fdoQw8'></fieldset></dl></div>

<bdo id='TWN5C'></bdo><ul id='sBwm99c'></ul>

<li id='m8JP'><abbr id='ZVWZ'></abbr></li>