一、案例背景
1.1 具身智能行业的数据饥渴
具身智能(Embodied AI)是人工智能从数字世界走向物理世界的关键一跃。与依赖互联网文本和图像训练的大语言模型不同,具身智能模型需要机器人在真实物理环境中完成感知、决策和行动,这要求海量的多模态交互数据——视觉、触觉、力觉、位姿、动作指令等多维度信息的同步记录。据行业测算,训练一个可用的具身智能模型需要千万小时量级的多模态交互数据,而截至2026年,全行业两年累计采集的数据仅约百万小时,剔除低质和重复部分后真正可用的数据更为稀缺。数据缺口成为制约具身智能产业化的核心瓶颈。
面对这一缺口,过去两年行业的主流应对方式是”建场地、加人手”。据中国信息通信研究院统计,截至2026年6月底,全国共建成启用超过70家具身智能训练场,另有40余家在建或规划。这些训练场通过第一视角采集(EGO)和遥操作(Teleoperation)两种方式获取真机数据:EGO需要采集人员佩戴设备进入真实环境完成操作任务,遥操作则需要操作者持续远程控制机器人执行动作。两种方式各有适用场景,但都高度依赖人力投入和组织协调。
然而,这种”人海战术”式的数据生产模式暴露出了深层的结构性缺陷。大量训练场集中在叠衣服、收拾桌面、分拣搬运等易于展示的任务上,复杂长程任务的挖掘严重不足。更关键的是,数据小时数的增长并未带来模型泛化能力的同步提升——货架还是那个货架,只是多采了几遍。正如行业观察者所指出的:一台机器人在固定货架前抓取的成功率可以很高,但货架挪个方向、目标前多放一排饮料、换一侧伸手,成功率就急剧下降。模型练过的场景能一遍遍做对,没练过的场景连手该从哪边伸都不知道。
这一现象揭示了一个被行业普遍忽视的问题:缺的不只是数据量,更是”数据里的变化”。数据多样性的提升依赖于条件空间的扩展——空间布局、遮挡关系、物体组合、接近路径,每增加一种变化都是一次重新排列。但在传统训练场模式下,改一次布置就意味着采集流程全部重走:找场地、约档期、凑人员、调设备、采完拆掉。每增加一种变化,就要重付一次全额的组织成本。数据产能和多样性,同时卡在了”变一次太贵”这个死结上。
……