梁博谈一谈：卡在数据“石器时代”，具身真的智能吗？

去年拜访一家做人形机器人的创业公司时，他们的算法负责人给我算了一笔账：训练一个能稳定抓取不规则物体的策略模型，需要大约10万条真实操作轨迹。他们的遥操作采集员拿着手柄，一天工作8小时，大概能采300条有效数据。简单除法，一个人要干一年多。

这还没算数据清洗、标注、对齐的成本。

那一刻我意识到，具身智能领域正在上演一场荒诞的对比——我们用着最前沿的 AI 架构，却在用最原始的方式攒数据。大模型一顿炫万亿 Token，机器人还在按 “条” 抠数据。

这不是某个公司的问题，是整个行业的结构性困境。

看似easy，

为何数据还在“石器时代”？

具身智能是有物理身体的 AI，就是能走路、抓取、交互的机器人。它的数据和AI训练常用的文本、图片、视频语料完全不是一回事。要理解这个困境，得先明白具身智能的数据到底特殊在哪。

• 物理世界的数据，根本爬不到

训练大语言模型的数据可以通过爬取信息获得，但我们却很难直接爬取物理世界。每一个动作数据都需要真实的机械臂、真实的传感器、真实的交互过程。这意味着数据采集的边际成本几乎不变——你采第1条和第10万条数据，花的时间差不多。

更坑的是数据分布碎片化：同样是“抓取”这个动作，抓杯子、抓螺丝、抓布料，背后的物理规律完全不同；工业场景、家庭场景、医疗场景的数据几乎无法通用。想要像NLP那样，用通用语料预训练一个“基础模型”，然后微调？根本行不通！

• 多模态对齐，这是个行业噩梦

机器人需要同时处理视觉（看到了什么）、力觉（接触力大小）、触觉（纹理、温度）、本体感知（关节角度、速度）。这些数据的时间戳要对齐，坐标系要统一，噪声特性要匹配。

我见过一个业内真实惨案：某团队用视觉和力觉数据联合训练模型，训练了半个月，效果都很差。最后排查出来的原因是两块传感器的时钟差了20毫秒——对人来说微不可察，对机器人的高频控制来说就是灾难性 BUG。

• 长尾问题，至今无解

机器人最终要进入真实世界，而真实世界全是意外。

工厂里99%的时间在处理常规零件，但1%的异常工况可能导致产线停摆。问题是，那1%的数据你提前根本采不到，因为你没法预知所有可能的故障模式。

一位做工业机器人的朋友告诉我，他们最头疼的不是训练模型，而是“我的训练集里根本没有这个case”。

行业现状：

“土法炼钢” 攒数据

面对这些困境，行业目前的主流解法其实都很“土”。

• 遥操作采集：用人的时间换数据

这是目前最靠谱的方式。就是让人戴着VR头盔或者拿着手柄，远程控制机器人做动作，同时记录数据。特斯拉的Optimus、Figure AI都在用这套方案。

问题在于，这本质上是人力堆量。一位熟练的采集员时薪几百块，一天产出的数据量却有限。

更隐蔽的成本是数据质量的方差。不同采集员的操作习惯不同，同一个人上午和下午的状态也不同。这些数据混在一起训练，模型学到的其实是“平均意义上的人”，而不是最优策略。

• 仿真数据：看上去很美

在NVIDIA Isaac Sim、Mujoco里搭建虚拟环境，让机器人自己跑，数据要多少有多少。

但Sim-to-Real Gap（仿真到现实的鸿沟）至今填不平。物理引擎的摩擦模型、接触动力学和现实总有偏差。一个在仿真里能完美抓取的策略，放到真实机械臂上可能因为0.1毫米的位姿误差而失败。

现在的折中方案是域随机化，在仿真里故意加入各种噪声（摩擦系数随机、物体重量随机、光照随机），希望模型学到更鲁棒的策略。说白了，这就是凑合用的权宜之计，而不是根本解法。

• 数据共享：看着挺热闹

谷歌牵头做的Open X-Embodiment数据集，汇集了60多个机器人数据集、100多万条轨迹，是领域内的ImageNet时刻。

但现实是，机器人数据比图像数据敏感得多。机械臂的运动学参数、控制频率、传感器型号都是商业机密。不同厂家的数据格式千差万别，对齐成本极高。目前的数据集更多是学术意义，离工业界的实际需求还有距离。

范式转移：

从“手工采数”到“生成世界”

困境倒逼变革。我认为接下来几年，具身智能的数据服务会经历几个层面的范式转移。

• 世界模型，将改变数据生产的逻辑

Yann LeCun这几年强推的世界模型，核心逻辑是：智能体应该像人类一样，对世界有内在的“心理模拟”能力。不是被动地记录数据，而是让 AI 在大脑里模拟物理世界，预测“如果我做这个动作，世界会怎样变化”。

如果这条路走通，数据采集将从“探索”变成“验证”。机器人先在内部世界模型里尝试千百万次虚拟动作，只把最有价值的动作拿到真实世界执行。数据效率直接提升几个数量级，不用再傻呵呵一条条采。

DeepMind的Genie、Meta的JEPA都是这个方向。目前还在早期，但逻辑上是通的——人类学开车也不是靠撞一万次车，而是靠大脑里的物理直觉。

• 合成数据，将进入“物理正确”时代

现在的仿真数据之所以有gap，是因为物理引擎是简化的。下一代方案可能是神经物理引擎——用神经网络学习真实的物理规律，而不是手写公式。

NVIDIA的NeRF、3D Gaussian Splatting技术已经能重建高保真的静态场景。下一步是动态物理：从真实世界的视频里学习“物体碰撞后怎么动”“布料折叠的规律”，然后用于生成合成数据。

这种数据不是“看起来像真的”，而是“物理上等价于真实数据”。如果这条路走通，仿真数据的占比可能从现在的10-20%提升到80%以上。

• 从LLM偷师，自监督学习的想象力

LLM能吞下万亿级token，靠的不是人工标注海量问答对，而是“掩码语言模型”——把一句话里的某个词遮住，让模型自己去猜。这种自监督信号藏在每一条原始文本里，把数据效率提升了几个数量级。

具身智能完全可以借鉴这个思路。给机器人一段完整的操作轨迹（视觉+关节+力觉），随机遮住中间几帧，让模型去补全。

一个“抓杯子”的轨迹，可以生成成百上千个自监督任务，通过举一反三的练习，泛化提升机器人对物理世界的理解能力，应对新的场景。模型在这个过程中学到的不是具体的抓取策略，而是物理世界的时序因果关系——如果手在这里，杯子下一帧会在哪。

需要强调的是，这目前还只是一个技术畅想，不是已经验证的落地路径。机器人数据的连续、高维、噪声大等特性，决定了自监督的效果远没有LLM中那么神奇。

但这个方向至少说明一件事：在等待世界模型和物理引擎成熟的同时，我们可能已经在现有数据里埋藏着巨大的信息量没有被榨干。

这条路的好处是：不需要额外采集任何真实数据，只需要改变训练目标。

• 数据服务，从“卖数据集”到“卖能力”

现在的数据服务商大多是项目制——客户提需求，服务商派人去采数据、做标注，按数据量收费。这种模式天花板很低，边际成本降不下来。

未来的形态可能是云化数据基础设施。就像云厂商卖算力一样，出现“数据即服务”的云化DaaS平台：

1、客户上传一个需求（如，“我需要10万条汽车装配场景的数据”）

2、平台自动调度全球的遥操作中心、仿真集群、数据清洗流水线

3、直接交付训练好的模型或者对齐好的数据集

这要求平台掌握跨本体的数据对齐能力，也就是不同厂家的机械臂、不同型号的传感器，数据能统一表示、统一训练。这是技术壁垒，也是商业模式的护城河。

未来可期：

3-10 年行业彻底变天

回到开头那个问题：我们什么时候能摆脱“石器时代”的数据采集？

我的判断是，3年内会有阶段性突破，10年内会完全改变。

• 短期内（1-3年），遥操作+仿真混合仍然是主流，但工具链会成熟。更好的VR设备、更自动化的标注工具、更高效的仿真引擎，数据采集的成本可能下降一个数量级。

• 中期（3-5年），世界模型和神经物理引擎会进入实用化。部分场景（如结构化工业环境）可能实现场景全仿真的训练流程。

• 长期（5-10年），机器人可能像现在的LLM一样，有通用的预训练阶段。它们从海量异构数据中学到物理世界的通用规律，然后在具体场景少量微调即可。

这个过程中，数据服务商的角色会从“劳动力密集型”转向“技术密集型”。现在比拼的是谁能雇到更多采集员，未来比拼的是谁的仿真引擎更准、谁的世界模型更真。

对于创业者和投资者来说，具身智能的终局一定是智能本身。但在到达终局之前，卖铲子的人，那些解决数据瓶颈的基础设施公司，可能才是最稳妥的押注。

毕竟，无论哪家机器人公司赢，它们都需要数据。