萬億具身智能賽道，被數(shù)據(jù)卡住了

當(dāng)前，通用人工智能的討論逐漸從文本與圖像轉(zhuǎn)向物理世界，具身智能——賦予AI以物理身體，使其能感知、理解和交互真實環(huán)境，而這些正成為全球科技競賽的下一個關(guān)鍵戰(zhàn)場。

然而，與語言模型時代“數(shù)據(jù)天然存在”的繁榮景象不同，具身智能的“大腦”模型正陷入一場前所未有的“數(shù)據(jù)饑渴”。訓(xùn)練一個能在復(fù)雜、長時序任務(wù)中泛化的具身智能大腦，需要的不再是萬億級的文本Token，而是高質(zhì)量、多模態(tài)、時空對齊的“人類行為數(shù)據(jù)”。這背后，是一場從硬件架構(gòu)、數(shù)據(jù)采集到處理范式的系統(tǒng)性革命。

資本熱追，但仍不“完美”

據(jù)國務(wù)院發(fā)展研究中心?預(yù)測，中國具身智能2030年達4000億元人民幣，2035年突破萬億元。與此同時，中國信通院?《具身智能發(fā)展報告（2025年）》中，首次將具身智能納入國家未來產(chǎn)業(yè)重點，2025年全球市場規(guī)模195.25億元人民幣。

2026年開年僅前三個月，國內(nèi)具身智能賽道融資規(guī)模已近300億元，融資事件同比增長63%。光輪智能斬獲超5億美元融資，創(chuàng)下國內(nèi)該領(lǐng)域融資紀(jì)錄；逐際動力完成2億美元B輪融資，估值超過10億美元；星海圖再獲20億元B+輪融資——資本正以加速度涌入這條賽道。

與賽道火熱相對的，具身智能在真正走進生活，走進產(chǎn)業(yè)的過程中，卻并不是一帆風(fēng)順。英特爾研究院副總裁、英特爾中國研究院院長宋繼強曾明確指出：“當(dāng)前具身智能的發(fā)展，正處于‘提升能力上限’與‘保障能力下限’的雙重攻堅期。大家都在展示機器人的智能能力，但很少有人關(guān)注它表現(xiàn)不佳時該怎么辦——這正是產(chǎn)業(yè)化必須跨越的鴻溝”。

雖然我們已經(jīng)有了諸如宇樹科技、銀河通用這些具身智能“本體”的制造商，他們造的機器人已經(jīng)具備了充分的靈活度，能完成翻跟斗、跳舞等“表演”，但這些技術(shù)的背后更多的是通過提前預(yù)編輯好的程序執(zhí)行的。換句話說，雖然當(dāng)前的具身智能“小腦”已經(jīng)足夠發(fā)達，但在“大腦”層面，如何能讓機器人更具有“活人感”，更像人一樣，通過自主思維去執(zhí)行指令，是接下來產(chǎn)業(yè)關(guān)注的焦點。

對此，簡智新創(chuàng)聯(lián)合創(chuàng)始人朱雁鳴告訴筆者：“今天大家看到的所有具身智能公司，其實它們真正模型化的能力，仍然停留在一些非常短時序的簡單任務(wù)上，比如疊衣服、倒水、拿杯子。” 這揭示了當(dāng)前產(chǎn)業(yè)的普遍現(xiàn)狀：演示驚艷，但實用尚遠。這些精心設(shè)計的演示任務(wù)，往往在受控環(huán)境下完成，距離能夠應(yīng)對家庭、工廠、物流等真實場景中復(fù)雜、多變、長鏈條的任務(wù)要求，還有巨大差距。

朱雁鳴認為，當(dāng)前具身模型在學(xué)術(shù)上仍需突破，而在產(chǎn)業(yè)化和商業(yè)化上的差距更大。這種差距的核心在于，現(xiàn)有模型缺乏對物理世界的深刻理解和魯棒交互能力。去年行業(yè)普遍推崇的VLP（視覺-語言-規(guī)劃）路徑，其底層是語言模型，擅長基于文本指令進行規(guī)劃，但其生成的行動“本質(zhì)上只是基于語言規(guī)劃出的軌跡和行為”，與真實物理世界中“認知-行動-獲得物理反饋-產(chǎn)生新認知”的持續(xù)閉環(huán)相去甚遠。

因此，產(chǎn)業(yè)共識正在轉(zhuǎn)向構(gòu)建 “世界模型”。世界模型的核心是讓AI理解底層的物理規(guī)律，如摩擦力、剛體動力學(xué)、空間關(guān)系等，而不僅僅是進行語言描述下的軌跡規(guī)劃。這標(biāo)志著具身智能的發(fā)展從“模仿語言邏輯”進入“學(xué)習(xí)物理法則”的深水區(qū)。

這個過程中，一個有趣的趨勢是：大量智能駕駛（智駕）領(lǐng)域的人才涌入具身智能賽道，簡智機器人核心成員便多來自智駕背景。朱雁鳴指出，這種遷移并非偶然，而是因為兩者在技術(shù)棧（如視覺-語言-動作模型VLA、環(huán)境模擬）和產(chǎn)品方法論上存在深刻共鳴。更重要的是，智駕領(lǐng)域所錘煉出的 “數(shù)據(jù)驅(qū)動閉環(huán)” 的產(chǎn)品迭代架構(gòu)，即“通過真實數(shù)據(jù)持續(xù)訓(xùn)練、測試和優(yōu)化模型”，正是當(dāng)前具身智能從演示走向?qū)嵱盟叫璧墓こ袒芰ΑＶ邱{從業(yè)者對物理環(huán)境交互反饋、系統(tǒng)測試與迭代的實踐經(jīng)驗，能夠加速具身智能產(chǎn)品的開發(fā)進程。

然而，無論是追求世界模型的理論突破，還是借鑒智駕的工程經(jīng)驗，都指向同一個核心瓶頸：高質(zhì)量訓(xùn)練數(shù)據(jù)的極端匱乏。

具身智能的“數(shù)據(jù)困境”

如果說算力是引擎，算法是藍圖，那么數(shù)據(jù)就是燃料。沒有合適的燃料，再強大的引擎和精妙的藍圖也無法驅(qū)動具身智能駛向現(xiàn)實的彼岸。這促使一批像簡智機器人這樣的創(chuàng)業(yè)公司，沒有選擇去“卷”模型本身，而是轉(zhuǎn)向了為行業(yè)提供“數(shù)據(jù)基座”這一更具差異化價值的基礎(chǔ)設(shè)施賽道。

拓斯達具身智能業(yè)務(wù)線-矩陣智拓CMO王琪也曾表示，數(shù)據(jù)痛點主要體現(xiàn)在三個方面：一是數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一，不同企業(yè)的機器人本體構(gòu)型不同，產(chǎn)生的數(shù)據(jù)難以互通，形成數(shù)據(jù)壁壘，“比如當(dāng)前構(gòu)型產(chǎn)生的數(shù)據(jù)能用，但是對另外的構(gòu)型來說是有門檻和壁壘的”；二是數(shù)據(jù)采集難、成本高，工業(yè)場景的復(fù)雜性導(dǎo)致數(shù)據(jù)采集難度大，且采集設(shè)備與人力成本高昂，尤其是對于中小企業(yè)而言，難以承擔(dān)大規(guī)模數(shù)據(jù)采集的成本；三是數(shù)據(jù)隱私與安全問題，企業(yè)擔(dān)心開放產(chǎn)線數(shù)據(jù)會泄露核心工藝，導(dǎo)致其不愿配合數(shù)據(jù)采集，“部分頭部企業(yè)，其核心產(chǎn)線里面一些東西，他們自己人都進不去，我們只能暫時先等待行業(yè)規(guī)范進一步成熟，先把眼前開放的場景做完”，王琪直言。

訓(xùn)練一個強大的具身智能大腦，尤其是世界模型，對數(shù)據(jù)提出了近乎苛刻的要求。單從數(shù)據(jù)采集這一點來看，其需求可以概括為三個關(guān)鍵維度：多模態(tài)、高精度、強因果。而當(dāng)前主流的數(shù)據(jù)采集方案，在這三個維度上均面臨顯著痛點。

多模態(tài)層面，人類通過與世界的交互來學(xué)習(xí)，這個過程融合了視覺、聽覺、觸覺、力覺乃至本體感覺（知道四肢位置）。同樣，具身智能模型需要重建這套多感官輸入。朱雁鳴強調(diào)，觸覺等非視覺模態(tài)的價值“更多是作為監(jiān)督，或者作為結(jié)果的校驗與反饋”。例如，區(qū)分兩毫米和一毫米的螺絲，視覺可能難以分辨，但觸覺反饋的差異是明顯的。然而，當(dāng)前許多采集方案嚴重依賴單一視覺，導(dǎo)致觸覺、力覺等關(guān)鍵模態(tài)數(shù)據(jù)缺失或質(zhì)量低下。

高精度層面，模型訓(xùn)練需要數(shù)據(jù)在時間和空間上高度對齊。時間上，不同傳感器的采集頻率不同，如何確保“手觸摸到杯子”的觸覺信號與視頻畫面中的接觸幀嚴格對應(yīng)？空間上，需要將手部動作精確還原到以頭部或環(huán)境為基準(zhǔn)的絕對坐標(biāo)系中。傳統(tǒng)方案存在固有缺陷：柔性手套因佩戴差異和自身形變，導(dǎo)致每次測量的絕對精度不穩(wěn)定；純視覺方案在手被物體遮擋（如伸入抽屜取物）時立刻“失明”，數(shù)據(jù)中斷。朱雁鳴指出，這些精度漂移和遮擋問題，在家庭或工業(yè)場景中是導(dǎo)致方案“不可用”的重要原因，采集到的低質(zhì)量數(shù)據(jù)甚至?xí)蚰Ｐ妥⑷搿拔锢砘糜X”。

強因果層面，最終用于訓(xùn)練的數(shù)據(jù)，必須是一條條完整的、可解釋的“行為鏈”。它不僅僅包含“做了什么”（動作序列），還要包含“為什么這么做”（認知與決策），以及“結(jié)果如何”（物理反饋）。例如，數(shù)據(jù)需要記錄“看到水杯（視覺）-決定去拿（認知）-移動手臂并調(diào)整手指姿態(tài)（動作）-感受到杯子的重量和滑移趨勢（觸覺/力覺反饋）-微調(diào)握力（調(diào)整）-成功拿起（結(jié)果）”這一完整閉環(huán)。傳統(tǒng)采集方式只能記錄動作和部分視覺，因果鏈?zhǔn)菙嗔训摹：笃谌粢揽看罅咳斯みM行標(biāo)注和串聯(lián)，成本極高且難以規(guī)模化。簡智機器人方面透露，以他們每周處理超2萬小時數(shù)據(jù)的需求估算，若全靠人工，需要近5000人的標(biāo)注團隊，這完全不現(xiàn)實。

顯然，現(xiàn)有的采集技術(shù)卻無法高效、高保真地生產(chǎn)這種數(shù)據(jù)。相對于具身智能硬件“本體”的發(fā)展迅速而言，數(shù)據(jù)瓶頸，已成為鎖住具身智能大腦進化速度的那把最沉重的鎖。

傳統(tǒng)方案滿足不了“新需求”

面對模型訓(xùn)練的嚴苛需求，數(shù)據(jù)采集技術(shù)本身必須進行一場深刻的范式轉(zhuǎn)移。傳統(tǒng)的數(shù)據(jù)采集方案已經(jīng)難以適應(yīng)當(dāng)下的需求。比如柔性穿戴設(shè)備精度不足、視覺采集易受遮擋、多模態(tài)數(shù)據(jù)難以對齊、采集效率低下等問題，嚴重影響了數(shù)據(jù)的質(zhì)量與規(guī)模。要解決這些問題，必須通過技術(shù)創(chuàng)新，重構(gòu)數(shù)據(jù)采集的硬件架構(gòu)與軟件流程，構(gòu)建一套高精度、多模態(tài)、高效率、低成本的數(shù)據(jù)采集體系。

在硬件層面，針對手部姿態(tài)捕捉的精度與穩(wěn)定性問題，主流方案是柔性手套+IMU，其本質(zhì)是通過算法估算關(guān)節(jié)角度，存在物理形變帶來的固有誤差。而將傳統(tǒng)柔性采集設(shè)備迭代成與人類骨骼更相似的剛性采集設(shè)備。這種仿生學(xué)設(shè)計，通過剛性連接直接測量關(guān)節(jié)的相對位移，從物理上消除了柔性變形誤差。

朱雁鳴表示，通過外骨骼式剛性結(jié)構(gòu)+磁編碼器的方式，從根本上解決了柔性結(jié)構(gòu)帶來的精度問題。“人的手是由骨骼構(gòu)成的，我們就用骨骼的方式去捕捉人的數(shù)據(jù)，”朱雁鳴解釋道，簡智機器人采用外骨骼結(jié)合磁編碼器的剛性連接結(jié)構(gòu)，測量所有關(guān)節(jié)的相對位移，這種方式能夠?qū)崿F(xiàn)高穩(wěn)定性和高精度的姿態(tài)捕捉，避免了柔性變形帶來的誤差。

這正是簡智機器人Gen DAS Dex的核心硬件設(shè)計邏輯，據(jù)朱雁鳴介紹，其外骨骼結(jié)構(gòu)不僅能實現(xiàn)全自由度覆蓋，還能依托自研磁編碼器實現(xiàn)超高精度檢測，同時兼顧輕量化設(shè)計，將自研磁編碼器尺寸壓縮至僅3mm，整體體積與常見滑雪手套相當(dāng)，實現(xiàn)穿戴無感，不影響用戶正常操作；采用合金與彈性聚合復(fù)合物材質(zhì)，結(jié)合重心與結(jié)構(gòu)的輕量化設(shè)計，設(shè)備整體重量僅210g，即便面對復(fù)雜操作、精準(zhǔn)抓取等場景，也能完美記錄手部動作，無負重感干擾。

同時，為了進一步提升精度與穩(wěn)定性，團隊還引入了實時校準(zhǔn)與補償機制。在每個編碼器和剛性角度檢測環(huán)節(jié)，實現(xiàn)端側(cè)實時校準(zhǔn)；同時，通過編碼器內(nèi)置的絕對溫度檢測，對溫度變化產(chǎn)生的漂移進行補償。此外，通過振動反饋、觸覺反饋和視覺反饋的多特征融合，將整體漂移量降至接近于零的水平，確保在不同手型、不同場景、不同環(huán)境下，數(shù)據(jù)的精度穩(wěn)定性都能得到保障。

在觸覺層面，他們摒棄了低分辨率的方案，自研了高分辨率磁觸覺傳感器。其目標(biāo)不僅是感知“有無接觸”，更要實現(xiàn)面陣式的三維力感知（法向力與切向力），以捕捉滑動、紋理、硬度等豐富信息。朱雁鳴解釋，這能讓模型學(xué)習(xí)到“微應(yīng)變”等臨界狀態(tài)信息，對于理解摩擦力等物理規(guī)律至關(guān)重要。

與此同時，為解決視覺遮擋這一致命問題，簡智機器人設(shè)計了“端側(cè)定位+頭手協(xié)同”的解決方案。在手背位置集成IMU，并在手部下方配備獨立的攝像頭，通過單手SLAM（同步定位與地圖構(gòu)建）技術(shù)，結(jié)合頭與手的相對位置信息，進行時空坐標(biāo)的還原。這種方式能夠在短時遮擋或部分遮擋（如手伸入抽屜取物、手攥成團等場景）下，維持良好的持續(xù)定位能力，定位漂移量達到毫米級，確保數(shù)據(jù)采集不中斷。

在更底層的系統(tǒng)同步上，他們通過自研SoC和通訊協(xié)議，實現(xiàn)了硬件的嚴格時鐘同步，并將多設(shè)備間通訊延遲控制在1毫秒以內(nèi)。在軟件層面，利用“觸覺接觸”等高置信度事件作為“真值”，對多模態(tài)數(shù)據(jù)進行動態(tài)校準(zhǔn)與因果對齊，形成了 “端側(cè)雙循環(huán)動態(tài)校準(zhǔn)”機制，確保長時間采集的精度不漂移。

采集只是第一步，將原始數(shù)據(jù)加工成模型可用的“人類數(shù)據(jù)”是更大的挑戰(zhàn)。朱雁鳴分享了簡智機器人的解決辦法：他們開發(fā)了一個端到端的處理模型，輸入是原始多模態(tài)數(shù)據(jù)流，輸出即是時空對齊、因果閉環(huán)、帶有語義解釋（COT）的標(biāo)準(zhǔn)化數(shù)據(jù)包。

這套系統(tǒng)帶來了效率的指數(shù)級提升：首先，在采集端通過算法進行實時質(zhì)檢，過濾無效動作；其次，自研壓縮算法將多路視頻流數(shù)據(jù)壓縮至原始大小的2%，且不損失關(guān)鍵信息；最后，通過流式傳輸和云端的數(shù)據(jù)基礎(chǔ)模型自動化處理，將原本需要數(shù)千人年的標(biāo)注工作，壓縮到一個小型團隊即可管理。這使得大規(guī)模、多樣化的數(shù)據(jù)采集成為可能。

當(dāng)行業(yè)集體意識到“世界模型”需要數(shù)據(jù)來喂養(yǎng)時，一場圍繞數(shù)據(jù)基座的深度創(chuàng)新已然展開。從剛性仿生硬件到端側(cè)智能融合，再到數(shù)據(jù)基礎(chǔ)模型驅(qū)動的自動化處理，這些系統(tǒng)性突破正在試圖回答一個根本問題：如何高保真地記錄人類在物理世界中的經(jīng)驗，用于訓(xùn)練機器人。這場“數(shù)據(jù)基座”的革命正悄然奠定著具身智能融入物理世界的基石。誰掌握了高效生產(chǎn)“人類數(shù)據(jù)”的能力，誰就可能掌握了打開通用具身智能時代的鑰匙。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）