中國具身屠榜全球！10萬小時數(shù)據(jù)炸場，PI、英偉達集體破防

新智元報道

編輯：犀牛

【新智元導(dǎo)讀】10萬小時人類數(shù)據(jù)、不搞對齊只靠規(guī)模，靈初Psi-R2登頂MolmoSpaces。

具身智能領(lǐng)域最近有一個心照不宣的焦慮：真機遙操作數(shù)據(jù)這條路，可能走不下去了。

成本是一方面——采集一小時數(shù)據(jù)動輒花數(shù)百元，還得搭一套專業(yè)動捕環(huán)境。

速度更是硬傷：人盯著屏幕遙控機械臂，采集節(jié)奏很難跟上真實生產(chǎn)節(jié)拍。

這意味著，單純依賴遙操作數(shù)據(jù)，恐怕無力同時支撐大規(guī)模訓(xùn)練與產(chǎn)業(yè)落地。

那換條路呢？

人類本來就在真實作業(yè)場景中完成海量高精細操作，讓人直接干活，再把人的操作數(shù)據(jù)扒下來給機器人用。

難點至少兩個。

第一，人手和機械手長得不一樣，人類操作不能直接平移到機器人身上。

第二，如果只靠第一視角視頻去還原人手動作，精度又往往不夠，很難支撐高精細任務(wù)。

靈初智能最近交了一份答卷。

他們用10萬小時人類操作數(shù)據(jù)搭了一套PSI框架，里面有兩個大模型：策略模型Psi-R2負責學(xué)「任務(wù)該怎么做」，世界模型Psi-W0負責補「換種做法會怎樣」，再把人類操作一步步轉(zhuǎn)成機器人真能執(zhí)行的動作。（tech blog鏈接：https://www.psibot.ai/from-human-skill-to-robotic-mastery/）

模型之外，靈初還亮出了近10萬小時人類數(shù)據(jù)，以及1000小時開源數(shù)據(jù)集。

這套方法之外，靈初智能同時拿出了近10萬小時人類數(shù)據(jù)，以及1000小時開源數(shù)據(jù)集。

一、10萬小時人類數(shù)據(jù)

開始被當作機器人預(yù)訓(xùn)練的主料

這套路子的起點很簡單：把人類操作數(shù)據(jù)直接塞進機器人預(yù)訓(xùn)練的主干。

據(jù)靈初披露，Psi-R2預(yù)訓(xùn)練同時用真機數(shù)據(jù)和人類數(shù)據(jù)。

真機數(shù)據(jù)來自靈初Psi-MobiDex數(shù)據(jù)集，5417小時；人類數(shù)據(jù)總規(guī)模95472小時，覆蓋294種場景、4821種任務(wù)、1382種物體。

背后是一種很直接的判斷。

具身智能長期缺「存量數(shù)據(jù)」——不像自動駕駛有多年路測積累，也不像大模型能從互聯(lián)網(wǎng)白撿海量文本。

機器人想學(xué)會做事，沒法像文字或圖像那樣從現(xiàn)成語料里撈，只能靠現(xiàn)實世界一口一口喂。

真機遙操作曾經(jīng)是條相對自然的路，但模型規(guī)模一大、任務(wù)一復(fù)雜，這種數(shù)據(jù)供給方式就開始掉鏈子。

于是人類數(shù)據(jù)的價值被重新抬了上來。

它的吸引力就兩條：一是來源天然豐富，人本來就在不停干活；二是數(shù)據(jù)更貼近真實作業(yè)，天然帶著任務(wù)目標、動作細節(jié)和節(jié)拍信息。

說白了，機器人想學(xué)會干活，最密集、最成熟的示范樣本，本來就長在人手上。

關(guān)鍵是怎么把人類數(shù)據(jù)和真機數(shù)據(jù)捏在一起訓(xùn)。

靈初試過一堆更復(fù)雜的招：圖像修復(fù)、關(guān)鍵點輔助損失、跨空間對齊……小數(shù)據(jù)量時確實管用。

但數(shù)據(jù)一上量，這些精巧模塊全成了瓶頸。

原因不復(fù)雜，這些方法本質(zhì)上是想讓人手和機械手看起來一樣，可它倆的物理規(guī)律壓根不同。

對手機裝配這種精細活，強行對齊反而引入誤差。

最后剩下的，反而是一條樸素的路線：Raw Data In, Raw Data Out。

落到工程上，就是把人手關(guān)節(jié)用運動學(xué)公式硬算成機械手關(guān)節(jié)，圖像原封不動直接喂給模型，人為處理越少越好。

從結(jié)果看，這條路線暫時跑通了。

據(jù)靈初披露，Psi-R2完成預(yù)訓(xùn)練后，只要用少于100條軌跡的真機數(shù)據(jù)微調(diào)，就能干手機裝配、工業(yè)包裝、紙盒折疊這些長時序、高精度的活。

光有數(shù)據(jù)還不夠。

怎么讓機器人「吃」進去？這就引出這套框架的真正核心——世界模型里的強化學(xué)習(xí)。

二、Psi-W0

把「如果失敗了會怎樣」補了回來

光看Psi-R2，這套方法有個天然缺口：它擅長從成功軌跡中學(xué)習(xí)，但自己很難長出反事實能力。

這正是世界模型該上場的地方。

Psi-W0吃進圖像、語言指令和機器人動作軌跡，吐出未來場景的視頻預(yù)測。

它和Psi-R2最大的不同在于：動作在這里不只是預(yù)測結(jié)果，而是直接參與條件生成。

說白了，它就是一個動作條件型世界模型（AC-WM）。

再直白一點：Psi-R2像「會做題的學(xué)生」，Psi-W0像一套能把過程重新推演的系統(tǒng)。

策略模型知道什么動作曾經(jīng)成功，卻不知道動作偏一點、順序亂一點、接觸晚一點會發(fā)生什么。

可偏偏強化學(xué)習(xí)、策略評估、人類動作向機器人動作的真正遷移，全都離不開這部分信息。

為了讓模型學(xué)會理解失敗，Psi-W0在訓(xùn)練里額外加入了約30%的失敗樣本，這些數(shù)據(jù)來自專項采集、常規(guī)采集和推理過程。

這樣一來，它不只認識「成功長什么樣」，也開始知道「失敗會怎樣展開」。

在整套系統(tǒng)里，Psi-W0承擔著兩層作用。

第一層是評估。類數(shù)據(jù)規(guī)模再大，也不等于知識自動進了模型。

策略到底有沒有真學(xué)會「人怎么做這件事」？

需要一個能推演軌跡、判斷結(jié)果的系統(tǒng)來檢驗，Psi-W0就是這個角色。

第二層更關(guān)鍵：它直接參與把人類數(shù)據(jù)轉(zhuǎn)成機器人數(shù)據(jù)。

以抓取任務(wù)為例。人類抓蘋果的動作映射到機器人身上，很可能就差那么一丁點就抓不起來。

對高精細任務(wù)，這種偏差往往是致命的。

傳統(tǒng)做法得把場景和物體重建進仿真器，再在仿真里做強化學(xué)習(xí)微調(diào)——流程重、成本高，還得忍受Sim2Real gap。

靈初智能的思路，是把這過程搬進世界模型里完成。

先讓Psi-R2學(xué)一條人類數(shù)據(jù)，再把軌跡交給Psi-W0推演，在機器人視覺和機器人動力學(xué)條件下看動作結(jié)果；不理想就繼續(xù)用強化學(xué)習(xí)調(diào)，直到這條軌跡更貼近機器人真能執(zhí)行的狀態(tài)。

整體看，這相當于多了一層「夢里試錯」的空間。

好軌跡可以回流到訓(xùn)練中，成為新的有效數(shù)據(jù)；偏掉的軌跡也有價值，它們幫助模型識別失敗邊界，推動世界模型越來越準。

所謂數(shù)據(jù)飛輪，就是這么轉(zhuǎn)起來的。

這套方法很快在公開榜單上被驗證了。

在由美國 Allen Institute for AI 發(fā)起的 MolmoSpaces 榜單中，靈初智能的 Psi-R2 在總榜中位列第一，整體表現(xiàn)超過具身大模型標桿 π 以及英偉達 GEAR 等主流方案，并與其他基線模型拉開差距。

MolmoSpaces 是當前具身智能領(lǐng)域少數(shù)與真實世界評測具有較強相關(guān)性的公開基準之一。NVIDIA、PI 等全球頂尖團隊均參與本次評測。而 Psi-R2 位列其上。

三、數(shù)據(jù)真正的分水嶺

在于信噪比、精度和節(jié)拍

如果說雙模型架構(gòu)回答的是「怎么學(xué)」，那這次發(fā)布里另一個更耐人尋味的問題，是「什么樣的數(shù)據(jù)才值得學(xué)」。

靈初智能給出了一個很干脆的判斷。

決定數(shù)據(jù)價值的核心因素，不在數(shù)量本身，而在信噪比。

低信噪比數(shù)據(jù)不光效率低，還會拖垮訓(xùn)練效果。

再往細了拆：在數(shù)據(jù)分布上，優(yōu)先級是任務(wù)多樣性 > 物體多樣性 >> 場景多樣性；在感知模態(tài)上，優(yōu)先級是精準3D位姿 >> 觸覺模態(tài) > 2D圖像特征。

這組結(jié)論挺有指向性。

它說明具身智能模型真正缺的，是更豐富的任務(wù)類型、更扎實的物體交互、更高精度的動作軌跡。

畢竟對操作任務(wù)來說，背景很多時候只是背景，模型真正要學(xué)的是物體、動作和接觸關(guān)系。

在這幾個維度里，3D位姿精度尤其要命。

當前常見的人類數(shù)據(jù)采集方式里，純第一視角視頻當然成本低、規(guī)模大，但精度始終是硬傷。

據(jù)靈初披露的方案，他們通過端到端的第一視角手部檢測模型預(yù)測MANO參數(shù)和位姿，再結(jié)合DPVO和Any4D，把軌跡統(tǒng)一到世界坐標系。

即便如此，只靠純第一視角視頻恢復(fù)的人手操作軌跡，誤差仍然在毫米級；引入自研外骨骼手套之后，才能壓到亞毫米級。

這也是為什么精細裝配場景對采集精度格外敏感。手機裝配、紙盒插接、精密抓取這類任務(wù)，很多時候不是靠「差不多」就能完成，誤差只要再放大一點，動作就會徹底失效。

除了位姿精度，另一條線索是觸覺。

這幾年，觸覺在機器人通用模型里一直是個稀罕物。

因為機器人端的觸覺傳感器本身就難穩(wěn)定部署，不同硬件廠商的數(shù)據(jù)格式也不兼容，想把它做成可規(guī)模化復(fù)用的數(shù)據(jù)源很難。

但人類側(cè)的觸覺采集條件寬松得多，設(shè)備更輕，成本也更低。

靈初這次把觸覺看作一條關(guān)鍵線索。

人和機器人外形不同、關(guān)節(jié)不同、動力學(xué)不同，但「碰到了沒有」、「接觸發(fā)生在什么時候」這類信號，本來就接近一種跨本體的共通語言。

考慮到現(xiàn)實里大多數(shù)機器人根本沒有成熟可用的觸覺通道，靈初用了Mask Training的方式：真機數(shù)據(jù)輸入時把觸覺通道屏蔽掉，讓模型去預(yù)測觸覺信號，而不是直接拿它當觀測輸入。

據(jù)其披露，引入觸覺后，Psi-W0的表現(xiàn)明顯提升，模型對機器人和物體交互過程的預(yù)判能力也更強。

再往下看，真正把實驗室和工廠區(qū)分開的，還是節(jié)拍。

這也是人類數(shù)據(jù)被重新看重的另一個原因。

真實工廠里的標準作業(yè)流程，往往是長期打磨出來的最優(yōu)結(jié)果，每多一個動作、每慢一個節(jié)拍，都可能在規(guī)模化生產(chǎn)中被成倍放大。

假設(shè)機械臂物理運動上限是 1200，遙操作往往只能做到 800 甚至更低；而人在本職工作中完成操作時，節(jié)拍可以逼近機械臂的運動極限。

換句話說，人類數(shù)據(jù)的價值不只在于采得更便宜，也在于它更貼近真實 SOP，更貼近真實作業(yè)速度。

對于想走向落地的具身智能模型來說，這種數(shù)據(jù)天然更接近產(chǎn)業(yè)需求本身。

四、1000小時開源數(shù)據(jù)集

背后是一條更完整的訓(xùn)練路徑

靈初這次還順手甩出了一套開源數(shù)據(jù)集。總盤子接近10萬小時的人類操作數(shù)據(jù)，先開源其中1000小時。

別小看這1000小時。

門道藏在結(jié)構(gòu)里：一類是高精度數(shù)據(jù)，處理之后軌跡能高度對齊真機，回放性極強；另一類主攻大規(guī)模擴展，精度可控，優(yōu)先把數(shù)據(jù)量和泛化空間拉滿。

一個管操作精度，一個管預(yù)訓(xùn)練邊界——兩種數(shù)據(jù)放在同一套體系里，訓(xùn)練框架才算真正閉環(huán)。

順著往下看，這次發(fā)布的核心看點，早就不在模型名字、榜單排名或者開源數(shù)據(jù)本身。

靈初真正亮出來的，是一條完整的訓(xùn)練路徑：當真機遙操作數(shù)據(jù)撐不起大規(guī)模預(yù)訓(xùn)練，就把人類數(shù)據(jù)塞進訓(xùn)練主脈。

但光有人類數(shù)據(jù)遠遠不夠——得靠策略模型承接，得靠世界模型做反事實推演和強化學(xué)習(xí)調(diào)優(yōu)，還得有一套轉(zhuǎn)換機制，把人的動作穩(wěn)穩(wěn)當當變成機器人的動作。

靈初想占的，顯然不是一次榜單的C位。它在賭的，是下一階段具身智能訓(xùn)練框架的卡位戰(zhàn)。