具身智能如何突破「能干活」的数据关口？五位头部玩家的解法

本文来自微信公众号：潮涌AI（ichaoyongai）。

具身智能的浪潮下，机器人能走能跑已不再是难题，但“会干活”卡在数据这一关。

高质量数据的采集、标注、管理，是当下行业格外关键稀缺的“关口”。

那么，具身数据采集的难点在哪里、不同数据采集方案有何优劣势与落地瓶颈、如何看待真机数据长期存在的质量与规模化问题……为此，在7月3日举办的“2026全球数字经济大会人工智能融合应用发展论坛”上特别设置具身智能专题圆桌，邀请了一线投资人与行业从业者，围绕具身数据展开深度讨论——

主持人

王晟：英诺天使基金合伙人、北京前沿国际人工智能研究院理事长

嘉宾

金戈：灵御智能联合创始人、CEO

方斌：瞬恒智能首席科学家、北京邮电大学人工智能学院教授

许展玮：深圳市手亿计算机有限责任公司创始人兼CEO

雷峥蒙：动见万物科技CEO

刘东：星源智创始人兼CEO

以下是圆桌实录，经潮涌AI整理发布——

01 数据采集的五条路线：从遥操到无感视觉，各显神通

王晟：关关难过关关过，事事难成事事成。从小脑到大脑，从VLA到现在世界模型，具身智能发展路上不断遇到问题，又不断解决问题。数据是一个巨大的难关，也是我们今天讨论的问题。首先请五位嘉宾按照顺序做一个自我介绍，一分钟时间。

金戈：我们是一家为具身智能模型和世界模型提供高品质时空一致、真机数据的基础设施服务商。通过自研机器人本体和自研人类遥操系统，可以为模型厂商提供最高质量、包括多模态时空对齐的真机数据。

方斌：我们团队一直关注视觉感知与操作方向，推出了性价比最高的传感器以及模型，赋能头部3C产业，完成了从本体、场景、数据到模型的整个链路。未来希望能赋能更多场景和行业。

许展玮：我们团队主要来自清华大学，聚焦具身智能的数据基础设施建设，包括硬件、算法、数据交互平台以及真机验证的完整闭环。目前，北京和深圳都有研发基地。

雷峥蒙：我们用纯视觉方案，用摄像头把日常生活最高精度的数据全部提取出来。类似特斯拉FSD，通过6到8个摄像头把周围空间感知提取出来，作为机器人训练数据的原始燃料。基于视觉做理解，为模型训练和机器人感知提供帮助。

刘东：我们公司做跨本体具身大脑，前段时间发布了端侧可运行的具身交互世界模型，致力于为行业提供性能优异的具身模型和大计算平台。

王晟：刚才朱总提到数据金字塔，数据类型非常多，我们在座嘉宾恰好覆盖了多样类型——除了仿真没有，其他的全部覆盖了。我定义过一个象限图：横轴是可产生的数据规模，以及对泛化模型的匹配度；纵轴是数据质量，对机器人本体的适配度。我想听前四位嘉宾对自己所做的数据类型，在这四个象限中怎么定位？

金戈：我们做的偏向数据金字塔塔尖，是不可替代的真机数据。所有真机数据完成的工作将来都可以复现在真机上。第二，数据采集交互精度非常高，传感器安装可以做到亚毫米级精度，对世界模型理解有极强帮助。当然真机数据面临可扩张性问题，因为采集依赖于低成本高质量的真机，需要规模化方式生产。我们看到自动驾驶靠真车真人的行驶数据突破瓶颈，希望用类似方式突破机器人智能。

方斌：我们关注高质量数据，尤其是操作场景。很多人关注视觉，但各种模型在实际场景落地时，光靠视觉模态很多技能都是虚有其表。我们关注自己的视觉传感器，以及视觉和触觉操作过程中怎么获得高质量数据来实现场景应用。给厂商解决问题时成功率要求非常高，在维尔纳ICRA国际具身智能挑战赛中，我们是48个队伍里唯一获得3次全满分的。

许展玮：我们做的是异构方案，最大优势是采集连续完整的操作数据。连续性在物理AI中非常重要，我们应该处在金字塔象限的右上角，预训练价值非常高。得益于技术积累和学术团队能力，数据质量达到行业领先精度，非常不容易。特别是非本体方面，我们同时记录视觉、EMG、手部21个关节点、空间维度和触觉信息，对于模型训练非常关键。遮挡交互也是做得最好的。

雷峥蒙：视觉的人永远对精度充满信心。我们通过视觉方法解决全链路问题。现在训练范式基本确定三个阶段：第一阶段纯预训练，用人类操作的异构数据，量大管饱，上百万上千万小时，不需要复杂标注，主要让模型去“看”，偏向训视频模型；第二阶段中训，做映射，从视觉模型映射到机器人本体，需要大量精准标注数据；最后做抖动调优。我们希望通过多个摄像头把空间记录下来，让空间可以replay，提取各种模态数据。预训练时可以用，中间阶段做监督学习。视觉可以解决除传感器达不到的地方的所有问题。

02 质量与规模之争：真机数据不可替代，但扩张性是痛点

王晟：许展玮和雷峥蒙你们做的是更量大管饱，金戈和方斌做的是和设备、传感器相关，非常高质量的数据。下一个问题给刘总，你们融资和产业落地、订单相当可观，前一段智源大会也发了新的世界模型。我想好奇：你们世界模型的特点是什么？为什么可以在融资和产业落地上都取得成功？另外，你们看好什么数据，或者更期待使用什么数据？

刘东：我们刚刚发布具身交互世界模型，最大亮点：一是把动作交互引入模型形成闭环，模型执行动作前预先想象一套动作，判断对时空状态的影响，正向就执行，失败就及时修正，大幅提高真实物理世界的成功率。二是端侧高效运行，这也是收入快速起量的原因——好多世界模型基座运行很慢，无法实时运行，我们的架构可以做到端侧快速部署。三是持续进化，从失败案例中学习正确方式，越用越好用。

关于数据，我们认为是闭环信息最重要，不能单纯对世界的视觉记录，要把动作行为引入进去，同时收集任务成功和不成功的数据。大家采集大多数是成功数据，但我们引入闭环后，模型需要知道什么条件下动作会失败，才能在下一次预演时修正。所以接下来的数据采集，从成功和失败、有本体和无本体这几个方面都要大量采集。

王晟：刘总说的当下特别重要的要点：第一是端侧效率很重要，第二是自进化非常重要。第二个问题给许展玮，从去年下半年开始，数据类公司如雨后春笋一般出现，你们在这个业务上核心技术能力和壁垒是什么？

许展玮：技术壁垒包括操作记录和视频流的操作记录，整个业界精度也是全行业领先。核心关键原因：不是用单一传感器完成，包括视觉、EMG，记录的是完整的手的执行内容——手的21个关节点、空间维度、触觉信息，对于模型训练非常关键。与此同时，不仅做数据采集硬件，还构建了完整方案：数据采集之后的处理、脱敏、打标、重建，适配主流训练框架。完整构建交付方案，对于产业落地非常重要，能够形成闭环。通过全自动化的识别区分有效动作和无效动作，拿给模型训练。信息的提取既需要大量原油级别的数据，又需要稀土提炼能力，这是我们闭环最核心的优势。

王晟：听说你们在精度上有一个数量级的提升，比如遮挡环境下做到业界最高的推测质量水平。

许展玮：遮挡交互我们是做的最好，包括手部动作、对物体的认知。

王晟：下面的问题给雷峥蒙。你们比较大的特点是把整个空间和时间体积视频全部取下来，利用这个视频可以在任意时间任意视角做任意数据高质量的重建。我们很少看到有团队这样做，能不能讲一下它难在哪儿？第二，对于产业真正的价值在哪儿？

雷峥蒙：客观来说，AI推进了这件事。以前做空间数据记录需要通过红外动捕、光学动捕或惯性动捕来做辅助识别精度。我们做的第一件事情：不要再用测量学干这个事儿，AI一定能理解场景信息。第二，通过多个角度对同一物体的定位（类似三点定位），能把精度提到较高水平。我们PK的是传统需要穿正装采集的方法，希望人走到摄像机区域里数据就被清晰记录，采集终点一定是无感采集，视觉作为最主要方式。空间可以转化各种视角，因为我们训了一个视频生成模型（小世界模型），通过多视角监督和高精度数据做监督，来做视角转换。因为能采大量数据，在训视角转换模型时积累了非常多数据。

王晟：听起来有几个地方非常重要：第一个是无穿戴负担的自由捕捉，可以把人类最自由的行为捕捉起来。第二个，你们从过去的算法重建转化成AI生成式重建，这个在目前非常少见，也是产业非常重要的方向。另外听说你们也在做自己的硬件摄像头，现在叫AI Native sensor——好比普通摄像头加了AI芯片变成Native人脸识别摄像头，这个还是蛮有特点和技术壁垒的。

问题给到金总。遥操现在普遍被产业认为是相对传统的具身数据，但感觉大家对遥操技术没有太多敬畏之心。你觉得是不是大家对遥操数据的价值和技术本身有一些误解？

金戈：遥操是一个上限很高但下限也很低的方向，有点像开车——开汽车是开车，开拖拉机也是开车，骑共享单车也是驾驶，但性能和能力天差地别。遥操最大的优势是可落地性，机器人最大的痛点是不能到人们身边服务，而好的遥操系统能让机器人在现阶段就落地。目前已经有上百台机器人在北京超市、酒店、物流、餐饮等行业服务，未来半年会有数百台出货。遥操是非常强的综合性系统解决方案，包含本体结构设计、触觉、人侧采集，好的遥操一定是综合系统工程。还要和通信强相关，需要低延迟跨越上千公里甚至上万公里控制机器人。遥操真机数据能提供全模态数据——不仅有第一人称视觉，还有力、速度、位置、触觉，甚至眼动追踪，能知道操作人当时在看什么、注意力在哪。这些多模态数据对于模型理解因果和先后关系至关重要。最后，遥操数据精度非常高，时间和空间上的精度。

王晟：简单总结一下，最大优势是可以“沿途下蛋”——在采集数据不断提升智能的过程中，确实能落到场景，好比自动驾驶没到达L4之前，L2辅助价值也很大。

03 触觉与端侧：具身智能的“最后一厘米”和“第一性原理”

王晟：最后一个问题给方斌老师，目前科研界和产业界逐渐产生共识：具身智能的最后一厘米必须是由触觉来解决。这个观点你能分析一下吗？为什么触觉这么重要，但触觉数据采集在行业里还没有标准、没有广泛展开，这是不是矛盾？

方斌：我们算是国内最早开展触觉研究，在国际上也很受瞩目。技术发展过程中真正到落地产品，触觉必不可少，尤其在效率方面——虽然视觉模型能达到跟工人一样的成功率，但效率上还是有差距，触觉能给视觉提供很好支撑。为什么触觉发展不起来？缺乏高性价比传感器，便宜的性能不行，性能好的太贵。瞬恒的目标就是推出最高性价比的触觉传感器，同步配套轻量化触觉模型和个性化仿真平台。英伟达装了触觉仿真驱动，但真实效果gap非常大，我们瞬恒团队开发了全自主可控的仿真器，这是很重要的特色。希望在传感端提供最高性价比硬件，在算法端提供轻量化模型，在场景端提供个性化仿真平台，真正为具身智能落地最后那一厘米提供技术支撑。

王晟：最后总结一下，做好触觉是很难的工作，既需要硬件传感器，又需要仿真器（Simulator非常难做），同时还需要训出好的模型。壁垒越高，价值越大。

方斌：这也是为什么我们拿到了脑计划里面类脑触觉的国家科技重大专项，国家很注重这个方向，希望真正打通产学研，助力国家具身智能发展。

主持人：谢谢王晟总和各位嘉宾。数据在当下为具身智能带来挑战，但也提供了不少机遇。