成本壓至 1/10！告別人海採數，具身數據Token工廠要如何跑通？

作者 | 王涵 編輯 | 漠影 過去幾年，AI的兩次規模化發展，都離不開充足的數據供給。大語言模型可以直接利用互聯網上積累多年的網頁和代碼數據，通過持續訓練提升模型能力；自動駕駛企業則可以依靠量產車輛的影子模式（Shadow Mode），從真實道路中持續收集行駛數據和人工接管記錄。以特斯拉為例，其通過全球數百萬輛量產車，將數據採集融入日常駕駛過程，不需要額外組織大規模人工採集。但到了具身智能領域，這樣的數據供給條件並不存在。過去兩年，行業主要依靠真機遙操作和第一視角（EGO）可穿戴設備採集數據，累計獲得的真機有效數據和EGO數據也只有數百萬小時。

對於已經投入大量資金的機器人公司和大模型企業來說，想要獲得足夠規模的高質量訓練數據，依然不容易。10月30日，空間智能公司影溯（InSpatio）在杭州落地全國首個具身仿真數採中心。影溯預計，該中心將單月生產100萬小時仿真訓練數據，單條數據綜合成本約為傳統真機遙操作採集的1/10。全行業花費兩年積累數百萬小時數據，影溯憑什麼計劃將產能提升至單月百萬小時？要回答這個問題，我們需要先看清當前具身智能數據採集面臨的困難，以及影溯如何將現實場景轉化為機器人訓練數據。一、 為什麼現在的具身行業，做不到大批量的數據供給？

合格的具身Token需要同時包含三個要素，即三維空間觀測、真實物理接觸反饋和可執行動作序列。也就是說，數據不僅要記錄機器人看到了什麼，還要包含機器人如何與物體交互，以及動作發生後產生了怎樣的變化。圍繞這些要求，目前行業主要有2條數據獲取路徑：一條是在物理世界，通過真機和可穿戴設備採集；另一條是在數字世界，利用三維建模和物理仿真生成數據。但漸漸地，兩條路徑都開始出現效率瓶頸。1、去物理現場硬採：受限於時間、環境和場地 真機遙操作是目前獲取機器人動作數據的主要方式之一，但採集效率並不高。一名操作人員控制一臺機器人工作一小時，扣除設備調試、故障處理和任務復位等時間，有效採集軌跡可能不到半小時。

想要擴大數據規模，就需要增加機器人數量和操作人員，採集效率十分受到物理時間和設備規模的限制。為了降低機器人本體的投入，不少團隊轉向了EGO第一視角穿戴採集，通過記錄人類在真實環境中的操作過程獲取數據，但這種方式同樣存在侷限。首先，環境調整不夠靈活。EGO採集依賴真實場地，如果需要測試不同的雜物遮擋、光照條件或檯面材質，就必須安排人員重新進入現場，搬動道具、調整佈景，再次進行採集。其次，很多真實場地並不允許外部團隊隨意改造，例如營業中的商超、車間和藥房等。即使訓練中發現了問題，訓練團隊也未必能夠回到原場地復現。

更不用說高危作業區、工業產線、髒亂差環境、安防場所和私人住宅等場景，還存在嚴格的准入限制，外部團隊和設備很難進入。2、向數字世界要產能：受限於場景建模效率 相比真實環境採集，仿真能夠在虛擬環境中反覆調整場景和任務，減少對真機和人工的依賴。但仿真平臺本身並不能直接提供訓練數據，首先要解決的就是場景建模效率問題。以Isaac Sim等物理仿真引擎為例，平臺提供了機器人運行和物理交互的模擬環境，但房間搭建、物體建模、關節綁定、碰撞邊界設置，以及摩擦係數等物理參數，仍需要人工處理。找3D美術師從頭搭建一個可交互房間，往往需要幾天甚至幾周，成本和時間投入都不低。那能不能直接讓大模型完成建模？

最近，GPT-6 Astra、Atlas等模型都開始嘗試三維場景自動生成，但距離直接用於機器人訓練，還有不少問題需要解決。以GPT-6 Astra調用Blender建模為例，其底層仍然需要經歷“調整參數—渲染成圖—比對參考圖—再次調整參數”的反覆過程。在這個流程下，生成一個物體需要幾十分鐘，一個場景則需要數小時。多輪推理和渲染更是會增加生成成本，程序化拼接出來的場景也容易帶有明顯的CG感。除了效率和成本，生成場景的真實性與一致性也很重要。

無論是通過代碼參數拼接場景，還是通過單張圖片推測物體未被拍攝到的部分，如果缺少真實空間測量作為約束，就很難保證不同視角下的幾何結構、整體空間尺度和物理關係一致。這些誤差會影響機器人在仿真環境中的操作，也會增加從仿真到現實的遷移難度，也就是業內所說的Real2Sim Gap。真機和EGO採集受制於時間、場地及環境調整，仿真數據生產則面臨人工建模效率低、AI生成成本高、場景真實性不足等問題。如何快速獲得能夠支持機器人實際操作的數字場景，成為具身數據規模化生產亟需跨過的一道鴻溝。

二、 影溯的破局思路：用工業流水線邏輯，建一座具身Token工廠 AI算力中心常被稱為AI時代的“Token工廠”，通過整合電力、芯片和原始數據，持續輸出模型訓練和推理所需的Token。影溯在杭州落地的具身仿真數採中心，也採用了類似的思路。它通過自研的Topos空間智能底座，將現實空間轉化為可交互的數字場景，再用於生成機器人訓練數據，一共拆成了三道全自動工業產線： 1、上游場景入廠：15分鐘把真實場地搬進雲端，替代按周計算的手工建模 針對上文所述問題，影溯將場景採集改為多源輕量輸入與原生3D生成。對於能夠短暫進入的場地，影溯使用便攜式設備進行掃描，設備進場15分鐘即可完成上百平方米空間的採集。

對於不方便進入的受限或私密場所，則可以使用現場人員拍攝的多視角視頻和照片，或者調用原生3D場景生成能力，構建對應的數字環境。原始數據進入Topos引擎後，系統通過算法完成三個步驟： 第一步是物體拆解。系統自動識別水杯、藥盒、抽屜、門把手等可操作物體，並將它們從背景中獨立剝離，解決普通三維掃描中物體與場景容易粘連的問題。第二步是盲區補全。針對相機無法拍攝到的物體背面、底部，以及移走物體後留下的檯面空洞，系統調用原生3D生成模型進行補全，生成完整閉合的三維模型。第三步是物理標定。系統為物體生成碰撞邊界，賦予質量、摩擦係數等物理屬性，併為櫃門、抽屜配置旋轉和滑移關節軸，使其能夠直接進入物理仿真器。

經過這些處理，現實中的住宅、商超、餐廳和倉庫等場景，就可以轉化為可運行的數字場景。據影溯介紹，完成掃描後，相關場景能夠在幾小時內完成轉換。這樣一來，經過數字化處理後，同一場景可以在仿真環境中反覆使用，也可以調整物體位置、環境條件和交互方式，生成不同的機器人訓練場景。2、中游算力擴展：把現場搬道具和串行採集，變成雲端的受控調整與並行合成 真實空間一旦拆解為可編輯的數字母本，EGO 和真機採集最頭疼的環境調整難與單機串行瓶頸便迎刃而解。在影溯的產線上，一個真實場景入庫後可以反覆調用。需要增加環境變化時，系統可以直接調整數字場景中的參數。

之後，系統只需引入少量真實示範動作作為種子，就能在雲端啟動多個仿真通道，並行規劃和執行動作。底層物理引擎會實時計算抓取、推擠、放置等操作產生的力學結果，並篩除穿模、滑落等失敗嘗試，最終批量生成包含深度、位姿、接觸力和動作語義等信息的具身Token。這種方法直接改變了具身數據的生產方式：數據產量將更多取決於數字場景的複用程度和雲端並行算力規模。原本需要人工反覆佈置和採集的工作，基本都可以轉移到雲端完成。3、下游品控與閉環：拒絕同質化湊數，按模型短板定向補齊數據 數據規模擴大後，如何避免重複採集、保證數據有效性，也是影溯需要解決的問題。

影溯為場景統計設置了去重標準：所有場景都以獨立、完整的房屋或經營場所建檔。同一房間僅改變燈光或拍攝角度，只計作場景內部的變體，不重複計入場景總數。數據交付端，則按照空間幾何（L1）、物理交互（L2）、任務閉環評測（L3）分級供給。與此同時，數據生產也與下游模型評測形成了閉環。當客戶模型在測試中暴露出短板，例如遇到透明水杯、強反光檯面或密集堆疊遮擋時頻繁失敗，影溯可以根據失敗原因，在數字場景中定向生成一批相似的複雜環境，不必重新派人到現場搭建場景、採集數據。新生成的數據用於補充模型薄弱環節，也可以在同一套環境中進行迴歸驗證。

結語：將物理空間作為原材料，具身需要自己的Scaling Law 語言模型之所以能沿著Scaling Law快速提升能力，前提是互聯網替人類完成了文本數據的數字化彙集。而機器人要走出實驗室、進入千差萬別的真實物理世界，始終面臨一個數據轉化難題——物理世界本身是連續、無序且無法直接交給模型訓練的。當行業裡大多數團隊還在靠增加機位、擴招採集員的線性方式逐步積累數據時，影溯給出了另一種解法：把物理空間當成原材料，用三維重建、生成模型與並行仿真搭起一座全天候運轉的具身 Token 工廠。當百萬小時量級的物理交互數據開始像工業品一樣按月排產，具身智能的大規模訓練才有了穩定的數據基礎。