WAIC深度觀察：具身數據，進入「開箱即用」時代

WAIC 深度觀察：具身數據，進入「開箱即用」時代

在今年的世界人工智能大會（WAIC）主論壇上，一場關於具身智能的討論引發了與會者的熱烈反響。亮源新創創始人姜旭在對話中直言，當前具身智能產業對數據的需求遠遠沒有觸及天花板，這番判斷道出了許多業界人士的共同心聲。他進一步闡述，具身智能本質上是大模型向物理世界的延伸，其發展路徑將依循「規模化預訓練、規模化對齊、規模化部署」三個階段，而現階段連最基礎的預訓練數據缺口都尚未補齊。這個觀點雖然尖銳，卻精準點出了行業當前的核心痛點。然而，論壇上的討論並未深入解答如何解決數據問題。帶著這個疑問，我們在 WAIC 現場走訪了多家具身智能相關企業，試圖從一線從業者口中獲得具體答案。

令人振奮的是，今年參展的具身數據基礎設施公司數量明顯增加，且提供的解決方案相當扎實。尤其是在與簡智機器人的深度交流中，我們逐漸釐清了當前行業究竟缺乏哪類數據，以及如何有效獲取高品質的數據資源。許多人認為具身智能領域面臨數據短缺，但實際情況可能更為複雜。網際網路累積的人類活動影片已超過百億小時，這些素材曾被視為具身模型預訓練的重要來源。然而，這些影片雖然數量龐大，卻缺乏精準的動作標註與物理互動資訊，無法直接作為訓練機器人行為的「開箱即用」數據。真正的需求是能夠直接輸入模型、具備高精度、多模態與多樣性特徵的數據，這才是填補預訓練缺口的關鍵。

簡智機器人在展會上展示了他們的 TeleFusion 平台，這套系統專為解決數據採集與處理的難題而設計。該平台能夠同步記錄機器人的視覺、觸覺、力覺等多種感知資訊，並將其轉換為標準化的訓練數據格式。透過這種方式，原本需要耗費大量人力進行後製標註的數據，可以直接成為模型訓練的素材，大幅降低數據準備的時間與成本。這正是業界所期待的「開箱即用」數據模式。在數據採集環節，簡智機器人採用了一種結合遙操作與自動化標註的創新方案。操作人員透過專用的穿戴式設備或空間滑鼠，控制機器人進行各類精細動作，系統同時記錄動作序列與對應的環境反饋。

這些數據經過自動化處理後，即具備多模態特性，包含視覺影像、位置座標、力矩變化等資訊。相較於傳統的離線數據集，這種即時生成的數據更能反映真實物理世界的互動細節。除了簡智機器人，展會上還有其他企業展示了類似的數據基礎設施。例如，一些廠商推出了整合蘋果 Vision Pro 等頭戴式裝置的遙操作方案，讓操作者能以更直覺的方式採集數據。另一些公司則專注於開發數據處理管道，將原始感測器數據轉換為模型可直接使用的張量格式。這些技術的成熟，正逐步將具身數據從「稀缺資源」推向「量產工具」的階段。值得注意的是，數據品質的重要性在本次展會中被反覆強調。

多位專家指出，數量固然重要，但低品質的數據反而可能導致模型訓練效果不佳。一個小小的動作標註錯誤，可能讓機器人在真實環境中產生連鎖失誤。因此，確保數據的時空一致性、動作流暢性以及環境多樣性，成為數據採集系統設計的核心考量。簡智機器人表示，他們的平台內建了多層品質驗證機制，能自動篩選出不符合標準的數據片段。從應用場景來看，目前「開箱即用」數據的需求主要集中在家用服務、工業製造與物流配送等領域。這些場景對機器人的泛化能力要求極高，需要從大量不同環境中採集數據來訓練模型。例如，一個家用機器人必須能夠應對各種不同格局的廚房、不同材質的餐具，以及不同光照條件下的操作任務。

這就要求數據集不僅包含動作資訊，還要涵蓋環境變化的特徵，才能讓模型具備真正的適應能力。隨著數據採集技術的進步，業界開始思考如何進一步降低數據獲取門檻。一些企業嘗試利用生成式 AI 來合成部分訓練數據，特別是在模擬環境中生成大量虛擬互動場景。然而，物理模擬與真實世界之間仍存在差距，這使得單純依賴合成數據的模型在實際部署時可能出現偏差。因此，目前的主流共識是將真實採集數據與合成數據混合使用，以兼顧數據規模與真實性。在與多位業界人士的交流中，我們發現一個共同的趨勢：具身數據的價值正在被重新評估。過去，數據被視為單純的訓練材料，但現在，高品質的數據集本身可能成為一種稀缺資產。

一些企業開始建立專屬的數據庫，並將其視為核心競爭力的一部分。這也推動了數據交易與共享機制的討論，畢竟在整個產業生態中，數據的流動性將直接影響技術進步的速度。回到 WAIC 的討論現場，姜旭的觀點確實點出了產業的迫切需求，而展會上的實際案例則為這個問題提供了具體的解決路徑。從只靠人類影片的「數據飢荒」，到如今能夠實現高精度、多模態、多樣性的「開箱即用」數據，具身智能產業正在經歷一場資料基礎設施的全面升級。這種轉變不僅讓模型訓練變得更有效率，也為後續的規模化部署打下了堅實基礎。未來，隨著數據採集與處理技術的持續成熟，具身智能的發展速度有望進一步加快。

當數據不再是瓶頸，模型訓練與應用部署的門檻將大幅降低，更多機器人將能夠快速適應真實世界的複雜環境。對於整個產業而言，這不僅是技術上的進步，更是商業化落地的重要契機。而數據品質與標準化，將成為決定這場競賽勝負的關鍵變數。