人类经验数据：具身智能的新规模化增长轴

近期前沿AI模型的突破性进展，正在打破数字世界与物理世界的边界。9月初，头部AI实验室推出的新一代大模型，在通用自主决策基准测试中拿下99.9%的得分，96%的关卡表现超过人类平均水平；仅仅一天后，该模型被接入真实双臂机器人，在抓取积木放入碗具的任务中实现了20次尝试19次成功的亮眼表现。这一系列结果释放出明确信号：最先进的大模型正在从单纯的文本交互，转向感知环境、规划行动并完成物理任务的具身智能赛道。

当AI不再只是回答问题，而是需要在真实物理空间中完成操作，训练数据的形态也随之发生根本性改变。过去大模型依托互联网文本数据实现能力跃升，而具身智能长期受限于真机数据采集成本高、积累速度慢，且高度绑定特定机器人硬件本体的痛点。今年以来，行业逐渐找到了新的规模化训练路径：基于人类第一视角的经验数据。

今年八月，某机器人公司将人类第一视角经验数据的训练规模推进到100万小时级别，其推出的模型在未见过的机器人任务中展现出更强的泛化能力；另一家机器人基础模型厂商也采用了同类数据，将真实人类活动中的视觉、动作与交互过程纳入训练。据行业观察，一场围绕第一视角人类经验数据的浪潮正在兴起，越来越多机器人公司转向采集人员佩戴摄像头产生的第一视角视频，甚至有投资人预计领先企业未来几年将采购数亿小时的这类数据。

在这一轮第一视角数据的浪潮中，一家专注于物理AI数据服务的公司逐渐成为行业核心供应商。这家2024年成立于旧金山湾区的团队，核心成员来自Waymo、Meta、Google、QCraft、小鹏汽车、博世等自动驾驶与AI领域的头部企业，具备从数据采集、清洗、算法到模型训练的完整工程能力，已经将数据服务覆盖到六大洲，并在今年进入中国市场。

截至目前，该公司搭建了覆盖全球的采集网络，累计积累超过150万小时带手部追踪和语言标注的高质量训练数据，历史累计向客户交付的数据总量超过200万小时。它不仅是头部机器人模型的独家数据合作伙伴，也为多家机器人企业、大模型厂商提供第一视角数据服务。

这家公司能在具身智能数据赛道站稳脚跟，靠的并非只是庞大的原始数据储备，而是一套完整的自动化数据加工流水线。依托团队在自动驾驶领域积累的数据闭环技术，他们将这套能力迁移到物理AI领域，搭建了从数据采集、质量控制、语义理解到模型训练交付的全链路基础设施。相关企业的技术报告中曾指出，人类执行真实任务时产生的带传感记录的视频，规模几乎没有上限，同时包含了机器人操作策略所需学习的世界动态和手物交互信息。换句话说，机器人要获得类似互联网数据规模的训练资源，未必需要等待机器人自身工作数亿小时，而是可以先学习已经在人类世界中运行了无数年的经验库。

当数据规模跨过百万小时大关，单纯依靠堆量的边际效益已经开始递减，具身智能的数据竞争底层逻辑正在改变。该公司的核心思路不再是追求每月新增的采集时长，而是解决人类数据与机器数据之间的跨本体差异，将其转化为可通过流程和算法解决的工程问题。根据他们的观察，未来具身智能的数据能力将沿着两个核心方向演进：

其一为经验规模。机器人需要接触足够丰富的人类活动、环境、物体和任务，才能形成对物理世界的通用理解。因此数据规模依然是重要基础，行业正从百万小时向千万甚至更大规模迈进，让人类日常经验成为训练通用机器人模型的核心支撑。但单纯的规模扩张也会带来新问题：如果新增数据只是重复已有场景，数量增长并不会带来同等程度的能力提升。

针对这一问题，该公司提出了主动规划的采集模式，通过内部的Agent平台对现有数据池进行反向诊断，像雷达一样锁定数据分布的盲区。一旦发现稀缺环境、罕见物体或是复杂的受力动作，就会调度全球的采集人员和专业设备进行定向补采，比如补充厨房长尾物体的采集、柔性物体操作数据，或是复杂受力状态的任务录制。同时这套流水线自带智能清洗功能，可以自动识别并剔除无效片段、摆拍素材和视角偏移的低质数据。

其二为经验密度。一小时的人类操作视频，不同的加工方式能带来完全不同的训练价值。基础的数据只能告诉模型手移动到了某个位置，而更高价值的数据则包含手部姿态、身体协同、物体状态变化、人与环境的接触关系以及动作时间节奏等多维度信息。这些信息越丰富，模型能学习到的物理规律就越多。

因此，在数据采集完成后，如何进一步理解、拆解和加工原始人类经验，将其转化为机器人真正可以学习的训练信号，决定了数据价值的上限。该公司自研的核心AI引擎MaxVLM，正是针对具身场景强化的视频理解大模型，负责从原始视频中提取高阶语义信息。据透露，MaxVLM在具身场景下的语言标注和视频理解能力，可以对标公开的顶级视频理解模型，但推理成本仅为其十分之一，这种成本控制力是支撑百万小时数据量产的关键。

在一段演示中，这套系统并不会为视频打上笼统的文字标签，而是构建起严密的多层级数据结构：从环境场景、主任务，到细分的子任务流程，再到精细化的微操指令，完整保留了人类操作过程中的空间、动作与时序信息，让视频变成可以直接用于学习物理交互规律的训练数据。

为了还原真实的手部运动轨迹，该团队沿用了自动驾驶领域的SLAM算法：先持续估计摄像头自身在三维空间中的位置与姿态变化，再将每一帧中的手部位置统一映射到同一个世界坐标系中。这样可以剥离头部晃动和相机位移带来的干扰，即使视频中存在手部遮挡或镜头晃动，也能保持稳定的空间坐标追踪，得到接近真实动作的双手运动轨迹。

当这套自动化基础设施完全贯通，数据飞轮便开始循环运转：更智能的主动采集带来更强的模型理解能力，进而提升自动质检与标注精度，降低数据的边际生产成本，最终实现更大规模的人类经验数据产出。当多数同行还在讨论采集的总时长时，该公司已经率先引入了工业领域的核心概念——Yield（良率）。

在半导体制造领域，合格芯片的产出占比是衡量产能和工艺壁垒的核心标准；而在机器人数据赛道，数据良率指的是从真实物理世界采集的原始数据中，能够转化为模型可用的有效训练数据的比例。该公司依托自建的数据工厂，将数据集的良率提升到了98%，这意味着每采集100小时的原始视频，就能得到98小时可直接用于训练的高质量数据。

目前积累的150万小时精品数据只是序章，该公司已经定下了新的目标：在未来积累超过1000万小时的高质量可直接训练数据。他们希望将这些从未被结构化记录的人类日常经验，打造成物理AI可以持续消费的通用基础设施，未来还将通过视频理解和智能检索体系，将原始视频转化为可搜索、可组合的数据资产，并结合仿真数据进一步拓宽训练数据的边界，最终成为能够持续理解真实世界、发现数据缺口并生产机器人所需物理经验的核心引擎。