具身智能数据采集难 影溯仿真数采中心破局

大语言模型的规模化发展，依托的是互联网积累多年的网页、代码等文本数据；自动驾驶领域则通过量产车辆的影子模式，从真实道路持续收集行驶数据与人工接管记录，甚至无需额外组织大规模人工采集就能完成数据积累。

但到了具身智能领域，这样的充足数据供给条件并不存在。过去两年，行业主要依靠真机遥操作和第一视角可穿戴设备采集数据，累计获得的有效数据总量仅数百万小时，对于已经投入大量资金的机器人公司和大模型企业而言，要获得足够规模的高质量训练数据依然困难重重。

10月30日，某空间智能企业在杭州落地了全国首个具身仿真数采中心，该中心预计单月可生产100万小时仿真训练数据，单条数据的综合成本仅为传统真机遥操作采集的十分之一。

全行业花费两年才积累数百万小时数据，这家企业为何能计划将产能提升至单月百万小时？要回答这个问题，需先明确当前具身智能数据采集面临的核心困难，以及该企业如何将现实场景转化为机器人训练数据。

合格的具身训练数据需要同时包含三个核心要素：三维空间观测信息、真实物理接触反馈，以及机器人可执行的动作序列。也就是说，数据不仅要记录机器人“看到”的内容，还要覆盖其与物体的交互过程，以及动作发生后的环境变化。

围绕这些要求，当前行业主要有两条数据获取路径：一是在物理世界通过真机和可穿戴设备直接采集，二是在数字世界通过三维建模和物理仿真生成数据。但两条路径都已逐渐显现效率瓶颈。

物理采集路径的局限：真机遥操作是当前获取动作数据的主要方式，但采集效率极低——一名操作人员控制机器人工作一小时，扣除调试、故障处理等时间，有效采集轨迹往往不到半小时，规模扩张需要同步增加机器人和操作人员，严重受限于物理时间与设备规模。为降低成本，不少团队转向第一视角穿戴采集，通过记录人类操作获取数据，但这种方式也存在明显不足：环境调整灵活性差，若要测试不同光照、遮挡条件，需重新进入现场布置道具；多数真实场地不允许随意改造，营业场所、高危区域等更有严格准入限制，难以开展采集工作。

仿真路径的局限：相比物理采集，仿真可在虚拟环境中灵活调整场景，但仿真平台本身无法直接提供合格数据，核心瓶颈在于场景建模效率。以主流物理仿真引擎为例，房间搭建、物体建模、关节绑定等工作仍需人工完成，搭建一个可交互房间往往需要数天甚至数周，成本与时间投入极高。即便借助大模型尝试自动建模，也存在生成效率低（单个物体需几十分钟）、成本高、场景真实性不足等问题，且缺少真实空间测量约束会导致几何结构、物理关系不一致，增加从仿真到现实的迁移难度，即业内所说的真实到仿真的差距。

AI算力中心被称为AI时代的“Token工厂”，通过整合电力、芯片与数据持续输出训练所需的Token，这家空间智能企业在杭州落地的数采中心采用了类似思路：通过自研的空间智能底座将现实空间转化为可交互数字场景，再生成训练数据，整体流程拆分为三道全自动工业产线。

第一道产线：快速场景数字化。针对物理采集的场地限制，企业采用多源轻量输入与原生3D生成技术：对于可短暂进入的场地，便携式设备仅需15分钟即可完成上百平方米空间的扫描采集；对于受限场所，可通过现场拍摄的多视角素材或原生3D生成能力构建数字环境。原始数据进入系统后，会自动完成三步处理：首先是物体拆解，识别并分离水杯、抽屉等可操作物体，避免与场景粘连；其次是盲区补全，生成物体背面、底部等缺失部分的完整模型；最后是物理标定，为物体添加碰撞边界、摩擦系数等属性，使其可直接进入仿真器。完成转换后，现实场景可在几小时内变为可复用的数字母本，无需再人工反复搭建。

第二道产线：云端并行合成数据。数字母本入库后可反复调用，若需调整环境，系统可直接修改参数，再引入少量真实示范动作作为种子，就能启动多个仿真通道并行规划动作。底层物理引擎会实时计算操作的力学结果，筛除失败尝试，最终批量生成包含深度、位姿、接触力等信息的具身Token。这种方式让数据产量不再依赖物理时间与设备，而是取决于数字场景的复用度和云端算力规模，大幅提升了生产效率。

第三道产线：闭环品控与定向补全。为避免数据同质化，企业设置了场景去重标准：同一房间仅计为变体，不重复统计；数据按空间几何、物理交互、任务闭环分级供给。同时，数据生产与模型评测形成闭环：若客户模型在测试中遇到透明物体、强反光等场景频繁失败，企业可定向生成相似环境数据补充短板，无需重新到现场采集。

语言模型的缩放定律快速落地，核心是互联网完成了文本数据的数字化汇集。而机器人要进入真实物理世界，始终面临数据转化的难题——物理世界是连续无序的，无法直接用于训练。当多数团队仍在靠线性方式积累数据时，这家企业给出了新解法：把物理空间作为原材料，用三维重建、并行仿真搭建起全天候运转的具身Token工厂。当百万小时级的物理交互数据像工业品一样按月排产，具身智能的大规模训练才有了稳定的数据基础。