文章摘要
当前具身智能行业数据采集规模快速增长,但高质量有效供给缺口极大,现有数据与模型需求还存在学习对象、任务分布、本体差异三重错位。智域基石推出以结构化语言为核心的数据编译方案,将观测级原始数据加工为可训练复用的操作级数据资产,未来行业数据竞争将从拼采集量转向拼数据转化为智能的能力。

桌上摆着几只茶杯。采集者戴上头戴设备,把杯子逐一拿起、移开,再放回原位。设备记录了连续视频和惯性测量单元数据,看上去动作完整保存,但任务结束后,这段经验通常就结束了,没有自然变成下一次可调用的能力。

在智域基石的杨哲轩看来,问题恰恰在这里:动作被记录只是开始。视频告诉我们发生过什么,却没告诉模型下一步该怎么做——它缺少动力学、意图、空间关系,也缺少失败后如何恢复的经验。要让整理茶杯的动作变成可复用的智能,系统需要把任务拆成步骤,用结构化语言对齐,再补回手部姿态、运动轨迹和动作意图。

杨哲轩明确指出:“唯一可以对齐的东西是结构化的语言。”只有先把任务写成模型能理解、检索和复用的结构,物理世界的动作才可能从一次性经验变成下一次可调用的智能。

从行业层面看,具身智能进入数据规模化阶段后,采集量快速增长,但高质量数据缺口依然很大。行业相关报道显示,训练具备通用泛化能力的具身模型至少需要千万小时级数据,而截至2026年初,全球高质量真实物理交互数据总量仅约50万小时,不足大语言模型训练数据的两万分之一。

杨哲轩用现场比喻说明:外购1000小时数据,经过筛选后可能只剩约100小时可用,采集规模与有效供给之间,隔着一道需要工程能力填上的鸿沟。

智域基石想做的,正是补上这套结构。公司站在采集与模型训练之间,用相关技术把真实任务中的多模态观测编译成可训练、可评测、可查询、可复用的操作级数据资产,更大的目标是让物理世界的每一个动作都成为可复用的智能,推动具身智能重新进入工厂、商场、家庭等真实场景,成为承担具体任务的劳动力。

数据与模型学习需求的三重错位

杨哲轩认为,数据不会因为“采够了”就失去价值,模型每向前走一步,新的短板就会暴露,数据需求也会随之改变,如同考试不断出新题,模型进入真实工作环节后也会不断提出新问题。真正的问题在于,现有数据和模型之间仍存在不少错位。

最直接的错位在学习对象上。视频记录了物体位置、手的动作,却未必包含模型需要理解的物体状态变化、动作后果、操作顺序、失败恢复和接触关系。智域基石内部把模型在操作层面要掌握的能力归纳为十类,杨哲轩认为模型在这些方面普遍欠缺,只记录画面的视频不会自动给出答案。

第二种错位发生在任务分布上。标准化采集场地最容易扩量,比如一个2000平方米的场地可安排约200人,但模型在这里学会“怎么拿起一个物体”,换到商场、厨房或工厂,仍可能不知道该怎么做。这类场地容易起量,却很难提供场景泛化性。

第三种错位来自本体差异。人与机器人、不同机器人在身体结构、动作空间和控制方式上都不相同,人类数据复用到机器人身上,需要经过相机标定、任务模式定义、动作映射和本体适配。相关研究也发现,只有预训练数据在场景、任务和本体上足够多样,人类视频向机器人的迁移能力才会显现。

这也是智域基石正在重点关注和积极探索的方向:如何缩短人与机器人之间的本体差距,让人类积累的动作经验能够被不同机器人理解、映射和复用。如果这道鸿沟能被缩短,影响的就不只是某一个任务或某一类机器人,也会改变具身智能把数据规模转化为实际能力的效率。

杨哲轩判断,时至今日,规模增长仍会继续,关键在于寻找更陡峭的规模增长斜率,让模型能力以更低的成本增长。因此,两类数据分工不同:人类第一视角数据易于规模化,主要服务预训练阶段的场景、任务和动作泛化;真机数据更贴近具体本体和执行反馈,适合特定任务的后训练。他举例说,如果要把某个具体任务的成功率继续提升,就一定要采集真机数据做后训练。

从行业层面看,相关行业机构8月发布的报告显示,截至今年6月底,全国建成启用的具身智能训练场已超过70家;但另一项报告也指出,具身智能仍处在向试点应用过渡的阶段。判断数据是否有效,看的是它能否覆盖模型要学的能力,采集时长本身不构成判据,行业竞争也从“采得更多”转向留下更有训练价值的部分。

数据编译:从观测记录到操作级资产

在杨哲轩看来,观测级数据与操作级数据的核心区别,在于有没有一套结构化体系把数据对齐。缺的不是更多标签,而是一套能把不同信号放在同一坐标系里的语言,他再次强调结构化语言的重要性。智域基石选择用结构化语言组织任务,同时补充动力学、空间位置和运动意图等信息,并已搭建应用五环节数据编译管线。

仍以整理茶杯为例,视频进入管线后先接受数据质检,丢帧、数据漂移、关键动作被遮挡或操作不合规的片段会被筛掉,外部服务商生产的数据同样要过这一关;随后进入数据底座重构,系统将录制数据转换为自研中间格式,统一多模态数据的时间基准和空间坐标。

如同制造业的质检,产品出厂前要质检,数据交付前同样要过关。杨哲轩说:“自动化做不到全流程无人。”因此,智域基石把基于模型的自动化、人在环的多级质检和统计抽检放在同一条生产线上。

接下来是核心的数据编译环节,任务会被拆成多步骤并与语言对齐,手部姿态、六自由度位姿、空间轨迹、深度和运动意图被还原并注入数据。编译后的数据可按场景、物体、技能等条件进行智能检索与组配,最后按客户需要的格式标准化打包交付。

支撑这条管线的,是由观测级数据输入、物理AI数据库管理系统、物理因果模型和操作级数据输出构成的四层架构。物理AI数据库管理系统负责异构数据的组织、索引和版本追溯,自动质检、标注算法和物理因果模型的运行都依赖这个底座;物理因果模型则负责理解任务本身,包括阶段划分、状态变化、物理接触、失败原因与恢复路径,最终输出训练数据集、基准、场景数据包、评估资产和可复用的任务模板。

外界常将数据生意看作劳动密集型行业,杨哲轩则认为:“数据其实是一个有高科技属性的制造业。”劳动密集是特点,但不意味着没有壁垒,高科技属性体现在手部姿态生成和轨迹提取上,当手遮挡作业重要区域时,信息提取受阻,只能依靠模型还原,需要大量无遮挡数据训练并验证,“这个工作不是组织一大堆人就能解决,需要有卡、有数据、有算法人才。”制造业的一面体现在质检上,他强调,“很多同行宣称100%自动化标注与质检,这是做不到的,否则就意味着模型不需要你的数据了。”因此,智域基石将自动化与多级质检、统计抽检相结合。

数据编译的能力边界

经过编译,原始观测数据被加工成可训练、可评测的操作级数据资产,但这并不意味着数据能直接驱动机器人执行任务。杨哲轩强调,编译后的数据“还没有走到机器人层面”,并非可以直接下发给任意机器人的控制指令,不同机器人在身体结构、动作空间和控制系统上存在差异,数据要进入具体机器人的训练和应用环节,仍需进行本体适配。

这意味着,跨本体复用不是将同一份数据或动作指令直接复制到不同机器人上,真正可复用的更多是任务定义、失败分类、观测规则、质量门禁和恢复模式等方法与经验,它们可以为不同本体的数据生产和训练提供参考,但具体的数据处理与动作映射,仍需结合机器人自身特点完成。

本体差异之外,数据来源本身也决定了适用范围。人类第一视角数据记录人的操作过程,具有场景和任务多样性优势,主要为预训练阶段的泛化能力提供支持;真机数据则更贴近特定机器人本体及其实际执行反馈,适合围绕具体任务开展后训练,两类数据对应不同训练需求,不能简单相互替代。

这些技术边界也划定了智域基石的业务边界,公司不以机器人本体和通用基础模型研发为主营方向,但并非完全不涉及模型训练,团队会开展小规模预训练,用来评测自产数据的效果,同时借助参数规模不大的模型保持对模型需求的理解,验证新的技术想法。杨哲轩说:“我觉得我们公司,包括我的职业生涯、我的基因,应该是不会去大规模做预训练的。”相比之下,他更希望公司未来在大规模后训练上发力,帮助机器人进入具体场景完成真实任务。于智域基石而言,数据编译的核心工作是将物理世界的操作经验转化为模型能够使用的数据资产,至于如何让模型掌握这些经验并转化为机器人的实际能力,仍需要模型研发和本体适配等环节共同完成。

从一次性采集,走向持续的真实任务供给

数据编译要持续运转,需要不断得到真实任务。智域基石在官网上提出了“真实任务网络”的构想,希望连接产业园区、机器人企业、模型团队和科研机构,把任务入口、作业环境、机器人本体和模型需求接入同一套数据体系。现阶段,公司同时采集真机数据和人类第一视角数据,外部服务商参与生产,内部团队负责任务定义、加工和验收,杨哲轩认为,做数据的难点不在于雇多少人,而在于能否站在模型训练的角度先把任务定义好,这也是公司坚持在真实场景中采集真实任务和动作的原因。

硬件是另一项投入,智域基石自研了ArcheGo系列可穿戴采集设备,分为双目和六目两个版本,覆盖头戴主视角和双腕。杨哲轩坦言,做硬件的目的在于把物理规律、物体接触等信息更完整地送进数字世界。

谁在为操作级数据付费

智域基石目前的客户主要有三类:国内外专注预训练的基础模型公司、头部具身智能企业,以及具有预训练需求的机器人本体厂商。这些客户并非注重采集时长,而更重视来自真实场景、且能够进入训练和评测流程的数据资产。

这也在改变数据的定价逻辑,杨哲轩认为,数据价格被一再压低,很大程度上是因为有效率太低,“从你这儿买了1000小时,最后要花人去质检、处理,筛选下来可能就10个小时,所以只能无限地压这个价格。”与此同时,模型公司的查重能力也越来越强,重复的数据几乎带不来提升。

模型团队为什么需要第三方?自建团队并非不可行,但跨任务、跨本体的持续生产需要长期投入,更难的是判断下一步需要什么数据。杨哲轩分享道:“数据这个事情特别像服装行业,大家都卖衣服,但有些衣服流入大卖场,有些进到高档商场,想做到后者,需要提前预判下一季流行什么。”这意味着团队需要自己懂模型,清楚模型能力的边界和未来发展方向。第三方的价值,在于将这些真正重要的能力沉淀为可持续交付的服务,拥有垂直场景和敏感数据的大型产业方未必愿意对外开放,可能更倾向于在自身体系内完成数据闭环。

现阶段,智域基石会从项目切入,围绕客户的训练需求定义任务、组织采集,将编译后的任务数据集和评估资产按客户要求打包,直接交付到客户的算力所在地,杨哲轩把这种关系概括为“数据跟着算力走”。但公司的长期方向并不止于交付数据,随着任务和数据持续积累,计划进一步下场参与模型部署,围绕真实场景开展大规模后训练,把数据编译能力延伸到模型训练、部署和执行反馈中,帮助机器人在具体环境里完成更复杂、更稳定的工作。最终,这些工作指向同一个目标:让物理世界中的动作经验能够被模型继承,并推动具身智能重新进入真实世界,成为能够承担具体任务的劳动力。

数据竞争的下一阶段

具身智能的数据赛道刚刚经历了一轮快速扩张,接下来的变化可能发生在几个层面。最先变化的是采购方式,随着模型团队对数据有效性的判断更加成熟,数据采购将从按采集小时计价,逐渐转向看重任务覆盖、数据质量和训练价值。采购逻辑一旦改变,供给结构也会随之调整,人类第一视角、真机和仿真数据将围绕不同的训练阶段形成互补,数据供给会从依赖单一采集方式,走向多源协同。更进一步,产业分工也可能被重新划定,专业第三方的数据编译服务,与大型场景方的内部数据闭环很可能长期并行,数据基础设施则会逐渐成为连接真实任务与模型训练的关键环节。

这些判断仍需时间检验,智域基石正在做的,是将物理世界中的每一次操作,都转化为能够被模型学习、评测和持续复用的资产。当具身智能的数据竞争进入下一阶段,比拼的或许不再是谁采得更多,而是谁能真正将数据编译成智能。

以上内容不代表本平台立场,仅供读者参考