所有具身智能公司，都在争夺同一个数据闭环

未来12~18个月，谁能真正在半开放场景里，把第一个闭环跑通？ “未来12~18个月，行业的一个checkpoint就是真实部署带来的数据闭环。不管这个部署数字是多少，只要它是真实的。谁能真正在半开放场景里，把第一个闭环跑通，这将是决定性因素。”上海创智学院副教授、智元首席科学家罗剑岚说。 “我们会尽快面向所有场景——60%家庭、30%商用、10%工业，要齐头并进。”千寻智能创始人兼CEO韩峰涛告诉数智前线。 今年以来，几乎所有海内外头部公司都不眠不休，在家庭、工厂和商业赛道争夺部署机会。为了争取时间，他们做软硬件一体——机器人本体、大脑、数采设备、甚至灵巧手和关节，防止等待第三方而让节奏慢下来，他们要把数据闭环攥进自己手里。 这一进程，也将影响资本、客户在下一阶段对他们的重新估值和押注。 01 具身企业，为什么都在抢同一个闭环？ 去年底，智元机器人对业务赛道重新排兵布阵，智元侧重工业；智元实控的上纬新材以“上纬启元”品牌锁定消费市场，还有灵巧手公司临界点等。6月底，智元在全网开启机器人在工厂测试产线干活的直播，地点是消费电子OEM上市公司龙旗科技的江西南昌工厂；“上纬启元”推出首款个人机器人“启元Q1”，可折叠装进书包，并将在深圳和上海开设线下体验店...... 动作很猛的还有千寻智能。“我们构建了一个上千人的数采团队，到今年底会有四千人。今年我们要采集百万小时数据，明年要达到上千万小时。”创始人兼CEO韩峰涛告诉数智前线。他语速很快，要尽快面向家庭、商用、工业齐头并进。他强调，这是公司的核心工作，战略上重视就体现在投入上。他还特意提到与博世、宝马的合作。 银河通用已从去年起，在全国铺设无人零售、无人药店，目前已超过百个；工业重载机器人进入极氪、宁德、奔驰等工厂；与智源研究院一起在酒店落地清洁机器人...... 有趣的是，宁德时代是多家机器人企业的采购方，“它的野心很大”，一位具身企业人士说。 这股风潮不止中国具身智能企业。即便是美国领头羊PI（Physical Intelligence），这家由前谷歌大脑负责人卡罗尔·豪斯曼创办、用真实世界数据做出第一个多任务具身模型的公司，也开始在海外包括中国大量建厂，采集交互数据。业内人士对数智前线分析，PI“后劲不足”，受限于美国本土制造业，它不得不靠海外建厂来弥补数据采集短板。 为什么大家都这么急着来干这件事？ “我觉得全球企业CEO都知道要往具身领域投钱，但大家在等一个信号，一旦出现，大把美元就会从天而降。”罗剑岚说得很直白，“作为一个创业公司，优势就是快。谷歌这么大，OpenAI就是在它护城河最深的地方，硬生生敲出一块地。”还有行业人士拿Anthropic打比方，其ARR年化营收已达200亿美元，“这个体量不管谷歌还是meta，都不会轻松把它碾死”。 同时，行业预估，今年下半年到明年上半年，是世界模型训练高峰期，大家都在努力追求模型泛化性，毕竟没有规模化的真实数据，模型就没有泛化，没有泛化就谈不上规模化部署。 “所谓基模泛化能力，就是把人类不需要专门学习的技能做到70%~80%成功率，再配上初中学历就能掌握、一键把模型从数采中心带到客户场景的低部署门槛。”银河通用CTO王鹤解释。 所有具身行业人士都认同一个路径——特斯拉数据飞轮。过去十年，特斯拉耗费很大精力，部署车队构造了一个巨大飞轮，车队跑出真实数据，数据回流训练模型，更好的模型再下发车队、去解决更长尾问题，反复循环。它给具身的提示有两条——真实数据很重要，而真实数据只能通过部署获得。眼下具身数据还少得可怜——有人士说“连一颗黄豆都没到”。而数据飞轮一旦转起来，就是护城河，别人要做这件事，也得花同样多精力、时间和资源，可你已经走到前沿去了。 千寻则把具身智能的过程分为两阶段，第一阶段把基模做出泛化性，让后训练代价降到分钟级、边际部署成本压到极低，“场景落地所需的后训练数据可降低60%。”千寻智能副总裁丛源良说。这样，才能进入第二阶段——几千万台、上亿台机器人铺进真实世界干活，数据回流，零样本解决更多问题。 “你得先把数据和Infra做好。这俩没做，你压根不用探索模型结构。”一家具身智能独角兽的CTO对数智前线分析，而数据和Infra之间，则要先数据、后Infra。理由是规模小的时候Infra还发挥不了作用，只有机器人在外部署的数量多了，Infra才会派上用场。“刚起步，做数据收益一定是最大的，到一定规模再去做Infra。这俩都有了，你再做模型结构，我觉得是这样一个顺序。” 02 机器人大脑，到底需要什么数据？ 大语言模型用30万亿token训出了GPT，具身智能需要什么数据？ 实际上，它需要一整套覆盖不同能力的数据体系，所以具身企业都在抢家庭、工业、商业场景，齐头并进，采集不同数据源。而每个场景对模型的训练方式也不同。 有业内人士对数智前线分析，工厂是验证模型的好地方，但要求极致节拍，“你错一次，对整个产线的影响是大的”，因此针对一个具体场景要做后训练，强化学习很重要，这样才能达到成功率和节拍。 家庭不重节拍，但要足够泛化，成功率可以低一点。每个家庭环境都不一样，有人士认为，甚至不太需要后训练，因此部署更快。 虽然行业认为“一旦家庭的活儿会干了，其他的活儿都会干了”，但有人士认为，工厂要求的成功率和家庭的泛化性是两种能力，“目前在模型上没法统一”，只能在两个方向同时迭代。商场也同理，有自己的特殊需求。 实际上，进工厂本身很难。无锡数据集团总经理陈青告诉数智前线，打开工厂的数采场景只能找一把手，老板们不在乎采集补贴，担心的是工艺外泄。他们目前已与12家工业伙伴签订了长期反复进场采集的协议，“我们想让真正掌握模型能力的公司落在无锡，一起深入合作”，重点抓30~50家企业——最好是上市公司，因为老板更有长远想法、二代老板也非常清楚。“要跟他们结成长期合伙人机制，从数采试点走到产线智能装备升级。” 相对而言，家庭是一个可以快速部署的地方。一位资深人士说，家庭的宝贵之处，是可以让真机在开放环境中探索交互数据。人类能为机器人构建的训练环境可能不到1%，“人不知道机器人会在什么地方犯错，只有机器人自己知道”，把机器人放进环境，让它先探索、先失败，人再兜底纠正，这一类数据凌驾在所有数据之上。 不过，如果既想快速部署，又想在商业上有快速回报，无人药店、无人零售店、酒店清洁等是很好的模式。“限定场景后就可以采数据、做闭环、做销售，不需要泛化到所有场景，相信这是目前大多数具身企业的做法。”一位人士告诉数智前线。 而这些场景中，具体需要采集什么类型的数据？行业流行“数据金字塔”一说，但陈青更愿意把它比作光谱仪：“光从左到右，不同频率和能量代表不同作用。”所有场景几乎都需要全光谱数据，它们承担不同作用。 其中，真机数据被大量用于最终部署态，但“很难跨本体、采集成本非常高”，在光谱体系中只占一小部分；仿真数据可以做环境数据扩增，在要求毫米级执行、长时间鲁棒性的工业场景中尤为重要，“但它很难真实模拟形变和力控”。陈青认为，当下采集重心正转向内容数据——EGO这一以人为中心的数据，能够提炼人的操作逻辑，以及UMI无本体数据，把人手臂关节动作和末端映射与机器绑定。 今年以来，EGO数据很火，它是指通过头戴摄像头等设备、采集的人类第一人称视角操作的视频。京东、蚂蚁、美团正通过众包方式快速Scale up，有业内人士认为，可能未来一天就能到100万小时。 但丛源良认为，UMI数据将成为主流。UMI数据是一种手上拿着夹爪、戴着摄像头等轻量设备，采集人类真实操作的低成本方案，其优势是与机器人本体解耦，一套数据能被不同机器人复用。相比EGO数据，UMI数量稍小、精度更高；最精准的是遥操，“但数据量太小，你还得买一个50万的机器人一块弄，遥操上手难度也较大”。 大家也都提到了触觉数据，每一家主要具身企业都坦言要做。“你要做到穿针引线，触觉作用还是很大的。”上海交通大学长聘教轨助理教授穆尧说。 不过，穆尧曾与多家机构尝试构建触觉数据集，结果“几度心碎”，最终转向仿真引擎去做精细的力和触觉数据的scale up。过去一年，虽然业内对仿真数据“祛魅”，但他的团队把螺纹配合、齿条啮合，以及多种柔性衣物的复杂任务，通过仿真数据都实现了。 具身企业也在思考采集数据方式。北京智源人工智能研究院理事长黄铁军告诉对数智前线，由于世界模型和具身智能阶段，实时交互性数据会越来越多，“你踢个球、弹个琴、游个泳，所有都是在跟世界互动”，采数据的模式也必须变革，核心要考虑成本合理性和便利性。 这样看来，建数采中心、用人控制机器人采数据，“可能是一种成本不一定合理的方式，光建环境就花掉很多代价。”他说，今年开始，有企业让工人戴上设备边工作边采集，工资可能加20%；再往后，人们戴上耳机、智能眼镜，生活和工作的第一视角被数字化，这跟自动驾驶逻辑差不多，汽车在路上跑的同时，数据就采集到了，只不过汽车上的传感器很多，人身上还比较少。他进一步举例，乒乓球机器人若能达到陪练水平，进入工会、学校，采数据甚至可以零成本乃至有收益。 “进入实际场景后，有可能找到低成本采数据方式”，这是过去一段时间，他们在思考探索的。 03 为什么非要自己攥着闭环 在跑闭环的这个过程中，一个值得关注的现象是，去年行业中还有产业链分工模式，有人做大脑、有人做本体，但今年更多企业明确走向软硬闭环，既有机器人本体，也训练模型，还做数采设备，甚至做灵巧手、关节。 “所有的recipe（独门秘籍）在无限长的时间里都会变成公共知识。”王鹤解释说，“这个行业最终一定是当前巨头可以做的。”既然如此，初创公司唯一的竞争优势就是快。“快你就得闭环，硬件里头别人做不好的部分，就得控制在自己的环路里。否则你等别人，就慢下来了。”更多具身企业采用硬件、数采、数据管线到模型，软硬一体模式。 当下，几乎每家企业都提到了数采设备。千寻从2024年开始研发数采设备，据说迭代七版，“去年12月正式落地，今年下半年成本会有10倍下降。”CEO韩峰涛告诉数智前线。 “这套东西一定要掌握，否则会很被动。”上海交大穆尧说，他举例自己有很多想法，但大家说做不出来时，他就会到现场去看整个采数过程——顶置相机怎么配置、全身运控传感器怎么摆、人和传感器如何配合。这关系到创新想法的实现。“臂、核心关节、灵巧手上腕部相机的布置，至今没看到任何一个令自己满意的方案”，他认为如果有能力也要自己掌握。 它石智航联合创始人、首席科学家丁文超把整个系统类比一条梯度传递的链路，“具身行业还在早期，模型和应用的梯度还没有传递到前面的硬件，市面上能买到的硬件满足不了规模化应用的需求”。为此，他们决定自己做软硬件，并研究关节、甚至灵巧手，把末端传感器配置、硬件形态、数采方式和部署推理效率放进同一个系统里去优化，“这些细节才是VLA、世界模型这些概念背后真正的冰山。”丁文超说。 “数据管线”是当下具身公司比拼的一个焦点。市面上EGO、UMI数据供应商“质量真的是良莠不齐，好的特别少”，企业不得不建立自己的一整套质检和规范，并投入数据管线。而且，数据质检、过滤、标注全靠人工的话，成本谁也扛不住，需要靠模型闭环来提升效率、降低成本。一位业内人士对数智前线总结，“数据管线”核心是把人类的单点经验，尽可能汇聚进这条管线，让数据迭代逐步自主化，而“第一点就是要做到实时性”，在采集过程中同步质检，而不是事后补救。 在闭环上，外国具身企业“遇到了麻烦”。有行业人士告诉数智前线，虽然他们尝试在海外建厂来解决交互数据采集问题，但“短期内能解一时的困难，长期很难”。根本原因是软硬分离，比如在美国训练，在美国以外做数据采集，沟通成本高，数采设备也难快速迭代，“你天然得不到很好的数据反馈”。他的结论是，“软硬一体是国内优势，今天各家在模型层面的差距并不大，真正拉开差距的是数据积累，而国内在真机数据的积累上更快。” 对于具身智能的终局，行业有初步的时间轴。语言模型scaling law催生了VLA、视频模型scaling law催生World Action Model，随着真实世界数据持续积累，有企业认为未来3~5年，期望具身智能行业诞生真正的“原生模型”，而不是简单把语言、视觉、动作拼接在一起的模型。 千寻判断，大模型从爆发到拥有5亿用户用了数年，而具身智能公司，集中成立于2023~2024年，要真正进入规模化阶段，大概率要等到2033年前后。王鹤预计，2028年前后模型通用能力一旦突破关键节点，行业将迎来第一轮出货激增，且主要发生在B端。 “但这并不意味着AGI已经实现，从轮式到全人形、从夹爪到灵巧手，具身智能仍有漫长的技术长坡要走。” 本文来自微信公众号“数智前线”（ID：szqx1991），作者：赵艳秋，编辑：牛慧，36氪经授权发布。