往时的一年，具身智能、东说念主形机器东说念主激发的宽恕有加无已，但喧嚣事后，这一改行的发展也正濒临着难懂的挑战，其中老练具身智能大模子所需要的高质料数据在哪的问题成为脚下行业的一大共同的困扰。

　　日前，上海机器东说念主初创公司智元机器东说念主崇敬开源百万真机数据集AgiBot World使得数据极力问题再次被拿起。智元机器东说念主辩论创举东说念主、首席时代官彭志辉（网名为“稚晖君”）默示，在具身智能范畴，真机数据的网罗本钱和门槛畸形高，这次开源但愿繁多科研团队基于真实数据进行具身智能算法的老练，加速时代翻新和家具应用。但在业内东说念主士看来，“百万条真机数据量”关于行业来说仅仅杯水舆薪，“只可老练一个看成的泛化，比方分拣，对已矣理思情景中的具身智能还远不够。”

　　除了数据极力的困扰除外，已罕有据的范例化亦然一个待解难题。

　　连最基础的数据都极力

　　不同于说话大模子的老练收成于互联网上海量的数据，具身智能“大脑”的老练则需要更多来自物理全国即真实全国动态环境中的交互数据，如何治理物理全国数据匮乏问题，成为脚下东说念主形机器东说念主时代演进路上最大的难题。

　　东说念主形机器东说念主创业企业之一——星河通用的创举东说念主兼CTO、北京大学助理教会王鹤此前在不同场合屡次说起具身智能范畴濒临数据集短缺的难题。王鹤觉得，通用机器东说念主背后的时代一定是具身大模子，要用数据驱动基础机器东说念主大模子，让机器东说念主好像有极高的泛化性和跨行业应用才智。但现存数据量不及以解救通用机器东说念主的发展。

　　泛化性是指模子经过老练后，好像将一项步履应用到生分的应用场景中的才智，在生分场景中能自主识别任务并给与举止。国度所在共建东说念主形机器东说念主翻新中心（以下简称“国地中心”）有关数据负责东说念主在给与倾盆科技采访时默示，行业内关于机器东说念主泛化数据的获取恒久是一浩劫题，现阶段，特斯拉的Optimus仍需要东说念主为长途操作来匡助机器东说念主完成任务，还不具备泛化才智。

　　国度所在共建东说念主形机器东说念主翻新中心具身智能数据看板，倾盆科技记者拍摄。

　　北京航空航天大学机器东说念主筹谋所名誉长处王田苗此前在给与倾盆科技采访时也指出，数据的匮乏让东说念主形机器东说念主很难具备泛化性。面前，机器东说念主任务泛化、感知泛化和畅通操作的三个泛化数据很难获取，比如让机器东说念主叠一稔、骑自行车等这些数据很难题到。

　　王鹤团队从2023年开动探索大限度的奢睿手数据合成和大限度的泛化，2024年合成了10亿限度的数据体量，用于老练机器东说念主的奢睿手。

　　总部位于深圳的一家向具身智能机器东说念主提供基础场景数据和治理决议的创业公司艾欧智能辩论创举东说念主徐良威告诉倾盆科技，经过一年多关于机器东说念主时代旅途的探索发现，“只须通过海量数据老练才好像确凿地通向具身智能”照旧成为行业共鸣，通过仿真数据已矣智能的可能性远远小于使用真实数据。但是，现在具身智能范畴正处在访佛于从GPT-1到GPT-2的过渡阶段，连最基础的物理全国的数据都还十分匮乏。

　　在徐良威看来，关于老练具身智能泛化才智来说，AgiBot World这种百万量级的数据集天然照旧取得明显的零散，但仅仅“杯水舆薪，洒洒水辛苦”，达到理思的效果需要更无数的数据。

　　高质料数据获取网罗本钱过于不菲

　　倾盆科技记者了解到，在具身智能范畴实践中发展出四种具身智能网罗老练数据：第一种是遥操作机器东说念主数据，即需要一位东说念主工数据网罗员戴着遥操作手套，手把手示教，获取真机操作数据。通过这种方式获取的数据质料最高，但本钱不菲。第二种是仿真合成数据，在编造的3D仿真环境里从无到有地蓄积老练数据，这类老练数据以生成数据为主，与真实全国仍有较大相反。第三种是通过东说念主类看成捕捉数据，也称为看成捕捉或看成跟踪数据，是通过传感器、录像头或其他开拓，精准记载和分析东说念主体畅通的时代。这类方式获取的数据质料较高，但通过东说念主类看成捕捉获取的数据，与机器东说念主能否适配仍存在一定相反，需要后期赓续作念构型对皆有关使命。第四种数据开端是通过互联网获取东说念主类看成视频或图像数据。这类方式的特质是能赢得海量数据，但都是单一模态、非结构化且无标注的二维图像或视频信息，质料很差。

　　国地中心数据负责东说念主指出，现在行业内最匮乏的是通过遥操作方式获取的高质料数据，仿真合成类数据获取本钱低，但仍需要弥合仿真与推行全国的差距。但是，遥操作方式获取的数据本钱过于昂然且网罗效劳低，导致行业内很难获取。

　　数据老练员穿上特制的看成捕捉服装老练东说念主形机器东说念主捕捉数据

　　“一台遥操开拓参加约35万元，再加上东说念主工数据网罗员的本钱，每东说念主每天约莫网罗500条数据，东说念主工本钱至少需要300元，即便耐久参加也无法保证得胜。”国地中心数据负责东说念主估算，特斯拉的东说念主形机器东说念主Optimus至少需要数百万小时的数据才能澈底准备好在特斯拉工场使命，这期间可能需要至少5亿好意思元的数据网罗本钱。

　　上述国地中心数据负责东说念主向倾盆科技通晓，即便星河通用专注于强化机器东说念主大脑模子，强调仿真合成数据的使用，但仍濒临一定挑战。“在仿真环境中参数看似正确，但在物理全国中，即使是狭窄的偏差也会导致澈底不同的收尾。比如，东说念主形机器东说念主引申蹲下起身这类看成时，不同机器东说念主可能会有不同推崇，电机参数任何狭窄变化可能会导致机器东说念主出现澈底不同的步履，很难收尾。”

　　由于泛化数据网罗本钱高、获取难度大，国地中心数据负责东说念主通晓，现阶段行业内大部分按照1:9或者1:10的数据比例老练机器东说念主，即一条遥操作机器东说念主数据配以9条或者10条仿真合成数据，但这个比例现在还莫得定论。

　　极力搭伙范例的数据集

　　徐良威觉得，另一个流弊问题是如何已矣高效的数据网罗。天然通过东说念主工操作机器东说念主不错获取高质料的数据，但这种方式的效劳极低。徐良威称，智元对外称一周可网罗50万条数据，笼统一年数据量也不外只可达到千万量级，这对具身智能老练效劳畸形低，难以提速。

　　除了极力高质料数据，徐良威觉得，具身智能数据干事行业内濒临的首要难题是极力搭伙的数据集界说范例。尽管国外有Google这类科技巨头已开源部分数据集，国内也有智元机器东说念主开源百万条真机数据集等，但不同公司绽开的数据集款式能否兼容、能否保抓数据质料的一致性很难说。

　　“北京和上海的开源数据集能否兼容、数据款式是否一致，以及数据托管的方式有哪些不同，这些还有待出台搭伙的数据范例。”徐良威说，现在国内繁多机器东说念主公司正处于“百花皆放”的情景，在数据料理上也各行其是，这导致公司之间相似本钱畸形高。

　　在数据处理上，现在行业内也短缺搭伙的数据处理范例。“不同公司、机构或平台对处理数据的要津不一，机器东说念主淌若要有用期骗这些数据，还需进一步处理。”徐良威说，每个团队或公司可能都需要重新开动处理标注数据，这会阔绰无数时刻和资源，且无法保证老练收尾的通用性。

　　近期，国度所在共建具身智能机器东说念主翻新中心牵头立项的《东说念主工智能具身智能数据网罗范例》工信部行业范例，范例了具身智能数据集网罗的款式，使不同公司网罗的数据不错彼此分享开源，加速模子“显露”，在徐良威看来，对从业者来说无疑是一个积极的信号。

　　2025年会出现更多的数据网罗老练场

　　全国模子的出现似乎给东说念主形机器东说念主带来一些新的但愿。客岁12月，李飞飞的全国模子开启了从数字全国向物理全国的跨越征途，已矣了从一维数字智能向三维空间智能的要紧升沉。2025年1月6日，英伟达创举东说念主兼首席引申官黄仁勋在2025CES（国际迫害类电子家具博览会）期间，推出了涵盖生周全国基础模子的Cosmos全国基础模子平台，旨在加速自动驾驶汽车、机器东说念主等物理AI系统开发。黄仁勋觉得，“机器东说念主的ChatGPT时刻行将到来。与大说话模子一样，全国基础模子关于推动机器东说念主和自动驾驶汽车的开发至关进攻。”

　　徐良威称，这一类全国模子为通用智能提供空间、时刻、物理、语义等各方面的模子表征。表面上来说，一方面，全国模子的得胜使得机器东说念主“分解全国”具备可能性；另一方面，全国模子好像在各维度下生成稳当全国规章的数据，有后劲成为机器东说念主合成数据的新范式。不外，天然全国照旧有一些阶段性的恶果推出，但确凿在机器东说念主上应用，直厚交像生意落地也还需要进一步发展。

　　数据极力在成为业内共鸣的同期，各方也在给与治理决议。2024年8月，特斯拉对外高薪招募“数据网罗员”；2024年12月27日，北京国地共建具身智能机器东说念主翻新数据网罗基地亮相。

　　据了解，从2024年下半年开动，位于上海张江的国度所在共建东说念主形机器东说念主翻新中心也在搭建基于我方平台的数据网罗老练场，现在，老练场的形式搭建使命以及数据网罗机器东说念主开拓也基本到位，2025年揣度打算招聘一些数据网罗员来调和遥操作数据网罗。2025年预期量产机器东说念主的数目会飞腾，随之带来的数据网罗量也会大幅增长，在数据网罗本钱方面也会着落。“今后可能会有一批便携式数据网罗器具出现，这么会进一步诽谤数据网罗本钱。”有关东说念主士通晓。

　　在徐良威看来，北京、上海接踵默示要共建具身智能机器东说念主翻新数据网罗基地和搭建实训、模拟应用场景竖立，中枢价值远不啻数据网罗自身中国(九游会)官方网站，更进攻的是好像靠拢资源、裁汰数据蓄积的时刻，也相应地裁汰了具身智能市集准入时刻。他展望，2025年不同地区会加速竖立数据网罗老练场，以便从0到1的经过中尽快已矣机器东说念主的落地应用，此外数据网罗方式将愈加各样化。