昔时的一年尊龙凯时(中国)官方网站，具身智能、东说念主形机器东说念主激勉的热心日新月异，但喧嚣事后，这一溜业的发展也正面对着沉重的挑战，其中历练具身智能大模子所需要的高质地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隆重开源百万真机数据集AgiBot World使得数据沉重问题再次被拿起。智元机器东说念主联合首创东说念主、首席技巧官彭志辉（网名为“稚晖君”）示意，在具身智能鸿沟，真机数据的收罗资本和门槛额外高，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历练，加速技巧转换和居品应用。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救薪，“只可历练一个算作的泛化，比方分拣，对竣理由思情景中的具身智能还远不够。”

　　除了数据沉重的困扰除外，已少见据的圭臬化亦然一个待解难题。

　　连最基础的数据都沉重

　　不同于话语大模子的历练收货于互联网上海量的数据，具身智能“大脑”的历练则需要更多来自物理寰宇即真实寰宇动态环境中的交互数据，如何处罚物理寰宇数据匮乏问题，成为脚下东说念主形机器东说念主技巧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——星河通用的首创东说念主兼CTO、北京大学助理陶冶王鹤此前在不同场合屡次说起具身智能鸿沟面对数据集短缺的难题。王鹤觉得，通用机器东说念主背后的技巧一定是具身大模子，要用数据驱动基础机器东说念主大模子，让机器东说念主锐利有极高的泛化性和跨行业应用才气。但现存数据量不及以复古通用机器东说念主的发展。

　　泛化性是指模子经过历练后，锐利将一项行为应用到生分的应用场景中的才气，在生分场景中能自主识别任务并继承行为。国度方位共建东说念主形机器东说念主转换中心（以下简称“国地中心”）相关数据负责东说念主在收受滂湃科技采访时示意，行业内关于机器东说念主泛化数据的获取持久是一浩劫题，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，还不具备泛化才气。

　　国度方位共建东说念主形机器东说念主转换中心具身智能数据看板，滂湃科技记者拍摄。

　　北京航空航天大学机器东说念主参谋所名誉长处王田苗此前在收受滂湃科技采访时也指出，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、感知泛化和教导操作的三个泛化数据很难获取，比如让机器东说念主叠衣着、骑自行车等这些数据很周折到。

　　王鹤团队从2023年驱动探索大限度的贤人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，用于历练机器东说念主的贤人手。

　　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处罚决策的创业公司艾欧智能联合首创东说念主徐良威告诉滂湃科技，经过一年多关于机器东说念主技巧旅途的探索发现，“只消通过海量数据历练才锐利真实地通向具身智能”还是成为行业共鸣，通过仿真数据竣事智能的可能性远远小于使用真实数据。但是，当今具身智能鸿沟正处在肖似于从GPT-1到GPT-2的过渡阶段，连最基础的物理寰宇的数据都还十分匮乏。

　　在徐良威看来尊龙凯时(中国)官方网站，关于历练具身智能泛化才气来说，AgiBot World这种百万量级的数据集天然还是取得彰着的跳跃，但仅仅“杯水救薪，洒洒水辛勤”，达到理思的效果需要更多半的数据。

　　高质地数据获取收罗资本过于不菲

　　滂湃科技记者了解到，在具身智能鸿沟实践中发展出四种具身智能收罗历练数据：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收罗员戴着遥操作手套，手把手示教，获取真机操作数据。通过这种形状获取的数据质地最高，但资本不菲。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积蓄历练数据，这类历练数据以生成数据为主，与真实寰宇仍有较大相反。第三种是通过东说念主类算作捕捉数据，也称为算作捕捉或算作跟踪数据，是通过传感器、录像头或其他开发，精准纪录和分析东说念主体教导的技巧。这类形状获取的数据质地较高，但通过东说念主类算作捕捉获取的数据，与机器东说念主能否适配仍存在一定相反，需要后期连续作念构型对都相关使命。第四种数据源头是通过互联网获取东说念主类算作视频或图像数据。这类形状的特质是能得回海量数据，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，质地很差。

　　国地中心数据负责东说念主指出，当今行业内最匮乏的是通过遥操作形状获取的高质地数据，仿真合成类数据获取资本低，但仍需要弥合仿真与试验寰宇的差距。但是，遥操作形状获取的数据资本过于昂然且收罗效力低，导致行业内很难获取。

　　数据历练员穿上特制的算作捕捉服装历练东说念主形机器东说念主捕捉数据

　　“一台遥操开发进入约35万元，再加上东说念主工数据收罗员的资本，每东说念主每天梗概收罗500条数据，东说念主工资本至少需要300元，即便持久进入也无法保证得手。”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都备准备好在特斯拉工场使命，这时期可能需要至少5亿好意思元的数据收罗资本。

　　上述国地中心数据负责东说念主向滂湃科技显现，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，但仍面对一定挑战。“在仿真环境中参数看似正确，但在物理寰宇中，即使是微弱的偏差也会导致都备不同的斥逐。比如，东说念主形机器东说念主奉行蹲下起身这类算作时，不同机器东说念主可能会有不同弘扬，电机参数任何微弱变化可能会导致机器东说念主出现都备不同的行为，很难截止。”

　　由于泛化数据收罗资本高、获取难度大，国地中心数据负责东说念主显现，现阶段行业内大部分按照1:9或者1:10的数据比例历练机器东说念主，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，但这个比例当今还莫得定论。

　　沉重斡旋圭臬的数据集

　　徐良威觉得，另一个要害问题是如何竣事高效的数据收罗。天然通过东说念主工操作机器东说念主不错获取高质地的数据，但这种形状的效力极低。徐良威称，智元对外称一周可收罗50万条数据，轮廓一年数据量也不外只可达到千万量级，这对具身智能历练效力额外低，难以提速。

　　除了沉重高质地数据，徐良威觉得，具身智能数据做事行业内面对的首要难题是沉重斡旋的数据集界说圭臬。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，但不同公司敞开的数据集时事能否兼容、能否保抓数据质地的一致性很难说。

　　“北京和上海的开源数据集能否兼容、数据时事是否一致，以及数据托管的形状有哪些不同，这些还有待出台斡旋的数据圭臬。”徐良威说，当今国内繁多机器东说念主公司正处于“百花都放”的情景，在数据管制上也各行其是，这导致公司之间疏通资本额外高。

　　在数据处理上，当今行业内也穷乏斡旋的数据处理圭臬。“不同公司、机构或平台对处理数据的门径不一，机器东说念主淌若要灵验诓骗这些数据，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驱动处理标注数据，这会虚耗多半时期和资源，且无法保证历练斥逐的通用性。

　　近期，国度方位共建具身智能机器东说念主转换中心牵头立项的《东说念主工智能具身智能数据收罗顺序》工信部行业圭臬，顺序了具身智能数据集收罗的时事，使不同公司收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收罗历练场

　　寰宇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。旧年12月，李飞飞的寰宇模子开启了从数字寰宇向物理寰宇的跨越征途，竣事了从一维数字智能向三维空间智能的要紧改换。2025年1月6日，英伟达首创东说念主兼首席奉行官黄仁勋在2025CES（国际亏空类电子居品博览会）时期，推出了涵盖生成寰宇基础模子的Cosmos寰宇基础模子平台，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。与妄语语模子雷同，寰宇基础模子关于鼓励机器东说念主和自动驾驶汽车的开发至关进犯。”

　　徐良威称，这一类寰宇模子为通用智能提供空间、时期、物理、语义等各方面的模子表征。表面上来说，一方面，寰宇模子的得手使得机器东说念主“交融寰宇”具备可能性；另一方面，寰宇模子锐利在各维度下生成得当寰宇规定的数据，有后劲成为机器东说念主合成数据的新范式。不外，天然寰宇还是有一些阶段性的斥逐推出，但真实在机器东说念主上应用，直至锐利生意落地也还需要进一步发展。

　　数据沉重在成为业内共鸣的同期，各方也在继承处罚决策。2024年8月，特斯拉对外高薪招募“数据收罗员”；2024年12月27日，北京国地共建具身智能机器东说念主转换数据收罗基地亮相。

　　据了解，从2024年下半年驱动，位于上海张江的国度方位共建东说念主形机器东说念主转换中心也在搭建基于我方平台的数据收罗历练场，当今，历练场的场面搭建使命以及数据收罗机器东说念主开发也基本到位，2025年盘算招聘一些数据收罗员来合营遥操作数据收罗。2025年预期量产机器东说念主的数目会高潮，随之带来的数据收罗量也会大幅增长，在数据收罗资本方面也会着落。“今后可能会有一批便携式数据收罗器具出现，这么会进一步贬低数据收罗资本。”相关东说念主士显现。

　　在徐良威看来，北京、上海接踵示意要共建具身智能机器东说念主转换数据收罗基地和搭建实训、模拟应用场景成立，中枢价值远不啻数据收罗自己，更进犯的是锐利纠搭伙源、裁减数据积蓄的时期，也相应地裁减了具身智能商场准入时期。他估计，2025年不同地区会加速成立数据收罗历练场，以便从0到1的流程中尽快竣事机器东说念主的落地应用，此外数据收罗形状将愈加各类化。