机器人企业争夺真实世界数据：采到动作之后，怎样让机器学会

教机器人拿起一只杯子，可以让人遥控机械臂反复示范。但如果还要它整理货架、搬运箱子、处理柔软线缆，就需要更多物品、环境和动作经验。每新增一种情况都重新采集和训练，成本会迅速累积。

随着企业尝试让机器人承担更多任务，数据生产正在成为一项独立而重要的工程。路透社近日报道，中国具身智能企业正在使用人工示范、穿戴式传感器和仿真等方式收集操作经验，不同路线尚未形成明确的统一答案。

真机数据直接，但采集规模受到设备约束

遥操作能够直接记录机器人看到什么、关节如何运动以及动作结果，与目标设备的对应关系较清楚。困难在于，采集过程需要机器人、操作者和场景同时配合。

设备故障、复位和场景准备都会占用时间。一次动作失败后，还需要判断失败本身是否值得保留、如何标注，以及是否暴露了训练数据中缺少的情况。

从业务逻辑看，数据价值因此不能只按小时计算。大量重复的成功动作，可能无法解决模型对少见物品或异常状态的适应问题；更有用的记录，有时来自系统最容易出错的环节。

人类示范更容易扩展，却需要跨过身体差异

另一条路线是让人佩戴设备，在真实环境中完成操作，再把视频、动作和触觉信息加工成训练信号。这可以减少对机器人真机数量的依赖，也更容易进入家庭和日常工作场景。

简智机器人公开的Gen-HumanEgo提供了一个例子。公司通过多路摄像头采集人类第一视角示范，再提取三维手部运动、深度和任务语义，并将不同信号进行时空对齐。官方数据处理说明

这些加工步骤解决的是“动作怎样被表示”。但人手与机械手不同，人的活动范围也不等于机器人的可达范围，数据仍需要进行适配。

学术研究同样在处理这一差距。H2R方法先估计人类手部姿态，再把运动映射到仿真机械臂，并在画面中替换为机器人形态，用于减轻人类视频与机器人视觉输入之间的差异。H2R研究论文

这说明，真实场景数据成为训练材料之前，往往还要经历重建、转换和质量检查。

仿真可以增加变化，真机验证仍要保留

仿真能够系统性调整物品位置、光照和任务组合，也允许模型在较低现实风险下反复尝试。它适合扩大训练覆盖范围，但能否正确模拟摩擦、柔性材料和复杂接触，会影响策略迁移。

因此，企业面对的选择通常是如何组合数据。人类示范扩大场景范围，真机记录提供设备直接经验，仿真增加可控制的变化，再通过真实任务评测判断哪些数据真正有效。

竞争力来自数据与模型之间的反馈

一套有用的数据体系，需要知道模型在哪里失败，再决定补采什么，并验证补充数据是否改善表现。否则，采集规模扩大可能只增加存储和处理成本。

这也改变了数据供应商的交付要求。客户需要的不只是文件，还包括一致的数据格式、可追溯的采集条件、质量说明，以及与训练和评测流程的连接。

目前，真实世界数据仍缺少统一的有效性衡量方法。对机器人企业而言，更重要的能力是把数据与具体任务表现关联起来：同一批样本是否减少了接管次数，是否帮助模型适应新物品，是否让此前失败的操作变得稳定。只有这些结果能够持续出现，数据投入才会转化为机器人可用能力的积累。