机器人数据荒漠：四层金字塔结构与行业路线之争

事件概述

机器人领域面临严重的数据荒漠：大语言模型可直接利用互联网海量数据，但机器人需要的是真实物理世界交互中多传感器信号精确同步的操作轨迹数据，这类数据必须从零开始人工生产。谷歌DeepMind研发RT-1时，13台机器人采集17个月仅积累约13万条操作轨迹；全球最大跨机构开源真机数据集Open X-Embodiment也仅含超100万条轨迹，与现实需求存在数量级差距。

核心信息：四层数据金字塔

行业目前并行四条数据路线，按质量从高到低构成金字塔结构：

第一层：真机遥操数据

操作员通过遥操系统控制机器人在真实场景完成任务，传感器全程录制，是当前机器人落地的核心原材料。智元在上海建有大规模数采工厂，200台机器人配对应采集员，金牌采集员需1个月从零练成，专业遥操员8小时仅产出2-3小时有效数据。智元旗下觅蜂科技2026年真机产能接近200万小时，规划采集约800万小时Human-Centric数据，已建成一站式物理AI数据服务平台。该层优势是精度高、调参成本低，但贵且扩张慢。

第二层：仿真合成数据

在虚拟环境生成数据，单GPU可并行运行成千上万虚拟机器人，规模可无限扩张，还能低成本生成边缘场景失败数据。Sharpa乒乓球机器人仅用40小时纯仿真训练就获得0.2秒级击球反应；其与英伟达合作的Tacmap实现了仿真触觉数据突破。核心缺陷是Sim-to-Real Gap：仿真难以精确建模动力学（接触力传递、软性形变等），机器人在仿真中练成的能力放到真实世界易出错。当前解决方向包括域随机化、优化仿真精度、少量真机微调，但还需科学方法创新。同时存在Real-to-Sim Gap，难以将复杂真实世界精准复刻进虚拟环境。

第三层：动作捕捉数据

通过光学设备追踪人手运动轨迹再映射到机器人，数据运动质量高，能减少无效数据，机器人跳舞、武术等复杂动作多依赖此数据。Physical Intelligence的π0系列也大量使用。核心劣势是Embodiment Gap（具身鸿沟）：人和机器人身体结构不同，存在视觉和状态偏差，且机器人缺乏人手触觉反馈调节能力，仅能做运动学对应，无法实现操作语义匹配，还存在功能重定向问题，被归为低质量数据。

第四层：互联网视频数据

当前唯一不缺的机器人训练原材料，但仅能帮机器人学习通用表征与基础物理认知，缺乏力触觉与动作信号，质量最低。最有价值的两类视频是第一人称视角的Egocentric数据（如苹果EgoDex数据集829小时，觅蜂MEgo系列方案）和Human-Centric数据。特斯拉、Figure AI等押注此路线，Sharpa的CraftNet通过底层触觉反射层补偿，让低质量视频数据也能用于精细操作。

行业方案与路线差异

目前行业没有统一配比，需根据目标适配：特定工业场景提高真机数据占比，通用场景增加低质量数据占比。Sharpa估算复杂任务中遥操数据:动捕数据:互联网视频的轨迹数量比约为1:100:10000，遥操占比仅万分之一，但数据质量比数量更重要。

中国公司（如智元）多选择大规模真机数采工厂路线，依托人力成本效率打造护城河。硅谷公司走不同捷径：Physical Intelligence走真实部署强化学习自我进化路线，让机器人在真实场景试错产生数据，但存在奖励函数难定义、试错成本高、数据归属模糊等问题；Figure AI与Brookfield合作在真实空间采集人类视频训练模型，目标打造全球最大多样化人形预训练数据集；Sunday Robotics走众包路线，付费请普通人录制做家务视频。

值得关注

智元2024年开源百万条遥操数据做成AgiBot World数据集，解决了行业缺乏公共基准数据集的问题，英伟达GROOT N1的80%真实训练数据来自该数据集，开源已形成正向生态。行业普遍认为机器人将形成数据飞轮：模型部署后，在用户许可下采集失败等高价值数据回流训练。目前智元已标配该机制，回流高价值数据占比约5%以内。仍待验证的核心问题是具身智能的Scaling Law是否成立，当前仅实现物体与环境泛化，尚未实现任务级泛化，需等机器人大规模部署后才有答案。