来源：财闻

“得大脑者得天下，得数据者得大脑”，智能机器人行业训练机器人大脑正在经历“数据饥渴期”。

财闻近期了解到，北京某头部具身智能企业为了获得家庭场景数据，在和居民协商一致后，带着录像设备，进入北京居民家中采集数据。

据采集人士称，刚开始居民觉得新鲜，很配合，但数据采集效率极低，需要不断重复，后边居民开始“烦了”。

“我们带着团队去北京老旧小区敲门，采到老太太都要报警了。”该人士称，“为了训练机器人在不同环境里干活，得找不同户型、不同楼层、不同年代的房子，80年的、90年的，还有新房子，都得采一遍。”

该人士告诉财闻，数据采集远不是“拍个视频”那么简单。机器人需要多模态数据，摄像头拍的画面、关节转动角度、手指施加的力，必须同步记录。任何一秒的偏差，整段数据作废。

采集只是起点，十万小时的原始视频，经过清洗、标注、重建，真正能用来训练的，可能只剩几千小时。“采集12个小时，清洗出来能用的，超过1.5个小时就谢天谢地了，这已经是行业最高水平。”

而训练一个好的机器人“大脑”，至少需要百万小时级的真实交互数据。目前行业能用的，只有十万小时级，数据缺口超过500万个小时。

缺口之下，行业开始出现数据交易。有人戴着头戴设备在真实环境里采集“异构数据”，7块钱一个小时卖给机器人公司。但不同品牌的硬件构型不同，采集的数据格式也不统一，“数据孤岛”现象严重。

稍早前的8月19—23日，世界机器人大会的论坛上，宇树科技创始人王兴兴判断目前机器人大脑能力时称，“泛化能力不够是最大瓶颈”。此外，银河通用创始人王鹤判断，当前具身基础模型能力大约相当于GPT-2阶段，2028年前后才可能迎来关键突破。

上述人士从实践的经验判断，如果机器人大脑成熟度满分是10分，目前0.5分还不到。他说，要训练出一个好大脑，“没有10亿美金是卷不出来的”，算力、人工、本体，三样都在烧钱，算力尤其棘手。

就家庭场景的机器人而言，拧瓶盖、叠衣服、刷马桶、分拣包裹。机器人要做好任何一个动作，背后都需要海量的“视觉+力觉+触觉”数据去喂养。

当前，整个行业正处在“先建基础设施”的阶段。各家公司在搭建完本体硬件后，几乎都把资源押在了“大脑”训练上，不仅要训练大语言模型那样的认知能力，更要构建物理模型和空间模型，让机器人理解重力、摩擦力、材质软硬、空间方位，

学会在真实物理世界里行动。

行业内，谷歌DeepMind的RT-2系列尝试用互联网规模的视觉语言数据进行“预训练”；

斯坦福大学ALOHA团队靠人手远程操控采集数据，将炒菜、叠衣的每个关节角度和力矩都记录下来。

国内公司也在搭建自己的“数据工厂”，有的自研数据采集手套，有的建仿真环境做“合成数据”，但目前真实数据依然无法被替代。

各家头部公司的路线各有不同。智元机器人在上海自建了数据采集工厂，部署约200台机器人同时作业，2024年底开源了全球首个基于真实场景的百万真机数据集AGIBOT World，其合伙人姚卯青透露今年要产出数百万小时的高质量数据。

宇树科技则走开源路线，今年3月将人形机器人全身遥操作数据集UnifoLM-WBT-Dataset放上Hugging Face，包含340小时、189万条动作轨迹，此前已开源世界模型框架和VLA大模型。

星海图坚持“整机+智能”战略，今年6月发布了VLA基础模型G0.5和双足人形机器人Kengo，完成闭环，是国内最早、最坚定押注真实数据的公司之一。

银河通用走的是“仿真合成数据预训练+真实数据对齐”的路子。智平方押注类脑VLA架构，自研NeuroVLA构建“皮层-小脑-脊髓”三层体系，目前已在惠科等7个以上行业拿下了规模化订单。