衡宇 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

現(xiàn)在，一部手機，加一個“夾爪”，就能隨時隨地完成具身智能數(shù)據(jù)采集了！

采出來的數(shù)據(jù)不臟也不廢，已經(jīng)在實際模型訓練中跑出了效果。

模型在多步連續(xù)任務中動作銜接更穩(wěn)定；

在真實場景中面對光照變化、環(huán)境雜亂、物體遮擋時也更不容易失手，執(zhí)行魯棒性顯著提升；

而當任務發(fā)生小幅變化，比如同類但不同順序的操作目標出現(xiàn)時，模型也更容易舉一反三，做出合理應對。

這套采集系統(tǒng)，模型效果是純純地全肯定。

這套可搭載手機的數(shù)采終端及其配套應用程序，名叫RoboPocket，來自具身智能創(chuàng)企穹徹智能。

它是新興采集設備UMI（Universal Manipulation Interface）的進階狀態(tài)。

和傳統(tǒng)UMI方案相比，RoboPocket保持便攜易用的基礎上，更加輕盈：手機+夾爪即是一個節(jié)點。

如此一來，每個人——哪怕是普通人，都可以從口袋里掏出RoboPocket，隨時隨地采集具身數(shù)據(jù)。

但這還算不上它最出彩的地方。

最妙的是，RoboPocket把模型需求前置到采集一線，讓你隨時接入模型的訓練閉環(huán)。

采集行為發(fā)生時，系統(tǒng)會同步判斷每一段數(shù)據(jù)的訓練價值，并即時給出反饋與引導，盡量讓采集行為本身就朝著模型真正需要的方向收斂。

每一次采集都直接服務于模型進化，浪費不了一點。

在數(shù)據(jù)還在生成的過程中，就對其完成了價值篩選。

最終采來交付給模型的數(shù)據(jù)從采集源頭就來得更加清晰，更加準確，對模型也更有用。

具身模型想scale up，卡在數(shù)據(jù)哪一步？

在具身智能領域，數(shù)據(jù)的重要性幾乎是共識性的。

具身模型們嗷嗷待哺，等待大量高質(zhì)量、多樣性的具身數(shù)據(jù)的投喂。

從2023年起，許多團隊投入大量資源建設數(shù)采廠，希望通過規(guī)模化生產(chǎn)來支撐模型訓練。

實踐很快暴露出一個現(xiàn)實問題，數(shù)采流水線建起來了，數(shù)據(jù)量上來了，模型能力卻并沒有穩(wěn)定持續(xù)地提升。

原因并不神秘。

數(shù)采廠依賴的是預設場景和標準化流程，這種方式在工業(yè)數(shù)據(jù)中行之有效，但在具身智能里，很難覆蓋真實世界中大量非標準、非重復的操作情境。

動作容易趨于模式化，任務分布集中，環(huán)境變化有限，數(shù)據(jù)之間高度相似，訓練收益很快出現(xiàn)邊際遞減。

有相關(guān)從業(yè)人員告訴我們，現(xiàn)在的具身數(shù)據(jù)一天比一天多了，結(jié)果訓練效率出現(xiàn)不升反降情況。

而具身模型真正需要的，恰恰是那些發(fā)生在真實環(huán)境中的、不那么規(guī)整的操作過程。

這也是UMI出現(xiàn)的背景。

UMI輕量便攜，更易使用，一方面減少了數(shù)采成本，更重要的是開始讓具身數(shù)據(jù)采集擺脫了固定場地的限制。

任何人，可以在室內(nèi)和戶外的任何真實世界場景里自然完成操作。

如此一來，采集的數(shù)據(jù)也是貼近現(xiàn)實分布的。這就彌補了數(shù)采廠和真實世界存在gap的問題。

但當UMI開始被業(yè)界認可和逐漸大規(guī)模使用后，新的問題也隨之顯現(xiàn)。

在真實場景中，采集更自由了，但質(zhì)量控制隨之變難了。

動作是否有效？軌跡是否合理？采集節(jié)奏是否適合訓練？這些問題往往只有數(shù)據(jù)回傳清洗，開始拿來訓模型的后處理階段才能發(fā)現(xiàn)。

大量低價值數(shù)據(jù)被一路送進管線，清洗與返工成本迅速抬升，訓練周期被不斷拉長。

所以關(guān)于UMI的“不可能三角”被抬到了臺前——

采集質(zhì)量、使用便捷性與后處理壓力三者難以同時優(yōu)化。

如果追求采集質(zhì)量，就往往要犧牲便攜性；如果降低門檻提高便攜性，比如像傳統(tǒng)UMI僅靠腕部模組或“人-夾爪”采集，就又很難保證數(shù)據(jù)的可用性；如果希望用后處理階段兜底，就意味著要承受高昂的清洗、篩選與修復成本，訓練閉環(huán)被迫拉長。

現(xiàn)有的UMI方案并沒有解決“采得的數(shù)據(jù)能不能用”這個問題——這一點恰恰對模型訓練至關(guān)重要。

于是，穹徹團隊決定回到問題的原點，重新出發(fā)。

他們從第一性原理出發(fā)，提出一個關(guān)鍵設想。

• 如果模型訓練最終還是要根據(jù)數(shù)據(jù)結(jié)構(gòu)做判斷與篩選，那么為什么這件事不能在數(shù)據(jù)采集階段就發(fā)生？

這個問題其實是行業(yè)遲遲沒直面解決的。因為一旦著手解決，就意味著采集邏輯、平臺架構(gòu)、成本結(jié)構(gòu)、人才組織……都得變。

而RoboPocket第一次把它變成了現(xiàn)實。

內(nèi)置一套實時運行的“數(shù)據(jù)價值中樞系統(tǒng)”

相比于過往的UMI設備，RoboPocket的關(guān)鍵改變集中體現(xiàn)在采集目標本身的定義上。

傳統(tǒng)UMI的普遍默認采集目標是“記錄人類操作行為”。

也就是通過腕部模組、夾爪、軌跡重建等方式，盡可能完整地還原人類執(zhí)行任務的過程。

在訓練初期，這確實能為模型提供基本行為模板。

但隨著模型走向更高維度、更長時序、更復雜場景，記錄動作本身已不足以滿足訓練所需。

RoboPocket開始嘗試把采集的目標轉(zhuǎn)向模型的能力缺口。

模型還不會的，才是最值得采的數(shù)據(jù)。

基于這個理念，RoboPocket系統(tǒng)內(nèi)置了一套實時運行的“數(shù)據(jù)價值中樞系統(tǒng)”。

這套系統(tǒng)不再等數(shù)據(jù)采完后才去篩選、分類、評估，而是在采集發(fā)生的當下，就開始實時進行判斷。

不難想象，一旦沒有模型視角，采集很容易在堆量的過程中滑向重復、失真和低價值。

只有知道模型此刻真正需要什么樣的數(shù)據(jù)，才有能力搭建好這個中樞系統(tǒng)。

穹徹和上交大盧策吾團隊敢攬這個瓷器活，人家是真有公認的金剛鉆。

團隊長期從事具身模型訓練與數(shù)據(jù)閉環(huán)研究，既懂單點采集工具（此前推出過多款具身數(shù)據(jù)采集硬件），也懂圍繞具身模型訓練、評估與數(shù)據(jù)回流的完整閉環(huán)研究。

他們最清楚哪些軌跡會變成有效訓練信號，哪些看起來熱鬧但只會拖慢訓練，也更清楚模型在不同任務維度上的短板通常出在哪里，應該用什么樣的樣本去補。

這種能力依賴的不只是工程實現(xiàn)，而是對模型的長期理解與持續(xù)驗證，所以很難被復制。

采集數(shù)據(jù)的過程中，RoboPocket同時在推進并完成三件事——

第一是實時評估。

在每一幀數(shù)據(jù)生成時，系統(tǒng)都會判斷采集到的數(shù)據(jù)是否具備有效的訓練信號，比如操作是否完整、動作是否在預期軌跡內(nèi)、場景是否具備信息量。

第二是即時引導。

如果系統(tǒng)檢測到采集者的操作可能低效或錯誤，比如動作過快、夾爪超出操作區(qū)域、多樣性不足等，就會實時發(fā)出提醒，引導采集者進行調(diào)整，避免采到低價值甚至廢棄的數(shù)據(jù)。

第三是動態(tài)調(diào)度。

這一環(huán)節(jié)則直接接入當前模型的能力評估結(jié)果。

系統(tǒng)會根據(jù)模型在不同任務維度上的表現(xiàn)，識別出當前訓練最需要補齊的樣本類型，并實時分發(fā)相應的高優(yōu)先級采集任務給采集者。

說句更好理解的話，RoboPocket就是個24小時stand by的數(shù)據(jù)采集主理人。

它即時診斷每一幀數(shù)據(jù)的質(zhì)量，智能指導甚至糾正采集員動作，實時互動動態(tài)評估數(shù)據(jù)價值，為后處理提供篩選依據(jù)。

這樣一來，在采集階段，數(shù)據(jù)就和訓練目標保持貼合，顯著減少冗余，訓練信號更加集中。

穹徹團隊介紹，RoboPocket采集的數(shù)據(jù)在訓練中展現(xiàn)出顯著優(yōu)勢。

尤其是在開放復雜環(huán)境中的多步驟任務中，模型執(zhí)行的穩(wěn)定性更強，不容易因光照變化、背景變化或任務干擾而出錯，準確識別每一步的上下文意圖，在不確定情境下仍保持清晰的目標推進邏輯。

無論是精準完成零食分揀裝袋，還是毛巾折疊整理，模型可以保持穩(wěn)定、高效的協(xié)同作業(yè)，展現(xiàn)了卓越的雙臂協(xié)同與長序列操作能力。

此外，在環(huán)境復雜度提升、干擾增多的場景下，也能維持較高的成功率和一致性。

這顯現(xiàn)出一個重要趨勢：

得益于采集過程更貼近真實任務，采集體系增強了訓練匹配能力，模型開始從“能夠粗糙地完成任務”向“能在非理想條件下可靠完成任務”演進。

而數(shù)據(jù)采集開始成為面向模型能力補齊的持續(xù)行為，這讓數(shù)據(jù)采集開始具備閉環(huán)屬性。

一旦采集與模型訓練形成聯(lián)動，整個數(shù)據(jù)系統(tǒng)的運行效率將得到顯著提升。

從堆量走向邊采邊篩，數(shù)據(jù)采集的分水嶺來了

如果放進更長的時間尺度來看，RoboPocket就不能視為一次孤立的產(chǎn)品更新。

機器人學習的發(fā)展，本質(zhì)上是一部數(shù)據(jù)采集方式不斷演進的歷史。

最初，機器人只能在實驗室中完成標準任務，數(shù)據(jù)由少數(shù)研究人員在封閉環(huán)境中錄制。

隨著具身智能的發(fā)展，數(shù)據(jù)開始走向規(guī)?；杉瘓?/strong>，遙操作與人機協(xié)作帶來大規(guī)模機器人數(shù)據(jù)。

2023年，穹徹智能聯(lián)合上海交通大學盧策吾團隊共同發(fā)布RH20T，機器人操作數(shù)據(jù)在中國首次實現(xiàn)系統(tǒng)性的規(guī)模化采集。但截至這一時期，機器人數(shù)據(jù)采集依然主要依賴預設場景。

2024年，斯坦福大學推出的UMI讓采集設備更加輕量和簡單，數(shù)據(jù)采集開始轉(zhuǎn)向“自然發(fā)生”。

2025年，穹徹智能推出CoMiner伴隨式數(shù)據(jù)采集系統(tǒng)，機器人開始走出采集場，進入真實世界，在開放環(huán)境中獲取更加多樣、復雜的操作數(shù)據(jù)。

梳理這個過程可以看到，具身數(shù)據(jù)一步步走出搭建的實驗場景，愈來愈貼近現(xiàn)實。

2026年，RoboPocket的出現(xiàn)，將機器人數(shù)據(jù)采集，從特定場所與專業(yè)系統(tǒng)徹底釋放到整個社會中。

手機成為節(jié)點，每個普通人可以參與采集。

無可否認，這是一次采集范式從“專業(yè)體系”走向“社會化網(wǎng)絡”的轉(zhuǎn)變。

當然啦，采什么、怎么采、優(yōu)先級如何，這些都不是由人隨意決定的。

這時候，前端連接真實世界的分散場景，后端連接任務庫、模型訓練與評估系統(tǒng)的RoboPocket，就起到了數(shù)據(jù)入口與調(diào)度中樞的雙角色作用。

正因為有這套持續(xù)在線的判斷與調(diào)度機制，數(shù)據(jù)采集才第一次具備了真正社會化的前提條件。

數(shù)采員可以是每一個普通人，但采集行為始終根據(jù)模型需求由數(shù)據(jù)中樞系統(tǒng)統(tǒng)一牽引調(diào)度。

長期來看，會推動具身數(shù)據(jù)從工具競爭邁向體系競爭。

誰的數(shù)據(jù)采集流程更早地接入模型反饋、誰的任務設計天然適配訓練目標，誰就能更快積累泛化能力與落地魯棒性。

行業(yè)普遍認為具身智能還在上半場，期待著這個領域和大模型一樣，能夠用暴力美學帶來能力涌現(xiàn)。

所有人都在往具身模型里扔更多數(shù)據(jù)，但真正贏的人，一定率先解決了其它更深層次的問題。

既然如此，對想要持續(xù)scale up的具身智能行業(yè)來說，數(shù)據(jù)采集從源頭就對齊目標就是一場遲早會發(fā)生的機制變動。

因為未來模型之間的差距，很可能就源于數(shù)據(jù)閉環(huán)的建設深度。