作者 | 鄭敏芳 編輯 | 松壑

一場關(guān)于具身智能的“數(shù)據(jù)暗戰(zhàn)”正在悄然打響。

今年 1 月，湖北人形機(jī)器人創(chuàng)新中心向智元機(jī)器人交付了數(shù)千小時(shí)的訓(xùn)練數(shù)據(jù)，完成了國內(nèi)首例定制化人形機(jī)器人數(shù)據(jù)交易。

行業(yè)巨頭方面，京東日前喊出了建成全球規(guī)模最大、場景最全的具身智能數(shù)據(jù)采集中心的口號，計(jì)劃動員超10萬內(nèi)部員工及最多50萬外部人員，開啟一場史無前例的“人海戰(zhàn)術(shù)”。

視線轉(zhuǎn)向海外，韓國機(jī)器人公司 Robotis 于今年 1 月在烏茲別克斯坦設(shè)立子公司，計(jì)劃在一塊 11 萬平方米的土地上建起一座巨大的“數(shù)據(jù)工廠”，用于收集機(jī)器人行為數(shù)據(jù)。

按小時(shí)計(jì)費(fèi)的定制化交易、數(shù)十萬人的大動員、遠(yuǎn)赴中亞建廠，這一系列舉措都折射出整個(gè)具身智能行業(yè)沉重的“數(shù)據(jù)焦慮”。

與在互聯(lián)網(wǎng)語料中成長的大語言模型不同，具身智能需要理解世界并與真實(shí)世界進(jìn)行交互，這對數(shù)據(jù)的真實(shí)性、模態(tài)等都提出了更高的要求。

這也是原力靈機(jī)創(chuàng)始人兼CEO唐文斌當(dāng)下正在攻堅(jiān)的難題之一。

回溯履歷，唐文斌更為人熟知的身份是上一波AI浪潮中明星獨(dú)角獸曠視科技的聯(lián)合創(chuàng)始人兼CTO。

成立僅一年的原力靈機(jī)已經(jīng)悄然吸金超10億元，拿下了阿里、蔚來、君聯(lián)、啟明等頭部機(jī)構(gòu)的投資。

目前原力靈機(jī)已發(fā)布旗下首個(gè)具身原生大模型 DM0，并與華勤技術(shù)達(dá)成戰(zhàn)略合作，實(shí)現(xiàn)數(shù)據(jù)采集機(jī)器人 DOS?W1 的量產(chǎn)交付。

在經(jīng)歷了上一波AI落地的洗禮后，唐文斌對行業(yè)有了更多的敬畏之心。

在日前與華爾街見聞·全天候科技的對話中，唐文斌分享了原力靈機(jī)的數(shù)據(jù)采集思路：不依賴單一來源，而是以“質(zhì)量?數(shù)量?多樣性”的組合方式實(shí)施分布式采集，以此填滿機(jī)器人的能力空間。

對于通過世界模型生成數(shù)據(jù)，讓機(jī)器人能夠模仿學(xué)習(xí)的路線，唐文斌認(rèn)為這條路難以走通，他指出更為可行的范式是將世界模型與VLA（視覺-語言-動作）模型相統(tǒng)一。即不僅能預(yù)測未來世界，還能據(jù)此反推出所需的精準(zhǔn)動作。

當(dāng)行業(yè)玩家們正以各自的方式瘋狂“囤積”數(shù)據(jù)糧草時(shí)，究竟哪種路線才能“笑到最后”，市場正在拭目以待。

以下是對話實(shí)錄。

一

詳細(xì)數(shù)據(jù)采集

全天候科技：能否分享你們的數(shù)據(jù)采集思路？

唐文斌：目前我們還是模仿加強(qiáng)化學(xué)習(xí)的方式。

模仿涉及數(shù)據(jù)分布的模擬。我們的目標(biāo)是讓數(shù)據(jù)盡可能地填滿機(jī)器人的能力空間，見過足夠多的東西。核心在于識別未見過場景的處理能力，數(shù)據(jù)的價(jià)值便在于此，所以我們的數(shù)據(jù)采集是圍繞開放環(huán)境和實(shí)際場景展開。

但我們會希望數(shù)據(jù)保持高質(zhì)量的同時(shí)，還能夠盡可能的填滿這個(gè)空間，所以我覺得數(shù)據(jù)是一個(gè)“質(zhì)量?數(shù)量?多樣性”的組合問題。

全天候科技：那數(shù)據(jù)如何進(jìn)行采集？

唐文斌：其實(shí)我們并不依賴某一種數(shù)據(jù)來源，這樣做也沒必要，基本上是一個(gè)組合模式。真機(jī)數(shù)據(jù)方面，主要通過各種經(jīng)過校準(zhǔn)的傳感器進(jìn)行采集，具體包括類似外骨骼等，但確實(shí)采集成本會比較高。

同時(shí)，我們也會通過無本體和第一人稱視角收集數(shù)據(jù)，形成更大規(guī)模的數(shù)據(jù)集，這其實(shí)就是介于真機(jī)和合成數(shù)據(jù)的中間派了。

除此之外，還有采集成本更低的互聯(lián)網(wǎng)數(shù)據(jù)。

全天候科技：能否具體解釋無本體采集？

唐文斌：無本體的意思就是說它可能是一個(gè)手套或手持夾爪，沒有機(jī)械臂、機(jī)器人的身體，所以相當(dāng)于就只是用了一個(gè)末端裝置。我記錄了這個(gè)末端裝置的大致位置和狀態(tài)，目前這種數(shù)據(jù)采集方式也被稱為UMI。

今天，我們討論的第一人稱視角數(shù)據(jù)也很多，例如通過眼鏡拍攝操作過程，這也是一種無本體的采集方式。

全天候科技：每個(gè)人的AI眼鏡數(shù)據(jù)都具有隱私性，應(yīng)該沒有人愿意公開自己眼鏡的數(shù)據(jù)供采集。你們怎么解決這個(gè)問題？

唐文斌：確實(shí)，如果我作為眼鏡的用戶，我也不想把我的數(shù)據(jù)分享給大家。但是訓(xùn)練的話，我們可以請一些第三方的數(shù)據(jù)采集員，通過日常佩戴眼鏡記錄工作流程，然后數(shù)據(jù)也會被記下來。

當(dāng)然，我們也希望眼鏡本身的功能可以更加強(qiáng)大，比如有立體視覺、多目的能力。同時(shí)我們未來可能還會增加手環(huán)、手套的裝置用于采集數(shù)據(jù)。

所以整體來看我們采集的對象是多樣化的。第一類是機(jī)器人本身，可以遙控操作；第二類是類似于夾爪等的無本體，即“人的身體+機(jī)器人末端”的裝置；第三類是完全針對人體的采集；第四類則是對物理世界的描述。

全天候科技：例如在末端傳感器中，主要采集的是力的數(shù)據(jù)嗎？

唐文斌 ：不只是力度，我們還是希望數(shù)據(jù)是多模態(tài)的，比如包括增加視角。

實(shí)操方面，因?yàn)槭直劭赡軙趽醪糠謹(jǐn)?shù)據(jù)，我們可以眼睛部位裝配一個(gè)相機(jī)，兩個(gè)手腕上也可能各有兩個(gè)相機(jī)，形成多視角的數(shù)據(jù)。

全天候科技：這種采集成本會很高嗎？

唐文斌：這其實(shí)就是一個(gè)數(shù)據(jù)質(zhì)量、數(shù)量和多樣性的復(fù)雜問題。如果需要采集所有模塊的數(shù)據(jù)，成本將變得非常高昂。所以我們采用分布式的采集策略，有些數(shù)據(jù)我們會盡可能地保證其完整性，而有些數(shù)據(jù)為了降低成本、增加數(shù)量和提高速度，可能就不再那么注重完整性。

這是一個(gè)權(quán)衡的問題，我們擁有自己的采集工具，并且廣泛地與其他行業(yè)合作。

全天候科技：今年2月你們跟華勤技術(shù)合作推出了數(shù)據(jù)采集機(jī)器人，能否分享這款機(jī)器人的情況？

唐文斌：這款機(jī)器人主要是用在科研的場景，有點(diǎn)類似于ALOHA機(jī)器人的形態(tài)，同行也有在做這個(gè)。（注：ALOHA代表"A Low-cost Open-source Hardware system for bimanual teleOperation"，是一種用于雙手遠(yuǎn)程操作的低成本開源硬件系統(tǒng)）

但是目前市場的數(shù)據(jù)采集機(jī)器人存在兩大痛點(diǎn)，

一方面是可靠性，產(chǎn)品表現(xiàn)確實(shí)不盡如人意，例如頻繁故障會對科研工作產(chǎn)生負(fù)面影響，降低工作效率。

我們目前也無法確保產(chǎn)品的長時(shí)間穩(wěn)定性，所以我們的改進(jìn)點(diǎn)是簡化了修理過程，設(shè)計(jì)了模塊化可拆卸的產(chǎn)品結(jié)構(gòu)。一旦某個(gè)部件損壞，用戶可以快速更換。例如很多地方的連接處都不是螺絲，是那種旋鈕，所以可能30秒就能修好了；

另一方面是成本仍然比較高，所以我們通過與華勤的合作設(shè)計(jì)了一款類似ALOHA的產(chǎn)品，支持主從、拖拽式操作。最核心就是修得快，價(jià)格便宜。（注：主從是指人通過操控主臂，實(shí)現(xiàn)對從臂的實(shí)時(shí)遠(yuǎn)程控制，動作零延遲復(fù)刻，以此實(shí)現(xiàn)實(shí)現(xiàn)低成本、高精度的雙臂精細(xì)操作數(shù)據(jù)的采集。）

全天候科技：同行買過這個(gè)機(jī)器人去采集數(shù)據(jù)嗎？

唐文斌 ：是的，其實(shí)行業(yè)的痛點(diǎn)還是比較一致的，所以其實(shí)大家都會買同行的產(chǎn)品回去搭配一起使用。

二

世界模型路線走不通

全天候科技：能不能聊一聊對世界模型和VLA的看法？

唐文斌：這里要區(qū)分兩點(diǎn)，就是理解世界和生成世界是不一樣的。

我們今天討論的大模型能力，大家普遍關(guān)注的是它們理解世界的能力。世界模型實(shí)際上是在嘗試預(yù)測未來，即預(yù)測下一幀可能會是什么樣子的，而VLA的實(shí)質(zhì)是與世界交互。

這些模型具有共通性，但又能夠從不同的角度解決問題。

我們覺得最佳的策略是相結(jié)合。只有這樣，我們才能真正理解并生成內(nèi)容，理解和與世界交互。

理論上來說，如果能夠預(yù)測未來世界，我們便能夠反向推斷出我們應(yīng)該如何操作。而如果我們知道如何操作，那說明我們是能夠預(yù)測未來的發(fā)展。

所以我們現(xiàn)在的技術(shù)框架里世界模型跟VLA是統(tǒng)一的，就是我們希望一個(gè)模型既能夠理解這個(gè)世界，同時(shí)又能預(yù)測后續(xù)。

如此一來，模型不僅能執(zhí)行動作，還能預(yù)測執(zhí)行該動作后世界將如何變化。

全天候科技 ：行業(yè)的技術(shù)框架是否和你們不同？

唐文斌：確實(shí)，目前一些公司主張僅使用世界模型。有觀點(diǎn)是認(rèn)為通過世界模型生成數(shù)據(jù)，讓機(jī)器人能夠模仿學(xué)習(xí)，這樣就產(chǎn)生了一個(gè)無限的數(shù)據(jù)源。

但我自己覺得這條路是走不通的，因?yàn)槿绻澜缒Ｐ鸵呀?jīng)實(shí)現(xiàn)了，那生成的問題就已經(jīng)解決了，大家也不需要通過生成的數(shù)據(jù)再去訓(xùn)練機(jī)器人了。

那另外一條路就是我們和很多同行會去做的，就是通過預(yù)測未來世界模型，然后根據(jù)這個(gè)模型反推出所需的動作，這種方法涉及到先預(yù)測未來的場景或世界狀態(tài)，再計(jì)算出相應(yīng)的動作序列，這種范式其實(shí)就是我剛才講的相結(jié)合統(tǒng)一的模型框架。

全天候科技 ：從場景上來說，由于當(dāng)前工廠的產(chǎn)線自動化程度很高，機(jī)器人進(jìn)廠打工會不會沒有用武之地？

唐文斌 ：確實(shí)當(dāng)前工廠的自動化解決方案已經(jīng)相當(dāng)成熟。但我們想去解決的是原來解決不了的問題，或者是原來解決起來成本很高的問題。

但其實(shí)大家看到的很多自動化產(chǎn)線對泛化性要求是沒有那么高的，即不需要對象、環(huán)境和任務(wù)的泛化。例如可能SKU就幾個(gè)，光照等外部環(huán)境條件已經(jīng)過調(diào)節(jié)。

那當(dāng)前解決不了的問題其實(shí)是對象多樣化，環(huán)境也隨時(shí)在變化，甚至可能會有很多不同的任務(wù)。

以物流場景為例，現(xiàn)在大家的機(jī)器人做的主要是搬運(yùn)工作，但是沒有做好手上的操作，因?yàn)檫@對泛化性的要求很高。

例如你購買了一瓶可樂和一包薯片，操作員就會把可樂和薯片分別包裝好。由于商品種類繁多且環(huán)境條件不斷變化，這個(gè)其實(shí)就很難用自動化設(shè)備解決。

還有包裝的場景，以瓶裝沐浴露為例，我們收到產(chǎn)品時(shí)會發(fā)現(xiàn)瓶口部纏一圈塑料膜，這是為了防止沐浴露泄露。

實(shí)際操作過程中，目前通常是操作人員基于經(jīng)驗(yàn)，纏上保鮮膜再放入泡沫袋中，并在封口貼上標(biāo)簽，這就沒辦法通過自動化設(shè)備來完成。

我們現(xiàn)在主要是在物流、工業(yè)上有做一些嘗試。

全天候科技：你們是傾向于在特定場景進(jìn)行集中開發(fā)，還是想在多個(gè)場景同時(shí)鋪開？

唐文斌：這個(gè)要分兩頭講，觀察大模型的發(fā)展，尤其是當(dāng)前最新的進(jìn)展，可以發(fā)現(xiàn)一個(gè)共同的趨勢。如果我們現(xiàn)在只構(gòu)建了一個(gè)垂直領(lǐng)域的模型，它是無法達(dá)到真正有泛化能力的模型，這是行不通的。

因此，從模型的角度來看，我們必須堅(jiān)定地追求泛化性，追求更加通用的技術(shù)能力。

但從應(yīng)用場景落地的角度來看，我們確實(shí)得一個(gè)一個(gè)場景去落地，逐一實(shí)現(xiàn)。

所以我們內(nèi)部經(jīng)常強(qiáng)調(diào)產(chǎn)品落地有兩點(diǎn)核心，首先，我們的解決方案必須能夠形成閉環(huán)，即解決客戶業(yè)務(wù)中的所有問題和異常情況，滿足所有流程需求。其次，我們需確保成本可控，讓客戶覺得合作劃算。

只有在滿足這兩個(gè)前提條件時(shí)，客戶才可能考慮規(guī)?；瘧?yīng)用我們的產(chǎn)品。

所以我們每實(shí)施一個(gè)場景，都必須清晰地理解客戶價(jià)值，并確保這兩個(gè)要點(diǎn)都能得以實(shí)現(xiàn)。這是一個(gè)逐年下單的過程。

我們內(nèi)部把這個(gè)過程描述為模型發(fā)展與應(yīng)用落地之間的關(guān)系，它們之間存在45度夾角，即它們相關(guān)但并不絕對相關(guān)。

當(dāng)然，我們的模型需要朝著那個(gè)通用方向發(fā)展。

三

對場景要有敬畏之心

全天候科技 ：所以你們是主張通用機(jī)器人的路線嗎？

唐文斌：我個(gè)人認(rèn)為模型具有通用性，但硬件很難實(shí)現(xiàn)。

其實(shí)我們的雙手非常靈活，一只可以執(zhí)行精細(xì)操作，同時(shí)也能舉起20斤的重物，甚至更厲害還能舉起50斤的重物。

但是受到物理學(xué)和材料學(xué)的限制，能夠舉起2公斤商品的機(jī)械臂和能舉起20公斤重物的機(jī)械臂肯定不同，因?yàn)樗鼈兊墓β拭芏炔煌?/p>

所以我們認(rèn)為如果你采用一個(gè)通用的設(shè)計(jì)并應(yīng)用到具體場景中，很容易發(fā)現(xiàn)這是欠設(shè)計(jì)或者過設(shè)計(jì)。

欠設(shè)計(jì)就是可能重量限制無法通過，或者是傳感器的安裝空間過于狹窄，導(dǎo)致無法解決問題；可能恰好能搞定，但這可能過度設(shè)計(jì)了，價(jià)格就會變得很高。

以輪式雙臂為例，當(dāng)重心較高時(shí)，它跑得更快。但一旦速度起來，它就很難停下來，否則就會摔倒。

這時(shí)我們可能會發(fā)現(xiàn)，在某些場景中，靜止不動可能是一個(gè)更優(yōu)的選擇，讓移動的車輛將物品送過來。

因此，可能在這些場合會存在過度設(shè)計(jì)的問題。

我們的內(nèi)部邏輯是讓模型具有通用性，并且能夠適應(yīng)不同的硬件平臺。

全天候科技 ：所以現(xiàn)在投資人比較看重你們的能力是模型？

唐文斌：對，我們團(tuán)隊(duì)的獨(dú)特之處在于不僅從事機(jī)器人場景的研發(fā)，而且深入理解模型。我們在曠視的物流領(lǐng)域積累了豐富的經(jīng)驗(yàn)，并且具備一定的規(guī)模，因此對產(chǎn)品有較深的理解，同時(shí)我們擁有一群專注于模型優(yōu)化的專業(yè)人士。

全天候科技：因?yàn)楹芏嗫赡苣骋粋€(gè)行業(yè)內(nèi)的公司對于本行業(yè)的需求會比較了解，但你們是模型業(yè)務(wù)起家，會不會對場景需求的了解程度比較弱？

唐文斌：其實(shí)之前我們在曠視的時(shí)候就做了很多的場景了，所以我覺得我們還算是一幫被教育過的人。

這其實(shí)是心態(tài)問題，其實(shí)機(jī)器人行業(yè)是需要兩撥人，一波人更懂技術(shù)，一波人更懂場景，我們其實(shí)是站在中間的人。

其實(shí)光搞技術(shù)的人會對場景做很多的假設(shè)，他覺得不就是這些。但真實(shí)場景中的魔鬼隱藏在細(xì)節(jié)之中。例如當(dāng)出現(xiàn)問題時(shí)，生產(chǎn)流程不能停，因此必須有完善的異常處理流程。

因此，技術(shù)工作的人必須對場景懷有敬畏之心。

但行業(yè)的人也有很多問題，我們歷史上就是很多同事對技術(shù)上會有兩種狀態(tài)，一開始覺得技術(shù)無所不能，一旦涉及到AI智能，他們就會期望你能解決所有問題。然而當(dāng)他們發(fā)現(xiàn)某些問題無法解決時(shí)，就會感到極度失望，進(jìn)而選擇回歸到傳統(tǒng)的、基于規(guī)則的方法。

但今天模型的發(fā)展其實(shí)既不是能達(dá)到無所不能，也不是什么都不行，是在一個(gè)中間階段，并且斜率很高，處于快速發(fā)展?fàn)顟B(tài)。

所以我們非常需要能夠既對場景有判斷，理解算法及其發(fā)展速度的人。同時(shí)，也需要有人來設(shè)計(jì)應(yīng)該如何著手解決當(dāng)前的問題，讓項(xiàng)目盡快啟動。

我們今天所從事的所有工作實(shí)質(zhì)上都是在滿足需求。我們肯定會有自己視野上的局限。

所以我主張廣泛學(xué)習(xí)和多角度觀察，但我們也應(yīng)有自己判斷的標(biāo)準(zhǔn)，選擇那些能夠持續(xù)生存下來的場景。

全天候科技：那你們怎么定位自己的目標(biāo)客群呢？是機(jī)器人公司，還是場景應(yīng)用方？

唐文斌 ：其實(shí)還是場景應(yīng)用方。

坦白說，無論是國內(nèi)還是國外的同行，大家所使用的模型都不太成熟。因此今天大家并沒有達(dá)到將模型直接部署到機(jī)器人公司的設(shè)備上，經(jīng)過簡單訓(xùn)練后就能使用的狀態(tài)。

我認(rèn)為在模型尚未成熟的情況下，要實(shí)現(xiàn)場景落地應(yīng)用，垂直整合是必要的。

如果我們自身都搞不定這個(gè)場景，卻期望合作伙伴和客戶能夠解決，這無疑是美好的幻想。我相信有朝一日，我們可能自己做了一些垂直的場景，而可能更多的場景可以通過開放平臺的方式，與我們的合作伙伴一起完成。他們既可以用我們的硬件，也可以只用我們的大腦，去自主探索更多可能性。

全天候科技：所以這是你們對模型開源的原因，就是希望更多人能加入進(jìn)來？

唐文斌：開源有兩方面的考慮。首先我們希望更多人使用我們的框架和模型，這樣大家可以共同探索更多應(yīng)用場景并推動技術(shù)的落地。其次，盡管當(dāng)前行業(yè)熱度很高，但整體模型的成熟度仍處于初級階段，促進(jìn)相互交流和進(jìn)步至關(guān)重要。

全天候科技：你之前提到2026年的核心目標(biāo)是每個(gè)場景部署1000臺可持續(xù)運(yùn)轉(zhuǎn)的設(shè)備，能否分享一下這個(gè)目標(biāo)完成的情況？

唐文斌：這可能要到下半年才能實(shí)現(xiàn)持續(xù)運(yùn)行。目前我們還在進(jìn)行POC測試。

我們對自有場景實(shí)現(xiàn)批量化的潛力還是很有信心的。

其實(shí)要讓機(jī)器人能夠持續(xù)運(yùn)行，必須找到容錯(cuò)環(huán)節(jié)。坦白說，當(dāng)前模型驅(qū)動的方法還無法做到百分之百的準(zhǔn)確率。

如果任務(wù)失敗怎么辦？這個(gè)問題必須有答案。我們需要探討通過什么種方式接管任務(wù)，讓失敗的任務(wù)能夠被恢復(fù)。同時(shí)我們還需評估這種失敗對企業(yè)的影響，判斷這種影響是否可接受。

在采取了兜底方案之后，我們還需要確認(rèn)整個(gè)系統(tǒng)的ROI。

全天候科技：說到ROI的話，那客戶會直接提出說你們可以幫助產(chǎn)線節(jié)約多少錢嗎？

唐文斌：客戶通常會直接問我們能多久回本。

如果一個(gè)項(xiàng)目需要超過五年才能回本，那就不用做了。

如果預(yù)計(jì)兩到三年內(nèi)就能回本，那就是立馬干。在當(dāng)前的B2B環(huán)境中，我們大多數(shù)決策都是基于理性的分析，算清到底能為客戶提升多少效率。比如機(jī)器人能夠延長某些生產(chǎn)環(huán)節(jié)的運(yùn)作時(shí)間，更高效地利用現(xiàn)有設(shè)備，為客戶帶來價(jià)值。

全天候科技 ：能否劇透后續(xù)的模型更新情況？

唐文斌：今年我們的核心議題將集中在泛化性上。

全天候科技：去年才創(chuàng)業(yè)來做具身智能的模型，你覺得會不會太晚了？

唐文斌：其實(shí)在很多年前我們就很想做一個(gè)通用機(jī)器人了，當(dāng)時(shí)我們覺得技術(shù)上不成熟。但是隨著DeepSeek等大模型的發(fā)展后，確實(shí)讓我對這件事變得更有信心了。

全天候科技：如果讓你給2026年具身智能行業(yè)1個(gè)關(guān)鍵詞，你覺得會是什么？

唐文斌：我想給2個(gè)關(guān)鍵詞，一是模型能力的提升，二是場景的持續(xù)運(yùn)行。

我認(rèn)為當(dāng)前的模型還處于早期階段，但發(fā)展速度很快，所以我們要努力提升模型的算法能力，包括在對象、環(huán)境適應(yīng)性和任務(wù)泛化性上都有所提升，模型的泛化能力是至關(guān)重要的。其次，關(guān)于場景的應(yīng)用，我認(rèn)為單純的POC沒太大意義，它只是一個(gè)起點(diǎn)，重點(diǎn)在于如何在實(shí)際場景中持續(xù)運(yùn)行，今年確實(shí)已經(jīng)到時(shí)候了。

*本文為全天候科技原創(chuàng)作品，未經(jīng)授權(quán)不得轉(zhuǎn)載，如需轉(zhuǎn)載，請?jiān)诤笈_回復(fù)“轉(zhuǎn)載”二字，獲取轉(zhuǎn)載格式要求。

點(diǎn)“在看”，變好看哦。