1. 首页 > 科技前沿 >

人形机器人三层数据金字塔: 人类、仿真、真机，谁能点火？

user795653 • • 科技前沿 •
10月12日，第26届工博会的圆桌对谈上，Sharpa联合创始人向少卿把机器人学习所需的数据排了个顺序：人类操作数据、仿真数据、真机数据。他说这三者是层层递进的关系——人类数据是“种子”，仿真让机器人

10月12日，第26届工博会的圆桌对谈上，Sharpa联合创始人向少卿把机器人学习所需的数据排了个顺序：人类操作数据、仿真数据、真机数据。他说这三者是层层递进的关系——人类数据是“种子”，仿真让机器人在虚拟世界里学更多，真机则负责处理仿真和现实之间的差距。

同一场对话里，宇树科技创始人王兴兴的回应更直接：作为本体厂商，宇树更关注真机数据，尤其是机器人和物理世界接触时最后几个毫米、零点几个毫米的操作精度。中国工程院院士王坚则把话题引向了另一头，呼吁制造业企业把“锁在抽屉里”的工业数据开放出来。

三个人说了三件事，但指向的是同一个问题：机器人要变聪明，到底需要什么数据？

人类数据打底，仿真提高效率，真机决定最终泛化能力

三层数据，三种成本，三种玩家

先把这个金字塔摊开看。

塔基是人类操作数据。这是向少卿说的“种子”——人知道怎么拧开瓶盖，知道盖子没盖好容器倒下来会漏水，操作里既包含对世界的认识，也包含对自己身体的认识。这类数据的获取方式正在发生剧变。Figure的Index平台走的是众包路线：全球108个国家、4.4万周活跃用户，用手机拍摄第一人称操作视频上传，每秒接收30分钟新视频，累计超过1600万段。每1000小时数据包含373种独特任务、1146种被操作对象、116种环境。Figure已向创作者支付1500万美元，未来12个月计划在数据和算力上投入超过10亿美元。Figure机器人的“数据众包”正在飙升：一周7万人在给机器人录视频

国内的觅蜂派走了类似但更重的路线：不是手机拍视频，而是用户佩戴自研MEgo设备采集，设备记录毫米级位姿和触觉、力觉等多模态信息。内测一个月，2万注册用户，1.3万份采集提交，有效数据计费18元/小时，设备租金39元一天。姚卯青把目标定为2026年底千万小时级产能。觅蜂派VS Figure Index，物理AI众包数据赛道迎来大变局

塔身是仿真合成数据。向少卿说仿真的作用有两个：一是让动作适合机器人的身体——人类动作不能直接照搬，机器人的构型和底层运行方式和人不同，需要在仿真中找更适合机器人的动作方式；二是数据增广，人类数据每增加一部分都要投入相应的采集人力，仿真可以继续扩展场景、增加变化。成本上，仿真合成数据可以压到每小时20到50元。同等100万小时数据，真机总成本可能高达10亿元，仿真只要几千万元级别。

光轮智能物理 AI 基础设施栈—数据、评测与部署反馈闭环

国内代表玩家是光轮智能，走仿真合成数据路线，2026年6月估值突破150亿元，成为全球首个具身数据独角兽。智元在英伟达GTC上介绍过一组数据：依托仿真平台训练的模型搭配精灵G2机器人，仅用两万帧仿真数据训练就实现了真机自动抓取成功率百分之百。

塔尖是真机数据。真机遥操作数据报价每小时500到1000元，被业内称为“黄金数据”。北京亦庄的具身智能数据训练基地，实训空间近6000平方米，复刻30余个场景，配备150余台机器人，日产能超500小时，年产能可达18万小时，已对外交付近3万小时数据，七成以上产能服务行业客户。但这条路线有硬约束：机器人折旧、遥操人员、场地维护，每一项都要持续投入，真正愿意长期买单的客户仍属少数。

Sharpa灵巧手W01与W02数据手套对比，采集人类操作 “种子数据”

Sharpa的AE01数据手套走的是中间路线——用22个编码器记录操作者手部关节运动，五根手指各配振动马达提供256级动态触觉反馈，有线数据输出频率500Hz、延迟5毫秒。它把遥操作从“操作机器人”变成“操作手套”，成本比真机低，精度比手机视频高。

三者的关系不是并列，是因果链

大多数分析把这三类数据当成平行的选项，比较哪个更好。我觉得这个框架有问题。

向少卿的描述里藏着一个关键信息：三者是“层层递进”的。人类数据是起点，仿真数据是中间层，真机数据是终点。这不是三个选项，是一条有先后顺序的流水线。

起点缺失会怎样？向少卿说得很清楚：起步时缺少人类操作经验，会影响仿真找到合适动作的效率，也使真机难以运行起来。没有人类数据打底，仿真找不到正确的搜索方向，真机测试会变成盲目的试错。

中间层缺失呢？人类动作不能直接迁移给机器人，因为构型和底层运行方式不同。仿真负责把“人的道理”翻译成“机器人的动作”。跳过这一步，真机数据采集就是高成本、低效率的——你在让机器人用最贵的方式试错。

终点缺失更直接：Sim-to-Real的差距是真实存在的。仿真环境里模型成功率可以达到89.4%，到了真实家庭场景骤降至12.4%。真机数据就是用来弥合这道77个百分点的鸿沟的。

所以这三层数据的关系不是“哪个更好”，是“缺了哪个都不行”。但现实中，资源永远有限，企业必须选择先做哪一层。这个选择决定了不同的技术路线和商业模式的根本差异。

中美路径的分化：一个在做规模，一个在做精度

把中国和美国的数据采集路径放在一起对比，差异很明显。

美国走的是“规模换精度”路线

但说“美国路线”，绕不开两个走法完全不同的玩家。Figure的Index是众包路线的典型代表——用极低的边际成本获取海量、多样化的第一人称视频。图的是数据多样性，116种环境、1146种被操作对象，这种长尾变化很难通过自己搭建场景来覆盖。效果也确实出来了：Index预训练将Helix 2.5在30个陌生家庭的零样本成功率从9%提升到56%。

但特斯拉选了另一条路。Optimus Academy走的不是众包，是“工厂即训练场，产线即数据管线”。弗里蒙特产线下线的Gen 3，2026年全部留在特斯拉内部，送入Optimus Academy。机器人在工厂车间做物料搬运、零部件辅助装配、质检，一边干活，一边采集图像、关节力矩、接触力和失败时的动力学反馈。训练闭环分两阶段：先由工人和数据采集操作员佩戴头戴式摄像头，按8小时轮班制录制第一视角操作视频，给模型提供人类操作先验；然后大量Optimus真机集群在真实环境中反复练习，失败案例回流用于强化学习。据摩根大通报告，这套体系目前已经相对固化，数据采集的成本显著低于动作捕捉或纯遥操作。

两条路线在数据获取逻辑上完全相反。Figure的Index是“向外找”——用全球70亿人的操作经验喂模型，边际成本极低，但域偏移是天花板。Optimus Academy是“向内挖”——用自家工厂里每台机器人的真实物理交互数据训练，每一条数据都来自机器人本体的传感器，不存在“人类能拿起、机器人学不会”的形态差异问题，但代价是重资产、慢起步，硬件产能直接限制数据规模。

更有意思的是特斯拉的“系统级复用”。Optimus和FSD共享同一套端到端神经网络、同一套视觉感知系统、同一个数据训练体系，外界估算Optimus大约复用了60%的FSD算法。FSD的世界仿真数据可以喂给Optimus，Optimus的真机物理数据可以反哺FSD。Dojo超算同时为两个项目提供算力支持，处理全球车队每日约1600亿帧视频数据。这种复用让特斯拉在数据获取上有了一个别人没有的底座——全球数百万辆特斯拉在真实道路上跑，每天产生海量真实世界数据。这个数据池子的规模，不是任何一家纯机器人公司能靠自建工厂追上的。

所以美国路线的内部也在分化。Figure赌的是“数据多样性”，特斯拉赌的是“数据真实性和系统复用”。两条路的终局，可能在2027年Optimus开始对外交付时才能看清。

中国走的是“精度换规模”路线

北京人形机器人创新中心的数据基地、帕西尼的天津数据工厂、觅蜂的MEgo设备，核心逻辑都是“先保证数据质量，再追求规模”。遥操作采集的数据合格率从初期的50%提升到95%以上，客户需求从“几千小时”跳到了“十万甚至几十万小时”。

北京人形机器人创新中心具身智能机器人数据与训练基地大厅门口

这两条路线各有各的死穴。美国路线的问题在域偏移：视频里是人类的骨骼、肌肉、力量，机器人是金属躯体、不同自由度、不同关节力矩。人类能轻松完成的动作，直接迁移到机器人本体上会失效。Index预训练的56%成功率和44%失败率之间的差距，很大程度上就是域偏移造成的。

中国路线的问题在规模瓶颈：遥操作数据的采集效率约每小时800次，低于机械臂1200次的物理上限。要凑够千万小时级别的数据，以现在的采集效率算，需要的资金量级是几十亿甚至上百亿元。而愿意为数据长期买单的客户，目前还很少。

被忽略的第四层：数据从“采集”到“使用”之间的工程鸿沟

还有一个很少被讨论的问题：采来的数据，不等于能用的数据。

Figure的Index pipeline有五个阶段：过滤、欺诈审查、去重、重新平衡、标注。觅蜂的MEgo Engine要把长程操作拆解为“抓、拿、放、拧、按”等120多种标准原子动作，再通过多维度质检与分级评估。北京人形数据基地初期数据合格率只有50%，经过三个月的流程优化才稳定到95%。

这些环节才是真正决定数据价值的隐性成本。采集一千小时原始数据，可能只有一半能通过初筛，再经过清洗、标注、对齐之后，能用于训练的也许只剩三分之一。

王兴兴在工博会上说的“最后几个毫米”其实也在指向这个问题。他说要通过真实执行经验提高成功率，强调测试反馈和人工评分的重要性。翻译一下：光有数据不够，还需要知道哪些数据是“对”的数据、哪些操作是“好”的操作。这需要一套完整的评估和反馈机制，而不是简单地把数据扔给模型。王兴兴又泼冷水：卡住人形机器人的不是大模型，是毫米级误差

回到向少卿那个比喻。人类数据是种子，仿真数据是温室，真机数据是田野。种子决定基因，温室决定生长速度，田野决定最终能不能适应真实气候。

三样缺一不可。但现实是，没有一家公司能同时在三个方向上做到极致。Figure选择了用众包把种子做到极致，光轮智能选择了用仿真把温室做到极致，宇树和Sharpa选择了在田野里死磕最后几毫米。

这个行业真正的分水岭，不是哪类数据更重要，而是谁先跑通“种子→温室→田野”的完整循环。在这个循环跑通之前，单一环节的规模增长，并不等于系统能力的提升。

#具身智能数据#机器人训练数据#具身数据采集

注：本文基于2026年10月15日以及之前的公开信源整理，涉及行业预测与盈利判断的内容均存在不确定性，不构成任何投资建议。

关注「智财社」看具身智能技术迭代与资本脉络

       原文标题 : 人形机器人三层数据金字塔：人类、仿真、真机，谁能点火？

（来源：维科网）
人形机器人 机器人 数据训练
免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。
user795653user795653

相关推荐