上海双色球停售时间

在人工智能向通用人工智能（AGI）演进的道路上，具身智能（Embodied AI）正成为关键的下一站。与纯粹的数字智能不同，具身智能要求AI系统通过物理身体与环境进行交互、感知和学习，这使其对数据的需求呈现出前所未有的复杂性、多维度和高保真要求。

今日，在觅蜂（Maniformer）一站式物理AI数据服务平台发布会上，压轴举行的圆桌论坛汇聚了来自数据平台、模型厂商、真机仿真厂商及学术界的资深代表。各方围绕“共筑具身智能数据生态”的挑战与未来展开了深入探讨。本文基于此次讨论，对具身智能数据领域的关键议题进行梳理与分析。

一、 高质量数据的多维定义：超越“量”的“质”与“教”

论坛嘉宾首先摒弃了单纯追求数据规模的旧有观念，从多个维度重新定义了何为“高质量”的具身智能数据。

以终为始的功能导向。觅蜂姚卯青指出，高质量数据的终极标准，是能够被模型有效使用并转化为实际能力与功能。这背后需要硬件层面的同步与标定、语义标注、操作规范、采集规范，以及数据在场景、任务分布上的多样性作为支撑。

从“燃料”到“教育”的范式转变。光轮智能谢晨提出了一个深刻比喻：数据对于具身智能，正从类似驱动引擎的“燃料”，转变为更像人类的“教育”。优质的教育基于言传身教，在开放、真实的场景中提供长程示范，并由评价体系驱动。同时，可规模化是高质量数据的另一基石，不可规模化的数据无法支撑产业的持续发展。

真实性与标注深度的挑战。极佳视界朱政从模型训练实践出发，指出当前数据的两大短板：一是数据多采集于实验室或预设环境，缺乏真实世界（如泛服务、工业、家庭场景）的泛化性；二是标注过于简略。相较于多模态模型中一张图片配以千言描述，当前视频数据往往只有简单的动作和任务标签，缺乏对环境状态、任务背景的细致刻画，严重制约了模型对物理世界的深度理解。

与人类行为对齐的使命。北京智源人工智能研究院姚国才强调，具身数据的核心使命是让模型学会并与人类行为模式对齐。因此，最佳数据应具备高保真（精确记录人类行为）和高多样性（涵盖人类有意识及无意识行为）两大特点，这是机器人未来融入人类生活环境的必要条件。

价值转化的唯一标准。原力灵机范浩强则给出了一个务实的工程视角：能带来模型性能提升（涨点）的数据就是好数据。他同时指出，具身智能可能需要发掘超越多样性、准确度、覆盖度之外的新数据质量维度。

二、 数据规模：从“百亿小时”憧憬到“效率革命”现实

AGI时代需要多少物理AI数据？答案揭示了理想与现实的张力。

百亿小时的基准线。阿里云张民英给出了一个直观估算：若以每人交互1万小时、历经100代计算，规模可达百亿小时。姚卯青同样认为，物理世界是三维、开放且多模态（视觉、触觉、力觉）的，其信息复杂度远超封闭的文本词表，因此数据需求不应少于大语言模型的文本量，百亿小时是迈向真正智能体的基础。

效率瓶颈的严峻现实。朱政从创业公司角度指出了当前的两大效率瓶颈：采集成本与利用效率。目前采集一小时数据的成本大概在两百元，采集百亿小时数据的天文成本难以承受。同时，模型对数据的利用效率极低，训练几十万小时数据即需耗费数千万GPU成本。将数据规模提升百倍、千倍，是当前商业模式无法覆盖的。

模型与数据的双向奔赴。姚国才通过一个计算揭示了关键矛盾：一个人每天交互10小时，连续10年也不过3.65万小时数据，却足以让一个10岁孩童具备丰富的物理世界认知。这凸显了人类认知的数据利用效率远超当前AI模型。因此，未来的路径必须是双向的：一方面增加数据量，另一方面通过脑启发等新型模型架构和训练策略，大幅提升数据利用效率，最终在某个平衡点“握手”。

增量逻辑与数据生成器网络。谢晨提出了一个动态视角：数据生态的本质是增量生意，而非存量存储。他类比特斯拉FSD依靠百万辆车的真实数据回流，指出具身智能的物理交互复杂度远超自动驾驶，其数据规模可能需要后者的千倍。未来，将由人类、真机、仿真三大核心要素构成的十亿级数据生成器网络，持续为训练、强化学习和评测提供数据流。

三、 涌现之谜：数据量变能否引发智能质变？

当数据量级达到亿小时级别，具身智能会否出现类似大模型的“涌现”现象？嘉宾们观点各异，但均指向了能力演进的阶梯。

乐观的“初中生”阶段论。姚卯青认为，当前具身智能可能仍处于“BERT时代”，智能雏形未现。但随着数据和模型迭代，未来几年有望达到“GPT-3级”的智能雏形阶段。谢晨将当前模型比作“两岁小孩”，认为其达到“初中毕业”水平时将迎来第一次涌现，获得相对通用的操作能力（如做家务、简单工作）。此后，将进入更长期的专精化“教育”阶段，向各行业顶尖水平迈进，并可能迎来指数级爆发。

谨慎的现实需求观。朱政持谨慎态度。他认为，即使数据Token量级与互联网文本相当，视频数据的信息密度和利用效率也远低于文本。更重要的是，当前对机器人的核心诉求是“提供情绪价值”和“代替人工干活”，而非要求其具备创造性或极强的泛化学习能力。因此，近期出现“涌现”并非迫切需求。

分阶段、多维度的能力涌现。范浩强回顾了AI发展史，指出涌现是多次发生的。在机器人领域，扩散模型使机器人能模仿复杂灵巧动作已是“小涌”。下一步的涌现可能指向泛化性（应对未见物品/环境）、干预性（主动应对变化）乃至创造性（想出训练集外的解决方案）。随着模型能力维度的涌现，其对数据格式和质量的需求也将不断演变。

具身认知的涌现场景。姚国才则描绘了三个他希望看到的具身智能涌现场景，这些场景超越了简单的操作，涉及社会常识、情商与隐蔽行为理解：1) 理解“别人喝过的水不能直接拿给我”；2) 在找不到卫生间时主动询问他人；3) 按完电梯后懂得观察指示灯并提前移步。这指向了具身智能需要实现对物理世界更深层的认知和对人类行为意图的复现。

四、 生态卡点：成本、标准与价值衡量

构建健康数据生态面临多重挑战，嘉宾们从不同角度指出了当前的核心卡点。

成本与价值筛选的悖论。张民英指出，随着MEgo等便捷采集设备出现，人人皆可采集数据，但随之而来的海量数据上云、标注、训练成本将是天价。解决方案在于智能化筛选，借鉴特斯拉的“影子模式”，自动识别预测行为与人类行为不一致的高价值、长尾数据片段，实现低成本的高价值数据获取。

数据标准的缺失与发散。姚国才从模型训练实践出发，指出大量精力耗费在不同来源数据的格式转换和标准统一上（如坐标系定义）。随着触觉、声音乃至脑电等更多模态加入，标准问题将更加严重。行业亟需以统一标准为牵引，配套成熟的数据治理平台与工具链。

数据价值衡量的模糊性。范浩强指出，当前数据供给五花八门，但模型方往往不清楚自己“需要什么”和“缺什么”。核心在于建立以评测（Benchmark）为牵引的价值衡量体系。通过定义任务和评价标准，才能反向指导需要采集何种数据。类似ImageNet推动计算机视觉发展，具身智能也需要能推动模型与数据共同进步的标准数据集和测评方法。

数据“平权”与流通平台的缺失。姚卯青展望未来，指出当具身智能像IT系统一样普及于千行百业时，每个特定场景应用都会产生独特的数据需求。目前行业缺乏一个像“国家电网”一样的大流通平台，让供需双方能高效、透明地对接，确保数据提供的持续性、质量和产能。这是产业从初期走向成熟必须跨越的鸿沟。

对“失败数据”与“反事实数据”的需求。朱政从训练世界模型和强化学习的角度指出，当前数据过于“干净”，几乎全是成功轨迹。而强化学习需要在虚拟环境中广泛探索，这就要求数据必须包含大量的反事实轨迹、因果推理轨迹以及失败轨迹。只见过成功数据的模型，难以在强化学习所需的复杂环境中有效泛化。

五、 真机与仿真：协同进化的“数据金字塔”

在数据来源上，真机数据与仿真数据并非对立，而是构成协同的“数据金字塔”。

三层不可或缺的数据金字塔。谢晨引用“数据金字塔”概念：顶层是真机数据，最具针对性、质量最高；中层是仿真数据；底层是人类产生的视频等互联网数据。三者都是具身智能实现涌现和行业泛化的必要条件。

仿真提供规模化评价的基石。谢晨强调，当前的核心问题不在于数据本身，而在于缺乏开放、真实、可规模化的模型评价体系。仿真正是构建这一评价体系的底层基础，它能提供一个足够广泛的测试场，用以定义“成功”并驱动高质量数据的针对性生产。

混合生成的终极形态。范浩强认为，真机与仿真的本质区别在于数据是用物理手段还是计算手段生成，最终目标是以更低的成本获取所需知识。未来，两者将走向“你中有我、我中有你”的混合状态，共同逼近具身智能的答案。

六、 未来1-2年关键趋势展望

论坛最后，嘉宾们展望了近期具身智能数据领域的关键趋势：

数据量的指数级增长与数据形态革新：张民英、姚卯青均预测数据量将爆发式增长。姚国才强调对多模态/泛模态数据（更好表征人类行为）的需求。谢晨指出数据将越来越场景驱动和本体无关（更多人驱/仿真驱动）。

模型训练范式的重大升级：朱政预测，模型将从当前的单任务强监督训练，迈向单模型完成多任务（几十至上百种） 以及具备Few-shot（少量示例学习）新技能的能力。范浩强也认为模型能力进化将“破圈”，获得更广泛认可。

评价驱动与价值闭环的形成：谢晨、范浩强都强调，以Benchmark和评价体系驱动数据生产将成为关键。先定义成功，再有针对性地提供“言传身教”的数据。

“具身原生”模型范式的萌芽：姚卯青预言，当物理世界数据量超越互联网数据时，可能会催生不再依附于大语言模型进行后训练的“具身原生”模型架构。这将是实现从认知智能到决策智能跨越的关键，并进而通过部署回流数据，指数级加速系统进化。

从技术探索到规模应用：范浩强指出，机器人将真正走向应用并形成一定规模，与之配套的基础设施（计算、数据等）也将获得成倍增长。

结 语

具身智能的数据生态建设，是一场涉及数据采集、标注、治理、流通、应用和价值衡量的系统工程。它不再仅仅是模型的“燃料”，更是塑造智能体认知与行为的“教育”过程。从追求百亿小时的规模憧憬，到直面成本与效率的现实瓶颈；从探讨数据量变能否引发智能质变，到破解标准不一、价值难衡的生态卡点；从辨析真机与仿真的协同关系，到展望“具身原生”的范式革命——这条道路既需学术界在模型效率与架构上的突破，也需产业界在工程实践与生态共建上的耕耘。

正如论坛共识所示，未来不属于任何单一角色。只有数据平台、模型厂商、本体公司、仿真环境、学术机构及最终场景方携手，共同构建开放、标准、高效的数据基础设施与流通网络，才能让数据真正成为驱动具身智能走进千家万户、赋能千行百业的“新质生产力”，最终叩开AGI时代的大门。