现时，通用东说念主工智能的酌量毒害从文本与图像转向物理寰宇，具身智能——赋予 AI 以物理身体，使其能感知、领略和交互真实环境，而这些正成为全球科技竞赛的下一个环节战场。

但是，与讲话模子期间"数据自然存在"的兴盛悠闲不同，具身智能的"大脑"模子正堕入一场前所未有的"数据饥渴"。熟习一个能在复杂、万古序任务中泛化的具身智能大脑，需要的不再是万亿级的文本 Token，而是高质料、多模态、时空对王人的"东说念主类行动数据"。这背后，是一场从硬件架构、数据网络到处理范式的系统性翻新。

成本热追，但仍不"完满"

据国务院发展辩论中心‌预料，中国具身智能 2030 年达 4000 亿元东说念主民币，2035 年打破万亿元。与此同期，中国信通院‌《具身智能发展陈诉（2025 年）》中，初度将具身智能纳入国度异日产业重点，2025 年全球市集鸿沟 195.25 亿元东说念主民币。

2026 年开年仅前三个月，国内具身智能赛说念融资鸿沟已近 300 亿元，融资事件同比增长 63%。光轮智能斩获超 5 亿好意思元融资，创下国内该领域融资记载；逐际能源完成 2 亿好意思元 B 轮融资，估值卓越 10 亿好意思元；星海图再获 20 亿元 B+ 轮融资——成本正以加快度涌入这条赛说念。

与赛说念火热相对的，具身智能在真实走进糊口，走进产业的过程中，却并不是一帆风顺。英特尔辩论院副总裁、英特尔中国辩论院院长宋继强曾明确指出："现时具身智能的发展，正处于‘耕作才能上限’与‘保险才能下限’的双重攻坚期。寰球都在展示机器东说念主的智能才能，但很少有东说念主关心它进展欠安时该若何办——这恰是产业化必须进步的鸿沟"。

固然咱们曾经有了诸如宇树科技、星河通用这些具身智能"本色"的制造商，他们造的机器东说念主曾经具备了充分的机动度，能完成翻跟斗、舞蹈等"饰演"，但这些本领的背后更多的是通过提前预裁剪好的样子膨胀的。换句话说，固然现时的具身智能"小脑"曾经充足发达，但在"大脑"层面，若何能让机器东说念主更具有"活东说念主感"，更像东说念主一样，通过自主想维去膨胀指示，是接下来产业关心的焦点。

对此，简智新创结合创举东说念主朱雁鸣告诉笔者："今天寰球看到的总共具身智能公司，其实它们真实模子化的才能，仍然停留在一些止境短时序的毛糙任务上，比如叠衣服、倒水、拿杯子。" 这揭示了现时产业的浩繁近况：演示惊艳，但实用尚远。这些悉心策画的演示任务，经常在受控环境下完成，距离偶然豪迈家庭、工场、物流等真实场景中复杂、多变、长链条的任务条款，还有纷乱差距。

朱雁鸣以为，现时具身模子在学术上仍需打破，而在产业化和营业化上的差距更大。这种差距的中枢在于，现存模子短缺对物理寰宇的深切领略和鲁棒交互才能。旧年行业浩繁崇尚的 VLP（视觉 - 讲话 - 策划）旅途，其底层是讲话模子，擅长基于文本指示进行策划，但其生成的行动"实验上只是基于讲话策划出的轨迹和行动"，与真什物理寰宇中"剖析 - 行动 - 取得物理响应 - 产生新剖析"的不绝闭环相去甚远。

因此，产业共鸣正在转向构建 "寰宇模子"。寰宇模子的中枢是让 AI 领略底层的物理国法，如摩擦力、刚体能源学、空间关系等，而不单是是进行讲话描画下的轨迹策划。这绚丽着具身智能的发展从"师法讲话逻辑"干涉"学习物理律例"的深水区。

这个过程中，一个原理原理的趋势是：多数智能驾驶（智驾）领域的东说念主才涌入具身智能赛说念，简智机器东说念主中枢成员便多来自智驾配景。朱雁鸣指出，这种迁徙并非偶然，而是因为两者在本领栈（如视觉 - 讲话 - 动作模子 VLA、环境模拟）和居品样子论上存在深切共鸣。更热切的是，智驾领域所历练出的 "数据运行闭环" 的居品迭代架构，即"通过真实数据不绝熟习、测试和优化模子"，恰是现时具身智能从演示走向实用所亟需的工程化才能。智驾从业者对物理环境交互响应、系统测试与迭代的实践教学，偶然加快具身智能居品的开拓进度。

但是，不管是追求寰宇模子的表面打破，照旧鉴戒智驾的工程教学，都指向并吞个中枢瓶颈：高质料熟习数据的顶点匮乏。

具身智能的"数据逆境"

淌若说算力是引擎，算法是蓝图，那么数据即是燃料。莫得得当的燃料，再强盛的引擎和精妙的蓝图也无法运行具身智能驶向现实的此岸。这促使一批像简智机器东说念主这样的创业公司，莫得聘用去"卷"模子自己，而是转向了为行业提供"数据基座"这一更具各异化价值的基础设施赛说念。

拓斯达具身智能业务线 - 矩阵智拓 CMO 王琪曾经示意，数据痛点主要体当今三个方面：一是数据样子不补救，不同企业的机器东说念主本色构型不同，产生的数据难以互通，变成数据壁垒，"比如现时构型产生的数据能用，但是对另外的构型来说是有门槛和壁垒的"；二是数据网络难、成本高，工业场景的复杂性导致数据网络难度大，且网络修复与东说念主力成本昂贵，尤其是关于中小企业而言，难以承担大鸿沟数据网络的成本；三是数据躲避与安全问题，企业顾忌通达产线数据会走漏中枢工艺，导致其不肯勾通数据网络，"部分头部企业，其中枢产线内部一些东西，他们我方东说念主都进不去，咱们只可暂时先恭候行业程序进一步老练，先把咫尺通达的场景作念完"，王琪直言。

熟习一个强盛的具身智能大脑，尤其是寰宇模子，对数据提议了近乎尖刻的条款。单从数据网络这少量来看，其需求不错轮廓为三个环节维度：多模态、高精度、强因果。而现时主流的数据网络决策，在这三个维度上均濒临显耀痛点。

多模态层面，东说念主类通过与寰宇的交互来学习，这个过程和会了视觉、听觉、触觉、力觉乃至本色嗅觉（知说念当作位置）。相同，具身智能模子需要重建这套多感官输入。朱雁鸣强调，触觉等非视觉模态的价值"更多是作为监督，或者作为终结的校验与响应"。举例，隔离两毫米和一毫米的螺丝，视觉可能难以分辨，但触觉响应的各异是彰着的。但是，现时很多网络决策严重依赖单一视觉，导致触觉、力觉等环节模态数据缺失或质料低下。

高精度层面，模子熟习需要数据在时刻和空间上高度对王人。时刻上，真钱投注不同传感器的网络频率不同，若何确保"手触摸到杯子"的触觉信号与视频画面中的斗争帧严格对应？空间上，需要将手部动作精确复原到以头部或环境为基准的统统坐标系中。传统决策存在固有劣势：柔性手套因辅导各异和自体态变，导致每次测量的统统精度不彊壮；纯视觉决策在手被物体狡饰（如伸入抽屉取物）时坐窝"失明"，数据中断。朱雁鸣指出，这些精度漂移和狡饰问题，在家庭或工业场景中是导致决策"不行用"的热切原因，网络到的低质料数据以至会向模子注入"物理幻觉"。

强因果层面，最终用于熟习的数据，必须是一条条完整的、可讲授的"行动链"。它不单是包含"作念了什么"（动作序列），还要包含"为什么这样作念"（剖析与决策），以及"终结若何"（物理响应）。举例，数据需要记录"看到水杯（视觉）- 决定去拿（剖析）- 转移手臂并治愈手指姿态（动作）- 感受到杯子的分量和滑移趋势（触觉 / 力觉响应）- 微调抓力（治愈）- 收效提起（终结）"这一完整闭环。传统网络式样只可记录动作和部分视觉，因果链是断裂的。后期若依靠多数东说念主工进行标注和串联，成本极高且难以鸿沟化。简智机器东说念主方面露馅，以他们每周处理超 2 万小时数据的需求估算，若全靠东说念主工，需要近 5000 东说念主的标注团队，这完全不现实。

较着，现存的网络本领却无法高效、高保真地坐蓐这种数据。联系于具身智能硬件"本色"的发展赶紧而言，数据瓶颈，已成为锁住具身智能大脑进化速率的那把最千里重的锁。

传统决策餍足不了"新需求"

面对模子熟习的严苛需求，数据网络本领自己必须进行一场深切的范式漂流。传统的数据网络决策曾经难以安妥当下的需求。比如柔性一稔修复精度不及、视觉网络易受狡饰、多模态数据难以对王人、网络后果低下第问题，严重影响了数据的质料与鸿沟。要搞定这些问题，必须通过本领创新，重构数据网络的硬件架构与软件经过，构建一套高精度、多模态、高后果、低成本的数据网络体系。

在硬件层面，针敌手部姿态捕捉的精度与强健性问题，主流决策是柔性手套 +IMU，其实验是通过算法估算环节角度，存在物理形变带来的固有邪恶。而将传统柔性网络修复迭代成与东说念主类骨骼更相似的刚性网络修复。这种仿生学策画，通过刚性贯穿径直测量环节的相对位移，从物理上摒除了柔性变形邪恶。

朱雁鸣示意，通过外骨骼式刚性结构 + 磁编码器的式样，从压根上搞定了柔性结构带来的精度问题。"东说念主的手是由骨骼组成的，咱们就用骨骼的式样去捕捉东说念主的数据，"朱雁鸣讲授说念，简智机器东说念主给与外骨骼结合磁编码器的刚性贯穿结构，测量所关连节的相对位移，这种式样偶然已毕高强健性和高精度的姿态捕捉，幸免了柔性变形带来的邪恶。

这恰是简智机器东说念主 Gen DAS Dex 的中枢硬件策画逻辑，据朱雁鸣先容，其外骨骼结构不仅能已毕全目田度覆盖，还能依托自研磁编码器已毕超高精度检测，同期兼顾轻量化策画，将自研磁编码器尺寸压缩至仅 3mm，全体体积与常见滑雪手套止境，已毕一稔无感，不影响用户平方操作；给与合金与弹性团员复合物材质，结合要点与结构的轻量化策画，修复全体分量仅 210g，即便面对复杂操作、精确抓取等场景，也能完满记录手部动作，无负重感打扰。

同期，为了进一步耕作精度与强健性，团队还引入了及时校准与抵偿机制。在每个编码器和刚性角度检测要领，已毕端侧及时校准；同期，通过编码器内置的统统温度检测，对温度变化产生的漂移进行抵偿。此外，通过振动响应、触觉响应和视觉响应的多特征和会，将全体漂移量降至接近于零的水平，确保在不同手型、不同场景、不同环境下，数据的精度强健性都能得到保险。

在触觉层面，他们放弃了低分辨率的决策，自研了高分辨率磁触觉传感器。其方针不仅是感知"有无斗争"，更要已毕面阵式的三维力感知（法向力与切向力），以捕捉滑动、纹理、硬度等丰富信息。朱雁鸣讲授，这能让模子学习到"微应变"等临界景况信息，关于领略摩擦力等物理国法至关热切。

与此同期，为搞定视觉狡饰这一致命问题，简智机器东说念主策画了"端侧定位 + 头手协同"的搞定决策。在手背位置集成 IMU，并在手手下方配备寂寞的录像头，通过单手 SLAM（同步定位与舆图构建）本领，结合头与手的相对位置信息，进行时空坐场合复原。这种式样偶然在短时狡饰或部分狡饰（如手伸入抽屉取物、手攥成团等场景）下，防守精采无比的不绝定位才能，定位漂移量达到毫米级，确保数据网络不中断。

在更底层的系统同步上，他们通过自研 SoC 和通信公约，已毕了硬件的严格时钟同步，并将多修复间通信延伸遗弃在 1 毫秒以内。在软件层面，支配"触觉斗争"等高置信度事件作为"真值"，对多模态数据进行动态校准与因果对王人，变成了 "端侧双轮回动态校准"机制，确保万古刻网络的精度不漂移。

网络只是第一步，将原始数据加工成模子可用的"东说念主类数据"是更大的挑战。朱雁鸣共享了简智机器东说念主的搞定方针：他们开拓了一个端到端的处理模子，输入是原始多模态数据流，输出即是时空对王人、因果闭环、带有语义讲授（COT）的样子化数据包。

这套系统领来了后果的指数级耕作：领先，在网络端通过算法进行及时质检，过滤无效动作；其次，自研压缩算法将多路视频流数据压缩至原始大小的 2%，且不蚀本环节信息；终末，通过流式传输和云霄的数据基础模子自动化处理，将正本需要数千东说念主年的标注职责，压缩到一个微型团队即可护士。这使得大鸿沟、种种化的数据网络成为可能。

当行业集体知道到"寰宇模子"需要数据来喂养时，一场围绕数据基座的深度创新果决伸开。从刚性仿生硬件到端侧智能和会，再到数据基础模子运行的自动化处理，这些系统性打破正在试图禀报一个压根问题：若何高保真地记录东说念主类在物理寰宇中的教学，用于熟习机器东说念主。这场"数据基座"的翻新正悄然奠定着具身智能融入物理寰宇的基石。谁掌抓了高效坐蓐"东说念主类数据"的才能，谁就可能掌抓了打通达器具身智能期间的钥匙。

（文｜Leo 张 ToB 杂谈投注平台，作家｜张申宇，裁剪丨杨林）