数据时长不重要，

多样性更重要

Founder Park：过去两年，具身行业对数据量的要求，已经从几千小时增长到几十万乃至上百万小时。为什么？

戴若犁：早期的思路很直接：先用现成部件组装一台人形机器人，再叠加 VLA 或世界—动作模型，最后根据系统需要补数据。

现在，这条路径开始倒过来。团队会先确定什么数据能提供最完整的信息、是否可以规模化采集，再围绕可用的数据集设计模型，最后围绕模型设计机器人硬件。

例如，轻量化的多摄像头头显可以同时采集第一视角视频、手部姿态和身体姿态，也具备规模化的潜力。行业第一阶段解决的是「让机器人动起来」，接下来要解决的是泛化和高灵巧操作，数据问题因此被推到了最前面。

Founder Park：我们一直说数据是瓶颈，真正的瓶颈只是数据时长不够吗？

李天羽：如果把网络和开源社区里的机器人数据、人类数据全部收集并标注，今天凑出数百万小时并不困难。但我们仍然没有看到真正的机器人智能从这些数据中自然涌现，因为只有时长没有意义。人的日常生活高度重复，大量动作都很简单，信息价值也很低。

一个人每天真正与物理世界进行操作的时间，也许只有两个小时，一生大约能产生四万小时相关数据。但一个人接触的任务、物体和场景始终有限。

真正有意义的不是数据时长，而是任务、物体和场景的多样性。 不是在同一个房间里反复操作同一个物体，而是要覆盖尽可能多的任务、物体和空间。

至于极端情况，今天的机器人能力还很早期，几乎所有不能完成的事情都可以被视为极端情况。更现实的路径，是先尽可能扩大多样性覆盖；覆盖不到的部分，再定义成需要主动采集或生成的 corner case。

戴若犁：如果必须在三件事中排序：数据时长和多样性、模态完整度、单一模态的精度，你会把什么放在第一位？

李天羽：现阶段我会把模态完整度放在第一位。视频和第一视角数据很容易采集，但如果某些信息从一开始就没有记录下来，事后很难从数百万小时视频里补回来。

比如，相机看不到下半身，就无法可靠恢复完整的全身姿态。所以首先要有一套同步采集系统，把触觉、全身姿态、手部姿态和视觉等信息同时保存下来，之后才谈得上规模和多样性。

Founder Park：行业缩小差距的一种方法，是不断增加模态，包括力觉、触觉、音频和深度。但更多模态真的能缩小差距吗？今天的基础模型已经能利用这些额外信号了吗？

戴若犁：人完成交互时从来不只依赖视觉。我不用看，也能伸手拿到胸牌，因为此前的视觉记忆、本体感觉和触觉都在发挥作用。如果我们希望机器人学习同样的交互，训练数据至少也应该保留视觉、触觉，以及准确的手部和身体姿态。

今天的模型还不能充分吸收所有信号，但这不意味着采集阶段可以把它们舍弃。我们不是在适配某一种当下的模型架构，而是在为未来做准备。音频今天也许还用不上，却可能记录了重要的交互事件。只要投入产出比合理，我宁愿现在就保存，也不希望几年后重新采集十万小时数据。

如果一种信息在采集时没有被记录，事后很难从数百万小时视频里补回来。

李天羽：从学习范式看，输入和输出之间必须存在可学习的映射。如果输入的信息不充分，模型就无法给出正确输出。

拿起胸牌这样一个简单动作，背后也可能同时依赖触觉、视觉和长期空间记忆，因为你记得自己刚才把它放在哪里。

单模态基础模型可以学习一些先验，例如从单目图像估计深度，或者从视觉推测接触。未来，部分传感器可能会被模型先验替代。但狭窄的第一视角无法看到画面之外的下半身姿态，单帧图像也无法恢复很长的历史。那些现阶段不能可靠推断的信息，仍然应该在采集时保留下来。

Founder Park：如果目标是让数据规模继续增长，人体数据和遥操作产生的真实机器人数据，哪一种更值得投入？

李天羽：以今天的技术，遥操作成千上万甚至上百万台机器人并不现实，因为机器人还无法像人一样自然行动。

如果未来能够通过脑信号直接控制机器人，并让机器人配备足够完整的传感器，也许有机会让大规模遥操作更接近人的自然行动。但这条路径离现实还很远。

对于要解决特定任务的机器人公司，遥操作数据依然是后训练不可缺少的一环。但遥操作人形机器人，需要全身控制器在准确跟随操作者的同时保持平衡，这仍然非常困难。

如果目标是规模化，我仍然会从人体数据开始。人体数据采集设备的成本已经降到了可以大规模制造的水平，理论上可以生产 1 万套，甚至更多，再分发给世界各地的数据采集者。第一优先级是可靠的采集硬件，第二是强大的数据管线。

自然生活会产生海量的重复数据，因此必须用模型筛出高价值的片段。深度估计、手部和身体姿态估计、自动切片与自动描述所消耗的算力，甚至可能超过采集环节的人力成本。

另一条路径是主动引导采集者完成指定任务，但同样需要大量运营和模型资源。所以，人体数据和机器人数据并不是二选一：前者解决预训练的规模和多样性，后者完成面向具体本体、具体任务的后训练。

Founder Park：假设你们各自多出一亿美元，会把它投向更好的硬件、更多模态，还是更多遥操作产生的真实机器人数据？

戴若犁：我会把大部分资金投入专用采集硬件。具身智能数据已经形成足够大的需求，值得拥有从零设计的采集硬件。

如果具体分配这一亿美元，我会给不同模态各投入约 2000 万美元：包括触觉、第一视角视觉、深度与高精度 4D 点云、真值级全身姿态，以及手部姿态与环境重建。

目标是让设备兼顾成本、精度、易用性、低佩戴负担和续航，最好还能为普通人的日常生活提供价值，让人愿意长期佩戴并贡献数据。

李天羽：即使有一亿美元，也不足以覆盖所有数据。如果目标是规模化，我同样会先投入可靠的采集硬件和数据管线。

采集只是第一步。自然生活里有大量重复动作，哪些片段值得进入数据集、如何自动理解并描述数据，都会产生巨大的计算成本。真正的投入不只是「让更多人戴上设备」，还包括如何把采回来的信号变成模型能够学习的材料。

Founder Park：无论第一视角数据还是机器人数据，目前大多仍在专门搭建的环境中产生，而不是来自真实的养老院、仓库、工厂或家庭。阻碍行业进入真实部署环境的，究竟是技术、经济性，还是场景准入？

戴若犁：这是一个不可能三角。在非受控环境中规模化采集，往往必须牺牲精度或模态完整度。数据工厂不可能搭建一万种厕所；要学习泛化的清洁能力，最终必须进入真实家庭，但很多传感器在那里又无法使用。

因此，我们需要新的硬件：从依赖墙面基站的 outside-in tracking，转向 inside-out tracking，还要把所有信号统一到同一个时间域和笛卡尔坐标系。目前市面上还没有一套完整的现成方案。

李天羽：非受控、规模化的室内场景仍然有可能获取除 ego 外的外部信息，例如在家中增加第三视角相机或简单传感器。但系统必须让非专业用户也能操作。理想情况下，即使使用者不熟悉智能手机，拿到设备后也能稳定使用。

数据工厂无法预先定义所有场景，但我们可以引导采集者的行为。通过头显、相机理解现场环境，然后通过语音交互建议用户围绕更多物体完成不同任务。这样既能保留真实世界的多样性，也能提高数据效率。

Founder Park：这意味着未来的数据采集设备，不只是被动记录，也会主动决定用户下一步做什么？

李天羽：对。只靠自然生活，数据分布会非常不均衡；只靠任务清单，又会损失真实环境的复杂性。更合理的方式，是让系统理解当前环境，再引导人补足缺少的任务和物体交互。

Founder Park：机器人数据的下一次范式变化会是什么？行业距离自己的 GPT-3 时刻还有多久？

李天羽：我甚至不确定机器人是否已经到了 GPT-1 时刻。今天很多方法仍然借用视频生成和语言模型的技术，还没有真正属于机器人的 GPT 式学习范式。

语言模型拥有网页文本，也逐渐形成了可规模化的监督信号。机器人则同时面对视觉、动作、手部与全身姿态、触觉和音频，却缺少一种稳定的监督方式把它们统一起来。

模仿学习依赖动作标签，视频模型优化像素或潜变量，但动作本身又很难解释。加入高密度、复杂的文本描述，可以让多样化数据更容易被理解，但行业仍然缺少一套真正能「吃下」所有数据的方法。

只有先形成足够好的预训练，后续可规模化的强化学习与后训练才有基础。

戴若犁：当我的客户不再主要是教授和研究负责人时，我会认为机器人的 GPT-3 时刻已经到来。

今天，即使产业合作本质上也仍是研究项目，里程碑往往是 CoRL、ICRA 论文，而不是工业级部署或营收。我的粗略判断是，还需要五年以上。

Founder Park：最后一个问题，如果你们明天加入对方的公司，第一件事会做什么？

戴若犁：我会先做数据验证，确定哪一种模态，或者哪些模态的组合，对模型表现最重要。Archon 自己训练模型，能够把这个验证闭环真正跑起来。

李天羽：我会把 Noitom 工厂里的设备全部拿来，尽可能多地采集数据，然后训练我们的模型。