本文内容整理自对光轮智能创始人兼CEO谢晨的专访。谢晨曾在Cruise负责自动驾驶仿真、在英伟达和蔚来搭建数据闭环，目前专注于服务全球顶级具身智能大脑团队。一个显著的趋势是，过去三个月，即便是最坚定的“真机派”机器人实验室，也开始主动寻求仿真评测方案。
这条技术路径上的裂缝，或许正决定谁能真正步入AGI时代。
01 数据的三次进化：从教材到导师
回顾历史，数据角色的演变清晰可见。ImageNet时代，数据如同一次性买断的教材。李飞飞用静态图片集“喂饱”了计算机视觉模型，这好比给学生发放标准答案册：这里是猫，那里是狗，记住即可。
随后，Scale AI将数据变成了工业化流水线。成千上万的标注员在基地里，按规范为传感器数据画框、打标签、做质检。这是一种“量贩式”教育：标准化、可复制、可交付。但其本质仍是被动的——算法团队提出需求，数据商交付成果，循环往复。
到了大语言模型的后训练阶段，数据商的角色发生了根本性转变。以Mercor和Surge为代表的新型数据服务商，开始招募物理学家、数学竞赛金牌得主、顶尖工程师，以每小时100美元以上的薪酬，请他们来评价模型输出、发现问题、并针对性提供改进经验。
传统的标注商对客户算法的内部状态一无所知，只能被动接单。而新型数据商通过主动提供评价与反馈，反过来刺激了客户对更优质、更复杂数据的需求。真正的“评价权”，正从算法团队手中，转移到了数据商那里。
评价权的转移，才是“数据即教育”这一理念的真正支点。 数据不再是静态的信息集合，而是演变成了一个动态的、能够教学相长的教育系统。
02 具身智能的数据金字塔：仿真居于中心
机器人面临的数据问题，与大语言模型截然不同。我们可以用一个金字塔来理解：
- 顶层：真实本体数据。直接从机器人硬件采集，准确性最高，但成本高昂，几乎无法规模化获取。
- 中层：仿真数据。优势在于可以低成本、大规模生成，核心挑战在于“Sim-to-real Gap”，即仿真环境中学到的技能能否有效迁移到真实世界。
- 底层：互联网数据与人类第一视角视频数据。这是“本体无关”的数据，不依赖于任何特定机器人硬件，来源广泛。
然而，这个金字塔的真正运作结构，是一个以仿真为核心的数据闭环。 将真实世界的数据（如人类演示视频、真机执行反馈）引入仿真环境，可以不断提升仿真模型的保真度；再利用高度逼真的仿真环境，生成海量、多样化的训练数据，用以喂养通用大脑。如今，大模型强大的泛化能力，正在有效弥合“仿真到现实”的鸿沟。
过去三个月，一个明显的趋势是，即便是此前坚持真机路线的顶级实验室，也开始转向仿真方案。原因很简单：算法模型的规模化评估与迭代，在物理世界中受到时间、成本和安全的严苛限制，几乎无法实现。可以说，仿真是机器人技术迈向规模化不可或缺的前提，没有它，这件事就做不成。
03 客户需求分化：零样本泛化 vs. 场景落地
大约六个月前，大模型团队和机器人公司在数据需求上还颇为相似。如今，两者已走向完全不同的道路。
- 大模型团队（如字节、阿里、OpenAI、DeepMind、英伟达）追求的是“零样本泛化”能力。他们的目标是训练一个在100种任务上学习后，能够处理5个从未见过任务的大脑，这才是通往通用智能的路径。因此，他们倾向于选择最简单的机器人本体（如机械臂+夹爪），目的是纯粹验证大脑的泛化性。他们信奉Scaling Law（规模定律），相信本体无关数据（仿真+人类数据）的力量，并依赖仿真评测来实现规模化验证。
- 机器人公司则越来越聚焦于具体的落地场景。无论是酒店服务、工厂车间巡检，还是沙漠太阳能板清洁，每个场景都有确定的任务、特定的机器人本体（轮式、足式、灵巧手）和专属的传感器配置。他们最关心的是任务执行的成功率、系统的稳定性以及最终商业化的可行性。
这两条路径的底层逻辑已然不同：一方在锻造通用的“大脑”，另一方在攻克具体的“手脚”应用。 未来的产业分工很可能是：科技大厂提供通用大脑模型，本体制造商（如宇树科技）专注于高性能硬件，而场景方案商则负责最后一公里的部署与优化。
04 中美路径分歧：商业模式如何塑造数据逻辑
中国不少机器人团队是“真机派”，认为真实数据泛化性更好。这背后往往不是纯粹的技术判断，而是商业模式使然。
许多机器人公司的核心盈利模式是销售硬件本体。为了支撑这个商业模式，就必须强调真机数据的独特价值，因为只有真机才能采集到“原汁原味”的真机数据。本质上，这类公司扮演了“数据采集厂”的角色——通过销售和部署机器人来采集数据，再用数据反哺算法优化，形成一个商业闭环。
然而，真机数据存在天然的天花板：极其准确，但难以规模化，且成本高昂。自动驾驶尚可通过车主被动采集数据，而机器人目前远未达到如此规模的部署。没有规模化的部署，何来规模化的数据？
正是商业模式倒逼出的数据逻辑，深刻影响了中美团队在发展机器人技术路径上的不同选择。
05 最有价值的数据：从“完美执行”到“失败纠错”
早期，客户普遍要求“完美数据”。例如，演示机器人做披萨：从冰箱取出面饼、均匀涂抹酱料、依次放置蔬菜和肉类、最后精准送入烤箱，整个过程行云流水，毫无差错。
后来业界发现，最有效的数据往往是“先失败再成功”的数据。
比如，机器人抓取蘑菇切片时没拿稳，蘑菇掉在了桌上，它再次识别并捡起，放回正确位置。这种“纠错数据”或“负样本数据”的价值，常常远超一次完美执行。因为当模型的认知与泛化能力提升后，它能够从错误中学习到更复杂的物理规律和任务逻辑，这更接近于人类的学习过程。
传统数据追求完美、正确、标准答案。而面向智能进化的数据，则需要多样性、逻辑关系，甚至包含错误。智能的本质，或许正是学会如何应对不确定性，而非简单地压缩和复现已知答案。
06 生态三角：霸权难成，共生演进
未来的人工智能世界，通用大脑会形成一家独大的霸权吗？
情况可能类似当前的大模型行业。人们曾以为OpenAI能形成垄断，现在看来并非如此。
关键仍在于数据闭环的掌控权。 如果这个闭环完全绑定在单一机器人本体上，并且该本体能够大规模落地到各种场景，从而回收海量独家数据，用于训练其专属大脑，那么霸权确实可能形成。特斯拉在自动驾驶领域的领先，一定程度上就源于这种“硬件-数据-算法”的垂直整合模式。
但如果是走“本体无关”的数据路线，那么通用大脑厂商就必须与仿真数据商、场景方等生态伙伴共生演化。在这种情况下，任何单一厂商都很难独自形成霸权。
具身智能所需的数据量，可能是大语言模型的成千上万倍。唯一的解决之道在于：从“以人为中心”的数据采集，转向“以系统为中心”的数据生成。 未来的顶级AI数据公司，其核心产品可能不再是数据集本身，而是提供一个高度逼真的“环境”或平台，让AI能在这个环境中通过强化学习等方式自主探索、试错并无限进化。
这类似于爱因斯坦的“思想实验”。对于AI而言，“思想实验室”就是仿真环境。仿真是具身智能实现自我持续进化的先决条件。
最终，是选择依赖“本体相关数据”构建垂直壁垒，还是拥抱“本体无关数据”追求通用智能，将决定技术终局的走向。
当大语言模型在数字世界的语料库中寻找答案时，机器人正在物理世界的荒漠中艰难寻觅数据。这两条路径终将在某一点交汇。到那时，数据将不再主要依赖人类手动采集，而是AI在仿真环境中自主“修炼”而成。
届时，所谓的数据公司，实质上将成为教育公司，只不过它的学生，是不断进化的人工智能。
发表于 2 小时前
|
查看: 5|
回复: 0
