“真正好用的数据，应该来自真实场景，要能够有效支撑机器人训练。”近日 ，在第九届中国机器人峰会现场 ，华睿智普创始人兼CEO蔡镇辉的一句话，反映出行业对高质量数据的关注 。
今年以来 ，市场对具身智能落地的期待进一步升温 。当机器人从表演展示加快进入分拣、装配 、搬运等真实作业场景 ，高质量数据的重要性随之凸显。
多位业内人士对上海证券报记者表示，具身智能行业数据的稀缺性体现在两方面：一方面 ，行业可利用的存量数据较少 ，因此不少企业正快马加鞭，力争获取百万小时级数据量；另一方面 ，行业也仍在探索 ，究竟什么样的数据是“好数据” 。
数据缺口超过99%
“从模型来说，我们认为一个合格的产业级模型至少需要100万个小时的数据积累才能训练出来 。 ”在峰会现场 ，星海图商务总监沈鑫表示。
在多位受访者看来 ，数据规模是模型训练的重要基础，“只有达到一定的数据量，才能更好地训练机器人和模型 ” 。
这一观点也在研究层面得到印证 。浙江大学教授 、浙江人形机器人创新中心首席科学家熊蓉介绍 ，团队研究发现 ，具身智能领域的Scaling Law（规模定律）确实存在，“随着数据堆上去以后 ，性能也会不断提升”。
不过 ，与快速爆发的行业需求相比，现阶段的数据供给仍显不足 。贵州省大数据局曾在7月的新闻发布会上披露 ，当前国内真实物理交互场景合规数据约50万小时 ，而机器人商业化落地需要数千万小时的数据，数据缺口超过99% 。
数据难题之下 ，不少具身智能企业开始冲刺“百万小时级 ”数据建设。例如：千寻智能表示 ，已累计获得超过20万小时多类型真实交互数据，计划年内突破100万小时；星海图表示 ，计划年内完成百万小时数据建设 。
由昆仑万维孵化的具身智能企业黎曼动力也提出类似目标 ，其联合创始人李阳光在接受记者采访时透露：“近来 数据积累已过半，有望在今年底前达成 。”
“好数据 ”不依赖单一来源
在具身智能行业竞逐数据规模的同时，一个问题随之而来：什么样的数据才是行业想要的“好数据 ”？
“量只是一个维度 ，数据的质量、对机器的泛化能力同样关键。”蔡镇辉告诉记者 ，真正有价值的数据应能够有效支撑机器人训练，并具有较好的泛化能力。
蔡镇辉提出了判断维度：数据的动作或位移轨迹要清晰 ，在不同机器人 、不同模型之间具备一定的适用性 ，同时比较好 来源于真实场景 。基于此判断，华睿智普在峰会期间发布了睿眸星源数采生态系统 、EGO数采终端等多项产品和技术方案 。“我们的思路是直接进入工业现场采集 ，让真实工作过程中产生的数据用于机器人训练。 ”蔡镇辉说 。
珞石机器人执行董事、副总裁宋斌则认为 ，高质量数据并不依赖单一来源 。“无论是数采数据 、真机数据还是Sim2Real的拟合数据，混合起来搭建的数据库才是未来具身智能真正好用的垂域高质量数据集。 ”他表示 ，随着机器人真正进入作业场景 ，生产过程中产生的真机数据可进一步反哺模型训练，形成持续迭代的数据闭环 。
“异常数据”同样重要 。熊蓉表示：“高质量数据不仅是指正常的数据 ，也包括各种各样的异常数据。 ”但她坦言 ，异常数据很难完全模拟，若在仿真环境中模拟，则须考虑其与真实环境之间的差距 。
规模化落地尚需多环节协同
高质量数据是具身智能走向真实场景的重要基础 ，但要将数据进一步转化为稳定的作业能力 ，还需要模型 、算力、本体和感知等多个环节协同 。
浙江大学机器人研究院院长朱世强认为，当前机器人落地主要存在“场景派 ”和“技术派”两种路径：前者以具体场景推动应用 ，可形成商业闭环 ，能在短期内取得一定的效益，但也面临跨场景泛化能力不足 、复制成本上升等问题；后者追求通用性和自主决策能力 ，但研发周期更长 、商业化速度较慢。如何兼顾技术迭代周期与场景落的实用性 ，仍是值得产业探索的问题 。
熊蓉表示，近来 不少机器人Demo已表现出较强能力 ，但在真实场景中的表现仍有一定进步空间 ，机器人要真正实现落地应用，“不仅要可泛化 ，而且要精准、可靠 、高效率 、低成本” 。她以工业场景为例 ，部分精密作业的精度要求达到亚毫米级，甚至0.05毫米，同时还要考虑可靠性、生产节拍、算力和成本等问题 ，这些都对机器人的实际部署提出了更高要求。
蔡镇辉则将大模型 、真实数据和端侧算力视为具身智能规模化落地的三大关键突破点。其中：大模型承担感知 、决策和运动规划等能力；真实数据用于训练和提升机器人的实际作业能力；端侧算力则为模型在机器人本体上的实时运行和反馈提供支撑 。三者协同 ，方能进一步推动机器人从技术验证走向真实场景应用 。
（文章来源：上海证券报）
