具身智能数据Scaling路径：百万小时训练数据的闭环架构与产业协同
具身智能领域正在经历一场从算法驱动到数据驱动的范式迁移。当模型架构层面的创新空间逐渐收敛，训练数据的规模、质量和多样性正在成为决定系统性能上限的核心变量。近期，一项涉及百万小时级别训练数据规模的产业协作计划引发了行业关注------三方主体分别在模型训练、仿真基础设施和动作捕捉采集领域具备积累，计划于2026年底前完成百万小时量级的多模态操作数据生产。这个目标如果实现，将使得可用于训练的高质量操作数据总量翻倍。本文试图从技术架构和产业协同两个维度，分析这一路径的可行性与挑战。
一、数据规模与模型性能的量化关系
在具身智能的研究实践中，数据规模与模型性能之间的正相关关系已经被多个实证结果所验证。以当前公开的主要系统为例，某头部机构的策略基础模型使用了超过一万小时的操作数据进行预训练，另一家公司的通用机器人基础模型使用了约四万小时的训练数据。在更大规模的数据集层面，有研究团队联合二十余家机构采集了超过百万条操作轨迹，覆盖二十余种不同的机器人本体构型。这些数据表明，模型性能的天花板在很大程度上取决于可用训练数据的体量和多样性。
然而，从行业整体来看，可用数据存量与模型需求之间的缺口仍然显著。第三方研究机构给出的评估显示，全球范围内高质量具身操作数据的存量大约为五十万小时。这一数字分布在数百个独立的数据集中，格式不统一、标注标准各异、覆盖场景碎片化。这种数据供给的结构性短缺，已经成为制约具身智能模型泛化能力提升的主要瓶颈。
百万小时级别的数据生产计划，从量级上看是对现有存量的大幅扩展。但更关键的问题在于，这种扩展能否以系统化的方式进行，而不是简单的数据堆叠。数据的规模效应只有在数据质量可控、多样性有保障、格式标准化的前提下才能充分释放。
二、闭环训练架构的设计逻辑
自动驾驶领域的数据生产范式为具身智能提供了有价值的参考框架。在该领域中，领先企业已经建立了从真实道路数据采集、仿真场景生成、模型训练验证到车端回传的完整数据飞轮。真实数据提供了物理世界的精确信号，仿真数据则通过参数化和随机化手段放大场景多样性，两者形成互补的闭环，驱动模型持续迭代。
具身智能领域的闭环训练架构在原理上是类似的，但在工程实现上面临更高的复杂度。一个完整的闭环训练架构通常包含以下几个核心模块：
模型训练与评估模块。负责对当前的策略模型进行训练和性能评估，输出模型在不同任务、不同场景下的性能指标。这些指标不仅用于衡量模型的当前能力，更重要的是用于识别模型的能力短板------在哪些任务类型上表现不佳，在哪些环境条件下泛化不足，在哪些操作阶段容易出现失败。这些诊断信息是驱动闭环运转的起点。
数据采集调度模块。根据模型诊断结果，规划下一轮数据采集的任务类型、场景配置和覆盖重点。这一模块的核心挑战在于任务规划的最优化------如何在有限的采集资源下，选择最具信息增益的采集方案。这涉及到主动学习、实验设计、信息论等多个领域的技术。
仿真数据生成模块。基于真实采集的数据构建仿真场景的数字孪生，然后通过域随机化、场景参数化、对抗性生成等技术手段，大规模扩展训练数据的多样性。仿真环境的优势在于可以系统性地生成在真实世界中罕见的长尾场景，如极端光照条件、异常物体形状、多物体碰撞等，这些场景的采集成本在真实世界中极高。
评测验证模块。建立标准化的评测基准和测试集，对每一轮训练后的模型进行系统性评估。评测不仅覆盖成功率和效率指标，还需要分析失败模式、泛化边界和鲁棒性表现。评测结果反馈到模型训练模块，形成下一轮迭代的输入。
这四个模块的协同运转构成了数据闭环的核心架构。在理想状态下，每一轮迭代都会使数据覆盖更加完整、模型性能更加稳健，从而实现数据与模型的螺旋式上升。
三、多模态数据采集的技术体系
百万小时级别的数据生产，对采集技术体系提出了系统性的要求。当前主流的采集技术路径主要包括以下几个方向。
动作捕捉技术。通过光学或惯性传感器系统，精确记录操作者的全身运动轨迹和关节角度。动作捕捉数据可以为人形机器人的全身运动控制提供高质量的示范信号。在百万小时级别的生产计划中，动作捕捉设备的大规模部署和并行运转是产能保障的关键。光学动捕系统在精度上有优势，但对场地和环境有较高要求；惯性动捕系统在便携性上更好，但累积漂移问题需要有效的校正方案。
遥操作技术。操作者通过主端设备远程控制机器人执行任务，同步记录关节角度、末端位姿、力矩信息和视觉观测。遥操作数据的特点是数据与目标机器人本体的运动学完全匹配，不存在跨本体映射的问题。但采集效率受限于操作者的操作速度和持续时间，且对操作者的技能水平有一定要求。
人体自身运动采集技术。操作者佩戴轻量化的传感设备在自然环境中执行任务，记录第一人称视角的视频、手部运动和身体姿态。这类数据的采集效率较高，成本相对较低，但在将人体运动映射到机器人本体的过程中需要解决逆运动学、碰撞检测等转换问题。
上述三种技术路径各有优劣，在大规模数据生产中通常需要组合使用。关键的技术挑战包括：不同采集方式产出数据的格式标准化、跨本体运动映射的精度与鲁棒性、采集过程中的实时质量控制、海量数据的存储与检索效率。这些挑战在百万小时级别的生产规模下会被进一步放大，需要在工程架构设计阶段就充分考虑。
四、仿真基础设施的关键作用
在数据闭环架构中，仿真基础设施承担着数据放大器和场景扩展器的角色。其核心价值体现在三个方面。
场景多样性扩展。真实数据采集受限于物理条件，场景的多样性天然不足。仿真环境可以通过参数化的方式，系统性地变化光照、物体形状、材质属性、空间布局等环境变量，生成大量在真实世界中难以采集到的多样化场景。这种扩展对于提升模型的泛化能力至关重要。
边际成本递减。仿真数据的生成成本随着规模的扩大而显著降低。一旦仿真环境和物理引擎搭建完成，每新增一小时仿真数据的边际成本远低于新增一小时真实数据的成本。这使得仿真成为大规模数据生产中不可或缺的成本控制手段。
评测基准构建。仿真环境可以构建标准化的评测场景和自动化测试流水线，为模型的定量评估提供一致性和可复现性。这一点在百万小时数据的训练过程中尤为重要------没有可靠的评测基准，就无法准确衡量不同训练轮次之间的性能变化，也无法识别模型的真正短板所在。
仿真基础设施面临的核心挑战是物理真实性的问题。当前主流的物理引擎在处理刚体动力学方面已经相当成熟，但在柔体操作、流体交互、接触力精确建模等方面仍然存在显著差距。这些差距会直接传导到仿真数据的质量上，进而影响模型在真实世界中的表现。弥合仿真与真实之间的差距，即sim-to-real问题，仍然是该领域最重要的开放性技术问题之一。
五、数据标准化与开源生态
百万小时级别数据生产计划的另一个重要维度是数据标准化和开源生态的建设。当前具身智能数据的碎片化问题，很大程度上源于缺乏行业公认的数据格式标准和标注规范。
数据格式标准化需要解决的核心问题包括：统一的坐标系定义和约定、标准化的传感器数据描述格式、规范化的标注信息结构、可扩展的元数据描述框架。这些标准化的工作虽然不直接产出数据，但决定了数据在跨团队、跨项目、跨本体之间的可复用性和可整合性。
开源数据的价值则体现在对研究社区和中小团队的赋能上。在当前的行业格局下，头部机构凭借数据优势持续拉大与跟随者之间的差距，而学术界和初创团队受限于数据采集能力，难以开展有竞争力的模型训练实验。大规模高质量开源数据的出现，有望在一定程度上弥合这种差距，促进更加广泛的模型创新和算法探索。
从数据生产的组织模式来看，百万小时级别的计划代表着一种产业协同的新尝试。模型训练方提供需求侧的输入，明确需要什么样的数据；仿真平台方提供数据放大和评测的基建能力；采集方提供规模化生产的技术和产能。三方的协同构成了一个相对完整的数据生产体系。这种分工协作的模式如果能够有效运转，将为行业后续的数据建设提供可参考的组织架构模板。
六、挑战与展望
百万小时级别的数据生产在技术和管理层面都面临不容忽视的挑战。在技术层面，跨本体数据的格式统一、仿真与真实的弥合、长尾场景的系统性覆盖、大规模数据的质量控制自动化等问题都需要持续的技术攻关。此外，数据采集过程中操作者的一致性和规范性也是影响数据质量的重要因素------不同操作者在执行相同任务时的动作差异、操作习惯差异，都会引入数据分布的偏移，需要在预处理阶段进行有效的归一化处理。在管理层面，多主体协作中的利益协调、数据质量控制的一致性保障、采集产能的稳定性维护等问题同样需要精心设计。
数据标注环节同样面临规模化的压力。原始采集数据需要经过任务标签定义、操作阶段切分、关键帧标记、接触点标注、成功失败判定等多维度处理后，才能进入模型训练流水线。在百万小时量级下，传统的人工逐条标注模式不再可行，必须发展自动标注和半自动标注的技术方案，在保证标注质量的前提下大幅提升标注效率，使标注产能与采集产能保持匹配。
从更长远的视角来看，具身智能数据的生产正在从"手工作坊"模式向"工业化"模式转型。这种转型不仅仅是数据量的增长，更是生产流程的标准化、质量控制的系统化、以及数据利用的高效化。百万小时的目标是这一转型过程中的一个重要里程碑，但更值得关注的是支撑这一目标的技术架构和组织模式的可持续性。当闭环训练架构真正跑通、数据标准真正落地、产业协同真正形成合力，具身智能的数据供给侧才有望迎来质的突破。
数据规模的Scaling不是一个简单的线性过程。它需要底层技术的支撑、生产流程的优化、以及产业生态的协同。百万小时只是这个进程中的一个数字标记，真正决定行业走向的，是围绕这个数字建立起来的技术体系和协作范式。