3小时前 独家｜对话里工 CEO 李卫铳：为数采升维，让数采无阻，补位行业真正稀缺

作者：彭堃方    编辑：吕鑫燚    出品：具身研习社

似乎一夜之间，具身智能赛道里冒出了数十家数据采集设备商。热闹是真的热闹，甚至让人想起当年智能手机产业刚刚起势时，一群嗅觉灵敏、玩家蜂拥而入掀起的山寨潮。

但数采这件事，不是一个“赶风口”的轻松生意。表面上看，大家都在卖设备；更深一层看，行业真正争夺的并不是一副夹爪、一套手套，甚至不是某一种采集形态本身，而是面向模型、本体落地的数据生产能力：谁能把数据采得更全，谁能让采集更经济，谁能真正进入真实场景，沉淀那些过去难以被量化、也最难被替代的操作经验，才是数采潮清洗出来的主线。

这些能力，不是单一硬件能解决的，既需要硬件能力，也需要行业 know-how，更需要对“模型如何走向真实落地”这件事的系统判断。

也正因此，数采不是做减法，而是做加法。这也是里工正在做的事情。

近日，拥有 40 年精密加工制造经验的、全栈式的具身智能本体解决方案商里工（LiGong）发布了 ChiroSync 如意数采套件，一种 Egocentric 多模态数据采集与机器人遥操示教一体化平台。

图源：里工

如果只把它理解成一款新上市的采集 Ego 数据的设备，显然是低估了这家公司真正想表达的东西。在与具身研习社的对话中，里工 CEO 李卫铳反复强调，里工做的不是一门“卖设备”的生意，而是在尝试回答一个更底层的问题：当具身智能走到今天，行业究竟还缺什么样的数据，又该用什么方式，把这些数据更高质量、更低门槛地生产出来。

里工在思考的加法是，能不能把数采这件事做得更高维，但也更无感；能不能不只服务实验室里的演示，而是走进精密制造、生命科学等真实作业现场，去采那些岗位上的真正稀缺、也真正决定具身智能落地上限的“真人”的数据。这些也正是李卫铳坚信的“以人为本”的数采套件一定要做的。

这两年，具身智能行业在数据采集上形成了一种相当鲜明的倾向：大家都在追求更轻、更快、更便宜的采集方式。无论是真机遥操，还是 UMI、第一人称视角、夹爪式采集，本质上都在努力回答同一个问题——怎样用更低的门槛，快速把数据量堆起来。

这个方向当然没有问题，但问题在于，当行业越来越追求“采得快”时，另一件事反而常常被忽略：采得全面、采得好。

李卫铳的判断很明确，很多当下流行的采集方法，本质上都在“丢维度”。比如两指夹爪类工具，它们或许能解决相当多基础任务，但很难拟合出五个手指各自的关节状态、角度乃至触感；而第一人称视角虽然经济，却并不总是决定作业本身的关键变量。在很多真实作业里，人的眼睛并不直接看着手，手却仍在完成操作，视觉只是辅助，真正决定精细动作的，常常是某种由触摸中习得的“手感”。

按照李卫铳的说法，在工业场景乃至整个人类作业场景中，手指、手腕贡献的劳动成果占比极高，可能超过 70%。但如果数据采集从一开始就把最重要的末端细节舍弃掉，那么模型学到的能力天然就是“压缩版”的、低维度的，之后再想往更精细、更复杂的操作场景里走，难度只会更大。

图源：里工

这也是里工为什么要从“全模态+五指”切入。里工推出的如意数采套件 ChiroSync 可实现视觉、触觉、音频、关节角度、空间位姿五大维度数据的毫秒级同步采集，其中，触觉尤为关键。这套设备的触觉精度最高可达 0.01N，完整还原肌肉记忆中的细微力度变化，补上了具身智能模型训练长期缺失的关键维度。

图源：里工

过去在精密制造里，人们常说老师傅“摸一下”就知道零件合不合格。这种能力来自大量重复练习形成的肌肉记忆，也来自人手对触感的极细腻感知。但这样的经验长期以来都难以被量化，更谈不上标准化输入模型。对机器人而言，若要真正获得这类能力，触感就不能再停留在“可有可无”的附加项，而必须成为被采集、被标注、被训练的一部分。因为只有当它被量化为可评分、可学习的信号时，机器人才有机会真正进入那些对精度和稳定性要求极高的作业环节。

图源：里工

进一步看，“五指”本身也不只是一个硬件选型问题，而是一个带有终局意味的数据构型问题。过去行业里常有一种说法：现阶段机器人落地，二指已经能覆盖七八成任务，既然两指模型都还没有完全跑通，为什么要急着上五指？李卫铳的回答并不复杂：因为五指数据可以降维到两指、三指使用，但反过来，两指数据却很难自然地升维到五指。也就是说，五指并不只是为“更远的未来”准备，它同样能服务于当下的阶段性落地，只不过它选择的是一种更高维、更有余量的起点。

因此，里工所说的“升维”，并不是没必要的炫技，也不是和行业主流唱反调。恰恰相反，它是在行业普遍追求规模化、经济性的背景下，重新把那个更本质的问题提了出来：模型最终要进入的，一定不是实验室里的演示环境，而是充满细节、误差、手感和经验密度的真实世界。倘若数据本身不具备足够维度，模型的天花板很可能从一开始就被写死了。

如果说“升维”回答的是数据该采成什么样，那么“无阻”回答的则是，数据到底该怎么被更大规模地生产出来。

过去两年，以真机为代表的中心化数据采集模式，的确支撑了具身智能的早期发展。各地建立本体数采中心，购买机器人、搭建场景、雇佣操作员，围绕训练构建一整套高成本基础设施，这曾经是行业的主流路径之一。但随着行业继续往前走，这种模式的弊端也越来越明显：运营成本高、扩展速度慢、数据获取效率低，而且最重要的是，它很难真正实现跨场景、跨本体的泛化。

李卫铳对此的概括很直接：“真机数据属于 0 到 1，但 1 到 99，不能再沿用这条路线”。因为真机数据固然重要，却很难承担“规模化喂养模型”的全部任务。不同本体之间存在结构差异，躯干、臂展、自由度都不相同，真机数据天然存在迁移障碍；而具身模型真正想要的，又不是某一台机器人的有限经验，而是更广泛、更丰富、更贴近人类社会真实操作的知识来源。

图源：里工

在这个意义上，分布式数采之所以成为新的重点，不只是因为它能提高效率，更因为它可能把数据生产这件事，从实验室和训练中心里“释放”出来。

里工所强调的，就是一种更进一步的分布式：不是简单换个地方采，而是尽可能让采集本身变得无感、无阻，嵌入真实作业流程，而不是额外创造一套新的流程。

这也是里工与不少同行在方法论上的差异。按照李卫铳的说法，很多去中心化方案的背后，仍然默认了一种逻辑：找一批人，学会一套新工具，再完成采集任务。这样看似分布式了，但本质上还是把数采变成了一种新增的人力工作，甚至走向“廉价人力堆规模”的路径。里工并不认同这种模式。它更希望把套件交给那些原本就在产线、实验室、真实岗位上工作的人，让他们在不增加学习成本、不改变原有作业习惯的前提下，自然地留下数据。因为真正有价值的数据，往往不来自某种刻意、额外的生产，而来自日常经验的“留痕”。

图源：里工

这背后其实是一个很重要的认知转向：数采不该只是一个技术动作，它还应该是一种对技能沉淀方式的再设计。那些熟练工人、实验人员、精细操作岗位上的工作人员，他们本身就在持续输出行业里最难复制的经验。如果采集工具足够轻便、足够便宜、足够不侵入，那么这些经验就有机会在不打断作业的情况下，被自然记录下来。数据采集也就不再是一个额外负担，而是融入真实生产过程的一部分。

所以，里工发布的数采套件可以称得上真正的分布式数据采集工具，它的核心表征就是“无阻无感”。

图源：里工

当然回到最关心的经济性问题上来，它强调的也不只是设备价格低，而是进入门槛低、部署门槛低、使用门槛低。李卫铳提到，市面上一些 UMI 夹爪工具价格已在 9 万到 12 万元不等，而里工如意数采套件采用五指原生的高精度力觉数据捕捉方式，其市场定价却仅约一半。这是因为，里工并不把高毛利硬件本身作为核心目标，它更关心的是如何用极致性价比，把工具铺到更多场景里，把数据真正采上来，再通过后续的数据整理、标注、清洗和与模型对接，形成完整的数据生产能力。

也正因如此，里工把“套件”而不是“硬件”作为自己的表达。它不仅提供采集端，也提供云平台与后续处理服务，既可以对接公有云，也可以进入私有云，为客户完成数据整理、清洗和模型对接。这意味着，很多工业客户并不需要自己从零理解“数据怎么变成模型燃料”，他们只要把最擅长的作业做好，就可以把专业知识沉淀成结构化的数据资产。对行业来说，这是一种比单纯卖设备更深的补位。

今天谈数据，已经很难不谈“热”。

从新一批创业的热情到大额的融资、暴涨的估值，具身赛道正在把“数据”重新推成一个高频词。李卫铳对此的判断也很直接：“2026 年，是数据生产能力被重新定价的一年。而那些做数据处理、数据生产的企业之所以估值上升得快，本质上也说明市场仍处于供不应求状态。说得更直白一点，大家都知道这件事重要，但真正能把它做好、做深、做成壁垒的公司，其实还不多”。

数据赛道虽然拥挤，但拥挤并不等于稀缺被解决。

当前具身数据行业正处在一个很有意思的节点上。一方面，模型训练确实存在大量数据缺口，企业都在试图摆脱真机数据难迁移、难扩展的问题，寻找更普适、更低成本、可以快速做大规模的数据形态；另一方面，行业也越来越意识到，模型通往通用的路并不会一蹴而就，尤其在真正落地前，很多场景里更缺的不是“更多差不多的数据”，而是某些真正贴近现实任务、能够满足特定落地需求的垂直数据。

这恰恰是里工下场的理由。它当然承认数据规模的重要性，也承认多模态、多样性会提升模型能力。但李卫铳认为“与其去争夺那些更容易获取、更容易想象、护城河也更低的生活场景数据，不如扎进自己真正熟悉、真正有产业资源积累的垂直场景里，去做别人不那么容易做、也更难替代的数据”。

图源：里工

李卫铳给出的两个核心场景非常明确：精密制造，以及生命科学、化学实验相关场景。这类场景中包含了诸如依赖工匠式的触感、精细装配和亚毫米级操作经验，涉及了滴定枪、多孔板等典型五指精细作业，这些都不是结构简单、模态单一的数采设备所能覆盖的任务。

换句话说，里工想做的，不是“最多的数据”（这是在普遍大规模数据放量阶段反共识动作），而是“真正缺的数据”。不是在最容易获得的地方继续内卷，而是在行业最不容易获得的地方补位。这样的数据，既是里工自身的壁垒，也是具身行业真正走向落地所需要的稀缺资源。

从这个角度回看里工坚持的“全模态+五指”，以及它对去中心化、无感采集、低成本进入的强调，就会发现这并不是几项分散的产品特性，而是一套独特的认知论：在需求侧，行业需要更大规模、更高质量、可服务模型与本体泛化的数据；在供给侧，真正有价值的，不是抽象意义上的“任何数据”，而是那些植根于真实行业、真实岗位、真实技能流动中的稀缺数据。里工的价值，正落在这两者的交汇处。

总之，真正决定一家数采企业能走多远的，最终恐怕不是它卖出了多少套设备，而是它有没有能力把那些原本散落在真实世界里的“隐性经验”，转化为可沉淀、可迁移、可训练的数据资产。具身智能走到今天，数据行业竞争的表层看起来像是在比拼硬件形态、采集效率与成本曲线，但更深层的分野，已经转向谁能更早进入那些高门槛、高经验密度的真实场景，谁能把人类长期积累却难以言传的操作能力，第一次系统性地翻译成机器可以学习的语言。

从这个意义上说，当前数采的价值更像是在重建一套新的行业知识提取机制，谁掌握了这种机制，谁就更有可能在下一阶段的具身竞争中，占据真正靠近产业腹地的位置。