6小时前 北京首家训练中心停运背后：具身智能数采告别“拼小时数”时代

作者：毛不毛     出品：具身智能前沿

北京首家训练中心停运：具身数采的标志性转身

近日，成立刚满一年、位于北京石景山区的首家人形机器人数据训练中心调整停运。

一年前启动仪式上，各方曾对这座“数据工厂”寄予厚望：标准化布景、批量部署人形机器人遥操工位、通过人工采集清洗打造可交易的数据资产。然而仅仅运行一年便悄然退场，在具身智能领域引发了不小的震动。

图片说明：北京石景山区首家人形机器人数据训练中心现场标牌 图片来源：智能纪元 AGI 报道

这并非孤立个案。根据调研机构 Interact Analysis 统计，截至 2026 年 4 月底，国内已有超过 90 个人形机器人数据采集和训练中心处于在用或规划建设中。真机遥操作（Teleoperation）几乎是这些数采中心最标配的数据生产方式。

当初大家一窝蜂涌入集中式数采，逻辑看似很顺：大语言模型（LLM）有 Common Crawl，多模态视觉有海量互联网图文，而具身智能面对的是物理世界的数据荒漠。许多团队直觉地把互联网时代的“数据标注工厂”模式照搬过来，试图靠堆人、堆场地、堆机器，暴力堆出具身智能的“ImageNet”。

但现实很快给行业泼了冷水：靠人工在封闭实验室里搭建标准化场景，到底能不能产出支撑真机泛化的大模型数据？当数采硬件不再稀缺，我们真正缺的究竟是什么数据？

北京首家训练中心的停运不是某个单一项目的偶然挫折，而是具身智能行业从粗放“攒数据”走向深度“用数据”过程中的必然转身。

集中式数采工厂的三重死穴：为什么“拼小时数”走不通？

在具身智能发展初期，“无真机数据可训”是核心卡点。实验室真机遥操通过操作员远程控制机械臂或人形本体，完整保留了接触刚度、摩擦力、重力扰动与人类的自适应纠错过程，确实为动作基模的冷启动立下了汗马功劳。

但当模型规模向数十亿甚至数百亿参数演进、行业试图从 Demo 走向生产时，集中式数据工厂的三重深层死穴彻底暴露：

1. 成本账算不过来：缺乏自我造血机制

真机遥操作是极度重资产、人力密集的生产模式。在实际运营中，操作员每日 8 小时工时里，扣除机器复位、传感器标定、机械臂过热冷却与通信调试，有效动作采集时长通常仅有 2 到 5 小时。

折算下来，单台机器人单小时的有效数据成本常年高于 500 元，单日单个遥操工位消耗数千至数万元。

更严峻的是下游训练的账本。极佳视界联合创始人、首席科学家朱政曾披露过一组测算：以几十万小时真机数据训练数十亿参数的具身基模，当前训练成本约在 1 亿元左右；若数据量扩大至千万小时、模型扩大 10 到 100 倍，单模型训练成本将飙升至不可承受的天文数字。

实验室数据工厂只产出训练数据、不承接实际商业交付，完全依赖研发预算与融资输血。下游模型公司买单意愿有限，一旦资本热度降温，重资产模式便率先陷入停摆。

2. 硬件强绑定与数据孤岛：动作空间无法复用

真机遥操数据与机器人的硬件本体高度耦合：机械臂自由度（6DoF vs 7DoF）、末端夹爪或灵巧手构型、RGB-D 相机安装基线与外参、驱动电机的扭矩曲线……任何一项硬件迭代，都会导致之前采集的轨迹在新的 Action Space（动作空间）下直接失效。

这种强绑定使得数据资产极难跨本体沉淀与复用。换一批机器人或升级一次构型，历史数据几乎面临全盘报废的风险。

3. 封闭环境的伪泛化：“训练场满分、现场失灵”

传统数采工厂多在恒定光照、规则台面、摆放整齐的标准化隔间内采集。

然而，真实物理世界的复杂性恰恰来自于无穷无尽的长尾扰动：窗外光照渐变、反光材质干扰、地面微小沉降、被操作物体的微小形变与滑动。在实验室无菌环境里采出的“干净数据”，往往导致模型过度拟合特定坐标，看似在训练场上行云流水，一旦被扔进真实工厂或家庭，面对微小扰动便立刻抓瞎。

突围路径一：真实业务派，用“真干活”形成正向飞轮

面对集中式数采的死穴，行业分化出的第一条突围路径是：把机器人直接部署到真实业务现场，让数据成为“真干活”的副产品。

这套思路的核心在于解决两件事：经济性与长尾扰动。数据采集不再是一项纯烧钱的研发支出，机器人在承接商业业务的过程中自然赚取服务收入，从而把昂贵的数采成本大幅摊薄。

图片说明：RealBOT 机器人在药店、配电室等真实业务场景作业 图片来源：智能纪元 AGI 报道

国内具身智能企业睿尔曼智能推出的 GLN（Global Labor Network）全球远程作业网络便是典型代表。通过毫秒级低延迟远程操控，专业操作员跨地域调度部署在真实场景中的 RealBOT 机器人，直接在药店完成夜间拣药补货、在变电站配电室执行仪器巡检，乃至协助非遗师傅制作月饼。

正如其团队在 2026 世界机器人大会上总结的逻辑：“实验室遥操解决的是‘有没有数据’的问题，而到真实作业环境中远程遥操，解决的是‘数据好不好’的问题。”

当机器人真正进入近千个实体业务节点运转，“业务作业 → 真实长尾数据沉淀 → 模型闭环迭代 → 更强作业能力”的正向飞轮才具备成立的商业前提。

突围路径二：经验工业化派，从模型训练逆向重构第一视角数据

与真机业务遥操并行的另一条技术主线，则是以人为中心的第一视角（Ego）多模态数据采集。

相比真机遥操，以人为载体佩戴数采设备具有显著的低成本与高并发优势：无需购置与维护数十万元的机器人本体，便能让普通人在真实家庭、商场、工厂中海量采集人类的一手物理交互经验。

但 Ego 路线同样面临一个本质瓶颈——人到机器人的“具身鸿沟”（Embodiment Gap）。人类手掌拥有 20 多个自由度和精细的柔性运动学，而下游执行任务的机器人可能是二指夹爪、三指手或不同关节限位的机械臂。人手动作无法 1:1 直接充当机器人的电机控制指令，必须依赖算法在运动学层面做动作重定形（Kinematic Retargeting）；同时，Ego 采集天然缺失真实机器人关节电机的输出力矩（Torque）与接触刚度等逆动力学（Inverse Dynamics）反馈。

这意味着，Ego 路线不仅要求硬件设备足够轻便以便于大规模佩戴，更倒逼数采系统必须在硬件底层实现极致的多传感器同步，并在前端直接解算出高精度的 3D 空间位姿与动捕关键点，才能最大程度弥合具身鸿沟。

图片说明：Ropedia 从简易原型机到 HOMIE Gen2 的数采硬件演进历程 图片来源：AI 前线报道

开源数据集 Xperience-10M 背后的 Physical AI 数据基础设施公司 Ropedia（由南洋理工大学刘子纬教授、Meta 背景的陈昭熹与洪方舟联合创立）近期发布的新一代轻量化第一视角头戴数采设备 HOMIE Gen2（整机仅重约 380g，支持 13 小时连续离线采集与最高 2TB 本地存储），展现了从“模型训练需求逆向定义硬件”的工程化解法：

1. 360° 空间视野与空间音频：补齐交互上下文

人类在物理环境中的操作决策绝非仅依赖眼前的局部视野。身侧的障碍物、身后的声响、环境光源的变化，都在影响动作的执行。HOMIE Gen2 采用 4 目全景相机实现 360° 空间视野覆盖，并结合 4 路空间音频，使模型不仅能看见双手动作，更能理解整个物理场前后的完整上下文。

2. 硬件级微秒同步：消除运动时空错位

当操作员快速转头、伸手抓取时，如果视觉传感器与惯导（IMU）之间存在毫秒级的时间抖动，图像特征与位姿加速度就会发生错位。HOMIE Gen2 将 4 路视频、4 路空间音频与 200Hz 6DoF IMU 做到 50 微秒精度的硬件级时间同步，彻底消除了动态交互中的时空对齐误差。

图片说明：HOMIE Gen2 采集并处理的结构化多模态数据展示 图片来源：AI 前线报道

3. 开箱即用的结构化数据：前端阻断清洗成本

算法团队最痛苦的往往不是拿不到数据，而是买来上千小时原始视频后，还要耗费数月做繁琐的手部标注、滤波去噪与位姿恢复。如果只向大模型喂入纯 2D 像素视频，模型需要自行盲目推算空间深度与运动学规律，训练收敛极慢且极易产生物理幻觉。

真正能够直接喂入具身基模与 VLA（Vision-Language-Action）模型的，必须是时空对齐的结构化动作轨迹（Trajectory）——即 [多模态观测 (Observation), 空间动作 (Action), 任务语义 (Language)] 的统一时间序列。

HOMIE 链路在前端直接完成了这套工业化封装，输出开箱即用的结构化 Xperience 数据：

显式空间与几何先验：包含精确标定的双目视频、稠密深度图、相机 6DoF 位姿轨迹，甚至支持输出 3D 高斯（3DGS）与 4D 物体跟踪，直接赋予模型三维空间感知；

高精运动学与姿态监督：手部 21 关键点动捕平均误差仅 4.68mm、全身 52 关键点，直接为大模型生成精准的空间 Action Token 提供显式运动学几何监督信号；

分层语义对齐：任务、子任务、原子动作三层文本语义标注准确率达 96.0%，使视觉、语言与控制信号在底层完全对齐。

图片说明：具身数据基础设施演进的三阶段路线图 图片来源：AI 前线报道

具身数据的下半场：从“攒数据”到“物理世界经验的工业化”

从北京首家数据训练中心的停运反思，到真实业务遥操与多模态经验数采的并行演进，具身智能的数据竞争正在全面切换赛道。

面向下一阶段的技术与工程选型，行业正在形成三个核心判断：

1.有效性重于小时数：未经严格标定、缺乏多模态时钟同步、充斥无效停顿的“脏数据”，即便堆到 10 万小时，也无法训练出鲁棒的具身大脑；

2.算法理解重于硬件拼装：数采设备本身已无秘密，真正的壁垒在于从模型训练和 Action Space 逆向设计数据格式、提高结构化信息密度的能力；

3.自我造血重于纯研发投入：无论是走向真实业务现场做“真干活”的分布式遥操，还是以低成本设备规模化并发采集人类高维物理经验，能够跑通自身经济账的路线才能穿越周期。

具身数据金字塔：从互联网视频、世界模型到物理数采

放眼更长远的具身数据技术版图，行业也正在明确不同数据源的分工边界：

互联网数十亿小时公开视频（被动常识底座）：负责让模型通过海量真实人类视频（如烹饪、手工、日常活动）被动学习物理世界的客观常识与环境多样性（如重力、遮挡、材质属性）。其优势是 100% 真实物理、绝无穿模幻觉，但痛点在于“缺少电机动作标签（Action-less）”，无法直接驱动关节执行；

生成式世界模型（主动脑内推演）：负责让机器人在“脑海”中进行动作条件推演与反事实试错（即推演“如果我施加这个力矩，下一秒画面会如何演化”）。其优势是支持数百万次无需毁坏真机的虚拟强化学习与无限并发，但挑战在于如何消除视频生成中的“物理穿模与自回归误差累积”；

物理世界真实数采（高精对齐与闭环）：以人为中心的第一视角（Ego）穿戴设备以极低成本规模化沉淀人类运动学经验，真机业务遥操则提供最终的高精度逆动力学与接触力闭环。

从海量公开视频学习物理常识，到世界模型脑内试错，再到真实数采的高精动力学对齐，共同构成了下一代具身大脑的数据金字塔。

当人形机器人从“展厅里的机械表演”走向“真实世界里的自主干活”，告别盲目烧钱的集中式数据工厂，回归业务实效与数据质量工程，具身智能才算真正找到了通往产业化的坚实地基。