2026-09-28 机器人数据不是石油，而是一条产线

作者：毛不毛     出品：具身智能前沿

导读

很多机器人团队已经意识到数据重要，但仍把“多采一点”当成主要解法。问题是，机器人动作数据不是挖到就能炼的石油：它先要被定义、采集、判别、处理，再映射到具体硬件，并在训练和部署失败后反向修正前序环节。真正决定上限的，往往不是数据规模，而是这条数据产线是否闭环。

数据多了，能力为什么没有同步涨

过去一年，机器人行业很容易达成一个共识：模型重要，数据也重要。再往下一步，很多团队的动作也很直接：加相机、加遥操作、加采集班次、扩大数据集。

但现实经常是：硬盘里的数据越来越多，机器人成功率却没有明显提高。同一种抓取，在训练集里看起来正常，换到桌面上就失败；同一个流程，人演示得很顺，机器人复现时总差一点；数据清洗花了很久，模型最后还是只学会几个固定场景。

这不是简单的“数据还不够多”。更常见的原因是，团队把具身数据理解成原材料，默认采集量上去，能力自然会出现。

在 2026 世界机器人大会上，自变量机器人创始人王潜对“数据是人工智能时代的石油”这个说法提出了不同看法。按他的理解，高质量机器人数据更像工业品，背后有一条很长的生产链路：数据怎么定义、怎么采、怎么判断好坏、怎么处理、怎么映射到机器人，再怎么根据训练结果反向优化前序环节。

图片说明：王潜在 2026 世界机器人大会演讲。 图片来源：RoboX

这个区分很关键。石油比喻强调“资源有没有”，工业产品强调“工艺对不对”。如果产线没有建立起来，采集越多，可能只是把错误、重复和不可用的数据更快地堆进硬盘。

先定义数据，而不是先安排采集

很多采集问题不是发生在现场，而是发生在定义阶段。

同样叫“抓取数据”，里面可能包含完全不同的信息：机械臂末端位置和姿态、夹爪开合、关节力矩、相机画面、物体状态、接触时刻，以及任务是否成功。

只记录外部视频，模型看到的是“人手怎样动”；只记录机械臂轨迹，模型可能不知道这个轨迹为什么在当前场景成立；不记录失败样本，模型又很难理解哪些接触、角度和受力变化会导致任务失败。

所以，数据定义首先要回答三个问题：

这个任务真正需要模型学习的是识别、规划、动作，还是接触过程？

哪些信号必须同步记录，时间戳是否能对齐？

成功和失败的判断标准是什么，能否被反复使用？

这也是具身数据和互联网文本、图片很不一样的地方。文本数据天然带有较清楚的语言单位，图片至少能保留外观和空间信息；机器人动作却必须和具体硬件、时间、接触以及任务结果绑定。

一条机器人轨迹不是“动一遍”那么简单，而是在特定硬件、环境和任务目标下产生的连续决策。定义不清，后续再规范也可能只是在生产无效样本。

机器人数据不是一个池子：示范、失败和接管分别教会模型什么

视频是观察样本，不是动作数据

互联网上并不缺视频。炒菜、倒水、装配、整理桌面，各种过程都能找到大量画面。于是有人会期待：模型看过这么多视频，是不是就能学会这些动作？

没那么简单。

图片说明：王潜演讲幻灯片，物理过程很难只靠语言或图像精确描述。 图片来源：RoboX

视频能告诉模型“看起来发生了什么”，但很多物理信息无法直接恢复。手和锅铲接触后用了多大力，夹爪在物体滑动前做了什么细微调整，零件卡住时阻力来自哪个方向，都不是普通 RGB 视频稳定包含的信息。

语言也一样。“大火翻炒至断生”没有完整给出手腕角度、锅铲速度、食材受力和炉灶距离。人可以靠经验补，机器人往往会在这些缺口上失败。

这里的核心不是视频没有价值，而是视频不能直接等同于可执行动作。它可以帮助模型理解场景、物体和结果，也可以作为预训练材料；但要让机器人动手，还需要补上动作、力、接触、硬件状态和任务反馈。

因此，数据团队不能只问“有没有更多视频”，还要问：

视频里的动作是否能被还原成机器人可执行的控制量？

采集设备和目标机器人的自由度、尺寸、夹爪是否一致？

画面时间、动作时间和传感器时间是否同步？

演示中的关键接触是否被单独识别和保留？

这些问题没有处理好，模型看再多视频，也可能只是更会描述动作，而不是更会执行动作。

人的演示，不会自动变成机器人的经验

很多团队会用遥操作或专用采集设备让人演示任务。这一步解决了“动作从哪里来”，但还没有解决“动作如何属于机器人”。

人的手、外骨骼、遥操作设备和目标机械臂结构并不相同。人的手腕和手指能形成多个接触点，机械臂可能只有平行夹爪，关节限位、负载和运动延迟也不一样。人能完成演示，并不意味着机器人按同样轨迹也能完成。

据 RoboX报道援引自变量发布的报告，自变量的一项关键突破是机器人硬件本体的精确回放：人在采集设备上完成任务后，相关数据可以映射到机器人本体，并以较高成功率回放相同任务。需要说明的是，这一说法来自媒体对报告的转述，并未出现在公开的演讲实录中，因此本文按“公司披露”处理。

这里的重点不是复制动作，而是在不同硬件之间建立可靠映射：人的意图、关键接触点、末端姿态和任务结果要被保留，不适配目标硬件的部分则要转换或修正。

这一步如果粗糙，训练数据会带着硬件偏差进入模型。模型可能学到采集设备的运动习惯，而不是目标机器人可执行的策略；也可能在仿真或回放中表现正常，一上真实硬件就暴露误差。

所以，数据采集不是“找人把任务做完”，而是把人的操作经验翻译成机器人可以理解、执行和复现的训练样本。

真正的数据链路，必须能反向纠错

如果把机器人数据看成工业品，就不能只关注生产数量，还要有质检、返工和再投产。

质检不只是检查视频是否模糊、轨迹是否丢失、字段是否为空，更要判断数据是否支持模型学会任务。完整演示可能缺少关键接触，失败轨迹可能暴露重要边界，高成功率数据也可能因场景单一而没有泛化价值。

这意味着数据判别需要同时看几层质量：

格式质量：画面、轨迹、传感器字段是否完整，时间是否对齐。

任务质量：动作是否达成目标，成功或失败标签是否可靠。

信息质量：样本是否包含关键接触、状态变化或难例。

泛化质量：物体、光照、位置和背景变化是否覆盖真实部署条件。

更关键的是，这个过程不能只朝一个方向走。采完、处理完、训练完还不够，还要看模型在哪里失败，再反过来修改前面的环节。

模型总在物体滑动时失败，可能要补力控和接触标注；换到新桌面就失效，可能要重采场景分布；演示无法稳定回放，可能是硬件映射有问题；训练集指标好、现场表现差，就要检查数据和部署环境是否一致。

高质量数据体系的本质，是一套能持续发现错误、定位错误、反向修正的数据闭环。

没有这个闭环，团队只能靠感觉加数据；有了这个闭环，每一次失败才会变成下一轮采集和处理的明确输入。

最后要回到真实生产价值

机器人数据链路再复杂，也不能为了技术自洽而存在。它最终要回答一个问题：这些数据是否让机器人在真实场景中更稳定、更便宜、更容易部署？

王潜在演讲实录中披露，其 WUM（世界统一模型架构）已在某头部物流公司的真实工业产线上落地：机器人要实时识别、抓取和分拣大量不规则、堆叠的包裹，该落地的 ROI 已达到或者超过人类水平。中国新闻网的报道显示，这一合作方为圆通速递。

除公司自述外，目前没有第三方对上述 ROI 做独立核算，本文不把它当作已验证结论。但它指出的标准成立：产业场景不会为数据规模或模型概念付费，只看机器人能否持续完成任务，以及成本、效率和稳定性是否说得通。

这也解释了为什么数据产线要服务现场闭环。真实包裹会变形、堆叠、反光，工位有节拍、遮挡和异常件。数据定义、采集和处理的问题，最后都会在现场暴露。

结语

石油比喻容易传播，却可能让人只盯着资源储备；机器人数据真正考验的是生产系统。

从定义任务信号、采集关键状态，到判别样本价值、处理成训练格式，再到映射硬件、部署反馈，每一步都要能被下一道工序检验，也能被失败结果反向修正。

所以，机器人团队真正需要补的，不只是一个更大的数据集，而是一条能稳定生产高质量经验的数据产线。机器人最终能学到什么，取决于这些数据有没有被准确做成它可以执行的经验。