10万小时数据不搞对齐只靠规模,灵初智能Psi-R2登顶MolmoSpaces！

机器之心发布

具身智能，正在进入一个新的叙事阶段。

一个越来越清晰的现实正在浮现：只靠真机遥操作数据，未必能把机器人真正送进大规模场景。

原因不难理解。数据贵，采得慢，节拍还往往不够真实。实验室里能跑通的 demo，到了工厂、仓储和零售现场，常常会被速度、成本和稳定性重新审视。真正决定下一阶段竞争的，已经不只是 “谁能做出一个演示”，而是谁能先把真实世界里的人类操作经验，规模化地转成机器人可学习、可迭代、可部署的能力。

4 月 10 日晚，灵初智能发布了大模型、数据集与合作计划：包括策略模型 Psi-R2世界模型 Psi-W0，以及总规模近 10 万小时的人类操作数据。它想回答的问题也很直接 —— 当真机数据不再是唯一解，机器人还能靠什么继续 scaling？

表面看，这是一场新品发布；但更深一层看，它更像一次方法论发布：当具身智能没有互联网式的数据红利时，下一步到底该靠什么继续往前走。

当真机数据不再够用

具身智能为什么转向 “人类数据”

先看这次到底发布了什么。

• 技术博客链接：https://www.psibot.ai/from-human-skill-to-robotic-mastery/

模型侧，是Psi-R2Psi-W0。数据侧，是总规模近 10 万小时的人类操作数据，以及首批开源的 1000 小时数据。这 1000 小时数据，被作为当前行业最大开源的人类手部操作全模态数据集之一来推出。

更具体地看，这套体系中包含5417 小时真机数据，来自灵初自研的 MobiDex 数采平台；人类数据则达到95472 小时，覆盖多场景、多任务、多物体。这也是少数明确把近 10 万小时量级人类数据系统性用于机器人预训练的模型方案。

为什么是 “人类数据”？

因为具身智能和大语言模型、自动驾驶不一样。它没有互联网式的海量现成数据，也很难在商业运行中自然沉淀出足够规模的高质量训练样本。数据从哪里来，已经成了这个行业最核心的问题之一。

而人类每天都在真实环境里，用双手完成高频、连续、精细的操作。这些数据天然贴近机器人未来要面对的工作世界。它们发生在真实任务中，带着真实节拍，也带着真实的操作细节。从落地角度看，这类数据的价值远不只是 “多了一种数据源” 那么简单。

但 Human Data 并不是采得多就够了。

它最大的难点，首先是embodiment gap，也就是人手和机械手在运动学、动力学上的天然差异。其次是精度问题。很多人类操作数据来自第一视角视频，轨迹恢复往往只有厘米级精度；一旦进入手机装配这类亚毫米级任务，这种误差就会被迅速放大。

为了解决这个问题，灵初自研了外骨骼触觉手套和高精度感知硬件，把人手 3D 轨迹采集推到更高精度。另一部分裸手数据，精度没那么高，但规模更大，主要负责提供泛化能力。

换句话说，灵初并不是简单把 “人类数据” 当作替代真机数据的便宜选项，而是在试图建立一套分层的数据结构：高精度数据负责上限，大规模数据负责泛化，两者一起为机器人训练提供新的底座。

一套系统

比单个模型更关键

更有意思的是，灵初最后并没有走一条特别 “花哨” 的对齐路线。

他们尝试过图像修补、关键点辅助 loss、特征空间对齐等做法，想把人类数据尽可能修成更像机器人数据的样子。但最后发现，数据量小的时候这些方法有帮助；数据量一旦上来，它们反而会变成瓶颈。

原因并不复杂。那些方法本质上都在努力模糊人和机器人的差异，但在长程、精细、接触密集的任务里，这种差异恰恰不能被轻易抹平。越是复杂和精细的任务，越需要承认两种 embodiment 的真实不同。强行 “抹平” 之后，模型反而更容易在关键动作上犯错。

所以，灵初最后选了一条更朴素的路：只做必要的输入输出维度对齐，把人类关节通过运动学映射到机器人关节，图像尽量不做处理，直接把原始数据喂给模型。它给这条路线的总结也很直白：raw data in, raw data out

在这套方法里，Psi-R2负责 “先学会怎么做”。

它的输入是图像和语言，输出同时包括未来视频和机器人动作。也就是说，它不是只学下一步动作，而是在同时学习 “接下来世界会怎样变化”。这套设计建立在预训练视频生成模型之上，目标是把大规模人类数据里的任务知识，尽可能装进策略模型。

在大规模预训练之后，Psi-R2 仅需少于 100 条真机轨迹微调，就能完成手机装配、工业包装、叠纸盒等长程、精细任务。

但只学成功动作，还不够。

因为成功示范只能告诉模型 “应该怎么做”，却不能告诉它 “换一种做法，会在哪一步失败”。而这恰恰是强化学习最需要的信息。

这也是Psi-W0的位置。

它接收图像、语言和机器人动作轨迹，去预测未来视频。相比 Psi-R2，Psi-W0 多了一项关键职责：建模失败、建模反事实、建模试错空间。为此，Psi-W0 的训练中额外加入了约 30% 的失败数据。

换句话说，Psi-W0 不只是一个 “会预测” 的模型，它更像一个可以用来评估和打磨策略的训练场。Psi-R2 先从人类数据里学到任务知识，再把轨迹送进 Psi-W0 做 rollout；随后在机器人动力学约束下，通过强化学习做小步修正，把 “人类会做” 的轨迹改造成 “机器人也能做” 的轨迹。好的轨迹回流训练集，坏的轨迹帮助世界模型继续变准，飞轮就这样转起来。

这也是这次发布最值得注意的地方：真正起作用的，不是某一个单点模型，而是Psi-R2、Psi-W0 与强化学习的系统协同。

围绕 Human Data，灵初也给出了一组很值得行业参考的判断：对数据分布来说，任务多样性 > 物体多样性 >> 场景多样性；对模态价值来说，精准 3D 位姿 > 触觉 > 2D 图像特征

翻译成更直白的话就是：背景是不是足够复杂，未必最重要；真正决定模型上限的，是它见过多少任务、碰过多少物体，以及它是否真正理解了接触和操作细节。

也因此，灵初把触觉看成一种跨具身的 “通用语言”。人手和机械手的结构可以不同，但 “碰到了没有”“接触是怎样发生的” 这类物理信号，本质上是相通的。

从论文到现场

落地还要跨过部署关

如果说前面解决的是 “技术上行不行”，那商业化真正关心的，始终是 “这条路值不值得走”。

答案很明确：值得，而且必须走。

原因很简单。实验室里，动作慢一点、路径绕一点，很多 demo 依然可以做出来；但到了工厂、仓储和零售现场，节拍、成本和稳定性会重新定义一切。真实作业里，一个动作多一步、一拍慢一点，最后都会落到良率和成本上。

从这个角度看，最有价值的数据，往往不是实验室里的遥操作演示，而是一线工人的真实作业数据。

一方面，人类数据采集可以更便宜，其成本被压到了传统真机遥操作方案的十分之一以下。另一方面，它的节拍更真实，更贴近业务现场的 SOP 和速度要求。

工程侧的进展，则让这件事离落地又近了一步。

通过 DiT Caching、Torch Compile、量化等优化，单次推理时间已从 2.2 秒压到 100 毫秒以内。对于连续、灵巧、顺滑的操作来说，这已经不是 “优化得不错”，而是能不能真正进场部署的一道门槛。

外部基准，也给了这套方法一个注脚。

截至发稿，公开榜单页面显示，在 MolmoSpaces Combined 榜单、且不使用 MolmoBot Data 的分组中，Psi-R2 以 46.4 的 Oracle Success Rate 排名第一，并覆盖 4 个任务。

MolmoSpace 由美国艾伦人工智能研究所（AllenAI）发起，是全球具身智能领域权威基准评测平台，NVIDIA、PI 等全球顶尖团队均参与本次评测。灵初 Psi-R2 在评测中超越 PI、DreamZero 等国际知名模型，表现显著优于其他基线模型，成功率大幅领先同类 VLA 产品，充分体现出企业自主研发路线的先进性与竞争力

这个细节的价值，不只是 “上榜”。更重要的是，它说明这套方法，正在进入一个公开、可比较的评价环境里接受检验。

把这些信息放在一起看，这次发布的重点并不只是 “又发了一个模型”，也不只是 “又开源了一批数据”。

它更像是在对外释放一个判断：

第一，具身智能的瓶颈是数据，而人类数据不是旁路，而是主线。

第二，真正能把人类经验转成机器人能力的，不是单个模型，而是Psi-R2、Psi-W0 和强化学习共同构成的系统

第三，所有技术问题的终点都不是论文，而是落地：节拍、成本、推理速度、数据飞轮能不能真正转起来，才是最后的检验标准。

如果这套路线最终走通，这次开源的意义，就不只是 “放出一个模型，开放一批数据”。

它更像是在告诉行业：具身智能真正的分水岭，也许已经不再是谁先做出更惊艳的 demo，而是谁能先把Human Data、世界模型和强化学习连成一条持续运转的增长曲线。

从这个意义上说，这次想发布的，也许不只是一个新产品。

而是一个新阶段。

文中视频链接：https://mp.weixin.qq.com/s/8qnnf6J9sgh9thTbfg1ndg