灵初智能技术负责人：唯一能Scaling的数据是人类数据，真机数采成本无解

行业一度以为，具身智能的瓶颈是本体——机器人能不能跑得更稳、跳得更高、抓得更准。但当各家的机器人在运动能力上越来越接近，一个更底层的窘境浮出水面：喂给这些机器人的训练数据，根本不够用，而且采集成本高到离谱。

一条30秒的真机操作数据，市场价10到15元。换算下来，采集一小时要花1000元左右，凑出20万小时的训练素材，得烧掉两个小目标。而这20万小时，对于需要从海量数据中习得物理规律的预训练模型来说，只是杯水车薪——Meta前首席AI科学家杨立昆团队提出的视频自监督学习框架V‑JEPA（Video Joint Embedding Predictive Architecture），用了超过100万小时视频来训练，距离规模化（Scaling）的终点还远得很。行业终于开始认真算这笔账：用真机遥操作来填数据缺口，成本上几乎看不到出路。

仿真数据也被寄予厚望。在模拟器里让数字孪生体反复执行任务，自动生成“视觉‑动作”配对，既快又近乎零成本。但这条路先天带着Sim‑to‑Real gap——仿真中的物理规律和真实世界始终存在偏差，策略一搬到真机上就水土不服。它更适合做预验证和补充增强，担不起主力数据的角色。

灵初智能技术负责人陈源培用排除法把这条路捋了一遍：互联网视频数据量够大，但“太脏了”，清洗成本远大于现采；真机遥操作质量最高，但“不可能把世界上所有场景、所有物体的所有操作都搬到一个素材厂里来”；仿真既有Sim‑to‑Real gap的问题，“同时仿真本身的Scaling也是问题”。“看来看去，唯一一个能够Scaling的数据，其实就是人类数据。”陈源培说。

过去一年，这条“人类数据”路线从边缘走进了聚光灯下。2024年底，由中关村学院孵化的深度机智率先提出“人类学习”（AnthroLearning）路线，主张用人类第一人称视频训练机器人理解物理世界，当时几乎没有关注者。2025年7月，智在无界发布Being‑H0，用1000小时人类第一人称视频做预训练；同年12月，灵初智能推出Psi‑SynEngine外骨骼触觉手套数采方案，走主动传感路线。几条不同的支线开始并行推进，但依然不算主流。转折点发生在2026年2至3月：英伟达接连发布EgoScale和DreamDojo，分别使用了1到3万小时不等的人类视频数据。全球AI算力巨头的入场，等于给这条路线盖了一个关键验证章——当它开始大规模采购和训练人类视频数据，就意味着这不再是少数公司的实验。

后续的密集成果水到渠成。2026年4至5月，深度机智发布PhysBrain 1.0，灵初智能Psi‑R2基于近10万小时人类数据在MolmoSpaces登顶，智在无界Being‑H0.7扩展到20万小时。全球范围内，前Google DeepMind研究员创立的Generalist AI早在2025年底就用27万小时人类操作数据训练了GEN‑0模型，首次在机器人领域观察到Scaling Law。据灵初智能方面透露，OpenAI、英伟达、Meta等也在大规模采购人类数据——各家对数据怎么用还在探索，但方向已经明确。

当然，并非所有公司都押注人类数据路线。智元机器人今年6月发布“具身智能数采2.0”体系并开源AGIBOT WORLD数据集，宇树科技也在4月开源了真机数据集，它们走的还是以真机遥操作和仿真数据为主的传统路线，更侧重本体自身的数据闭环。两条路线目前并行，尚未到分出高下的时候。

真机数据之所以走不通Scaling，根本原因在于它是监督学习的产物。智在无界BeingBeyond合伙人郑思鹏分析，监督学习训练出来的模型只有“背板能力”，泛化能力很差，一旦遇到分布外的场景和任务，效果就急剧下降。而人类视频天然覆盖了更广阔的动作空间分布，与预训练的逻辑天然匹配。

数据路线的转向并不是孤立事件。同步发生的，是具身智能模型范式从VLA（Vision‑Language‑Action，视觉‑语言‑动作）向隐式世界模型的迁移。VLA在过去一年是行业通用范式，本质是一套监督学习框架，但它的天花板受限于高质量真机数据的稀缺，让模型无法像大语言模型那样遍历所有可行的动作空间。据郑思鹏分析，真机数据能覆盖的动作空间，只占全部可行空间的“很小一部分”。行业开始转向世界模型，但世界模型也有路线之分：英伟达的Cosmos Policy走显式路线，通过预测视频的下一帧画面来预测状态变化，理论上可行，但成本极高——模型需要关注皮肤纹理、衣服褶皱等对机器人决策大部分无关的信息；智在无界选择的则是隐式路线（Latent World Action Model），只建模必要的状态变化，不预测完整画面。据郑思鹏给出的数据，同样50小时的数据量，显式训练所需的算力与隐式路线相比，效率差异是数量级的。

一年之内，人类数据路线从边缘走到聚光灯下，英伟达的跟进是一个关键的验证信号，而多家中国公司的并行推进则为这条路线提供了多元化的早期证据——有人验证纯视觉路线，有人验证主动传感路线，各有进展。行业在预训练层面的判断已经比较清晰：人类数据正在成为主流，但这不意味着真机遥操作失去了价值，而是数据的分工被进一步细化。人类数据由于成本可控、采集更灵活，更有望Scaling；真机数据则囿于成本等原因，在精细微调上发挥更大作用。具身智能的数据采集，确实走到了一个分水岭。