北京
大模型能从整个互联网学习，机器人却不行。它们没有这种捷径，只能靠海量的真实世界人类经验来训练。这正是机器人领域面临的一个根本性数据难题。
Humyn Labs 正在尝试补上这块缺失的拼图。这家公司搭建了一个数据平台，专门捕捉人类在视觉、音频、运动和触觉等多个维度的真实经验，再把这些经验转化为可用于训练物理 AI 的数据。
机器人缺的不是算法，是数据
大型语言模型（LLM）的训练素材来自整个互联网，文本、代码、图片几乎取之不尽。但机器人的学习逻辑完全不同——它们需要的是真实世界中的操作经验：怎么抓取一个杯子、怎么在凹凸不平的地面上保持平衡、怎么感知物体的材质和温度。
这些经验无法从互联网上批量获取，只能通过真实的人类行为来采集。Humyn Labs 的思路，就是把这些分散在人类日常动作中的经验，系统性地捕捉并结构化，变成机器人可以直接使用的训练数据。
多模态数据采集，覆盖四类感官信号
平台的数据采集覆盖了四个关键维度：视觉、音频、运动和触觉。这意味着机器人不仅能"看到"物体的形状和位置，还能"听到"操作过程中的声音反馈，"感受"到接触面的压力和质感，同时记录下人类动作的轨迹和力度。
这种多模态的数据组合，比单一维度的数据更能还原真实操作场景。Humyn Labs 表示，他们的目标是把数千小时的人类经验，转化为模型可直接使用的数据，让机器人真正学会执行任务，而不是停留在实验室的固定脚本里。
从静态到流式，系统设计强调自适应
Humyn Labs 在技术路线上的一个特点是，不依赖固定状态。其系统 Adapt-1 的设计理念是，能够适应任何形式的数据输入——无论是静态的数据集，还是持续流动的数据流。
这意味着系统既可以"读一本书"那样处理批量数据，也可以"边看边学"那样处理实时数据。这种灵活性，对于需要不断适应新环境的机器人来说，可能是一个关键能力。
机器人数据，会是下一个瓶颈还是突破口？
大模型之所以能取得突破，很大程度上得益于互联网海量数据的"喂养"。机器人领域如果也能建立起类似的数据基础设施，或许能复现类似的进展。
Humyn Labs 的定位，正是成为机器人领域的"数据层"。如果这条路走得通，它可能成为推动机器人规模化落地的关键一环——让每一台机器人都能基于真实的人类经验来学习和工作。
当然，从数据采集到真正可用的训练集，中间还有大量的工程化工作要做。但至少，已经有人在认真解决这个被很多人忽视的基础问题了。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
