机器人缺的不是模型而是经验，这家公司用12.5倍成本优势破解

　　机器人行业一直有个尴尬的现状：感知模型能准确理解场景，生成模型能合成以假乱真的视频，但一旦进入物理世界，连一次可靠的抓取都常常完不成。能听懂指令，也能想象画面，为什么就是做不好？

　　总部位于新加坡的Physical AI公司Ropedia给出了一个判断：机器人没有迎来GPT时刻，关键缺口不在模型，而在于可以规模化的经验。这家公司今日正式发布新一代多模态采集系统HOMIE Gen2，试图把真实世界里的人类经验，规模化地变成机器人可以直接学习的训练数据。

　　「读了万卷书，却没走过一里路」

　　Ropedia联合创始人兼首席科学家、南洋理工大学副教授刘子纬在近期一场公开演讲中解释了这种分裂：“AI读过一切，却几乎没有经历过任何事情。它从未真正冲过一杯咖啡，自然也不知道该怎么做。”

　　这正是Ropedia对Experience Scaling Law的核心判断：缺的不是更大的模型，而是可供学习的完整经验。Ropedia联合创始人兼CEO陈昭熹有一个直观的比喻：“学做一道菜，只看别人做的视频，你可能知道最后成品长什么样；但真正亲手做过，才会知道什么时候下锅、该用多大力、食材发生了什么变化。”

　　对机器人来说也是一样：它真正需要学习的，不只是“看见”发生了什么，还要同步感知动作、环境与外界反馈的变化，并理解自己的每一个动作如何影响环境。

　　采的不是画面，而是经验

　　在Ropedia看来，学习来源定义了智能的上限。经验不是视频，也不是RGB、动作捕捉或深度中的任何单一模态，甚至不是把它们简单地叠在一起。只有当动作、意图、环境、时序上下文与多模态信息同时在场、互相对齐，一段记录才称得上真正的人类经验。

　　放到模型的视角，这条定义会更直观：语言模型学习的是人类写下的内容，而Physical AI要学习的，是人类做了什么、世界如何回应，以及接下来发生了什么。竞争的焦点，也随之从“采得够不够多”转向“采得够不够完整”。

　　就在不久前，Generalist AI发布了具身基础模型GEN-1.5：把几秒钟的人类演示放进上下文，机器人不经重新训练就能上手新任务，这被称为physical prompting，演示即提示。它证明经验片段可以像提示词一样直接驱动模型，而提示有多准确、包含了多少信息，决定了模型能学到多少。

　　把普通视频当作提示，模型无法将动作与现象建立联系，物理技能淹没在像素中；全景全模态的经验则相当于把物理世界的“思维链”写出来，模型理解物理因果就容易得多。所以在Ropedia看来，谁能够持续、高质量地获取、组织并交付人类经验，谁就拥有下一阶段Physical AI的核心竞争力。

　　HOMIE Gen2的三个关键词

　　HOMIE Gen2是Ropedia十二个月里的第四代采集硬件，也是继今年3月旗舰数据集Xperience-10M之后的又一次公开发布。三个关键词概括了这台设备的核心能力：

　　沉浸式人类经验：4目全景360°+4路空间音频全覆盖，采下的不只是画面，还有人与任务、环境之间的完整关系

　　丰富的多模态理解：十余种模态在同一时间轴、同一坐标系，共同还原一次完整的人类行为

　　开箱即用的训练级数据：空间定位相对误差约千分之二，深度误差<2.5%，手部动捕误差4.68mm，动作语义准确率96%，拿到即可进入训练，无需二次处理

　　这里的“沉浸式”，重点不在画面更宽，而在于尽可能保留一次真实行动发生时的上下文。硬件本身也为“随时随地采经验”做好了准备：整机约380g，支持约13小时连续采集，多传感器之间的同步精度达到50µs，不需要任何外部布置，可以在家庭、工厂、商场等开放环境里全天候、自然地工作。

　　据Ropedia介绍，相比上一代方案，它的部署速度提升约10倍，采集成本约为过去的1/12.5。多台HOMIE Gen2还可以同步作业，从不同的人、不同的视角记录同一个环境，把一个场景一次性采全。

　　十余种模态对齐到同一时间轴

　　机器人理解世界，从来不靠单一传感器。以HOMIE Gen2为入口，Xperience体系提供了一份完整的多模态清单：校正后的pinhole双目视频、深度图、相机位姿、手部21关键点、全身52关键点、Main task/Sub task/Current action三层文本标注、3D高斯、场景Mesh、2D物体检测、3D检测感知与4D物体跟踪。

　　关键不只是模态数量，而是这些信息被统一到同一时间轴和同一坐标系中：不同传感器看到的是同一次动作、同一处环境、同一个时刻，模型才能把“看见什么、做了什么、环境如何变化”对应起来。

　　客户最终拿到的不是原始数据，而是经过采集、同步、重建、标注与质量控制、可以直接进入模型训练的数据。据Ropedia基于HOMIE Gen2 Gold Standard Sample Dataset（金标准样本集）的精度测试：空间定位平均绝对误差仅为千分之二，深度范围误差低于2.5%，手部21关键点动捕平均误差4.68mm，动作语义标注准确率96.0%。

　　几十亿人就是最大的采集网络

　　经验要从哪里来？传统的答案是遥操作：一个人配一台机器人，逐条示范动作。这条路线的问题出在成本结构上：机器人本体价格高昂，数据产能又被锁死在机器人保有量上，场景多样性也随之受限。机器人数据之所以长期稀缺且昂贵，其根源就在于此。

　　无本体采集改写的，正是这个成本结构。在Ropedia的定位里，产品的价值在于帮客户建立稳定、持续的数据生产能力，而不是做一次性的采集工具。如果说过去十余年AI的规模化进步建立在模型规模与数字数据规模之上，那么Physical AI下一阶段需要解决的，就是现实世界经验的规模化——这也正是Ropedia一直在做的事情。