编者按：本文整理自原力无限 CTO 王一舟在星河频率线上沙龙中的分享，内容经星河频率编辑。

作者｜张蓉

2025 年前后，具身智能赛道迎来重要拐点——正在进入大脑能力元年。行业仍处于 10–15 年长期发展周期的早期阶段，短期内不会收敛到单一技术路线。

随着机器人本体、小脑控制能力不断成熟，行业竞争的焦点正在发生变化。

真正决定机器人能力上限的，不再只是能否造出一台机器人，而是机器人是否具备持续学习、自主进化和适应真实物理世界的能力。

当前行业可以划分为本体、小脑、大脑和 AI 基础设施四个层级。

相比本体和小脑控制不断走向工业化，大脑能力和 AI 基础设施开始成为决定机器人能力上限的关键。

因此，如何让机器人持续获取经验、不断优化策略并完成能力迭代，成为下一阶段竞争的关键。

数据竞争，比的是

能否形成高质量的数据体系

如果说大模型时代「数据决定智能上限」，那么在具身智能时代，这一点体现更加明显。

当前行业主要依赖互联网视频数据、仿真数据和真实世界数据三类数据来源，而真正决定机器人物理交互能力的，是来自真实环境的第一人称视角数据（EGO）。

相比传统遥操作数据，第一人称视角数据能够完整记录人或机器人在执行任务时的真实视角、操作轨迹与环境反馈，并将其转化为机器人可学习的数据。

它能更真实地保留人类完成任务时的隐性经验，包括接近方式、动作顺序、力度判断和失败修正。

在产业实践中，这类数据不仅能够提升模型对真实任务的理解能力，也为跨场景、跨任务、跨本体迁移提供了更接近真实执行过程的数据基础。

但真正的竞争，并不是谁采集的数据更多，而是谁能够建立一套完整的数据工程体系。

从数据采集、清洗、标注、训练，到模型部署、效果评测和数据回流，每一个环节都会直接影响模型能力。

数据只有真正进入训练流程、持续提升模型表现，并通过真实任务不断验证效果，才能形成持续迭代的价值。

与此同时，当前行业仍面临明显瓶颈：采集设备与数据标准尚未统一，数据运营体系仍待完善，自动化标注、真值生成及模型高效利用数据的能力仍有待提升。

围绕这一方向，原力无限将重点放在具身大脑与全栈 AI Infra 建设上，通过 DataGrid 等平台，构建覆盖数据采集、自动标注、模型训练、部署回流的完整闭环，希望将真实世界中的物理交互持续沉淀为机器人能够学习和复用的能力。

EGO 数据如何实现规模化采集

在工程实践中，EGO数据采集逐渐形成了两条主要路径：垂域专项采集和众包采集。

垂域专项采集深耕固定落地场景，在真实业务现场部署采集设备，一线工作人员在正常作业中同步完成数据记录，数据回传后进行清洗、筛选、标注与结构化处理。

这种方式产出的数据真实度高、任务边界清晰、质量可控，适用于垂域任务快速收敛与模型训练。

众包采集依托标准化运营体系，向外分发采集设备，在弱约束的生活、工作场景中更大范围收集素材，数据回传后统一进行模型或人工标注、质检与结构化处理。

优势在于能够快速扩充场景样本，覆盖多场景并补齐多样性与长尾任务，解决单一场景数据同质化的短板。

垂域专项采集解决的是高质量、可控任务数据；众包采集解决的是场景覆盖、多样性和数据增长效率。

真正有效的数据体系，需要同时具备这两种能力，并通过统一平台完成管理、清洗、标注、训练和回流。

目前，数据采集方法论和模型方法论仍是制约具身智能提升的核心因素，也是学术界和工业界需要突破的方向。

数据规模只是起点，数据闭环才是核心

随着数据采集成为具身智能行业最受关注的话题之一，越来越多的企业开始布局数据采集体系。

行业内常以百万小时数据规模作为具身智能能力跃迁的一个参考指标。

然而，从实际研发来看，数据规模只是模型训练的重要基础，却并非决定机器人能力的唯一标准。

不同任务的难度不同，对数据的需求也存在明显差异。

进入新场景时，通常不会提前设定需要采集多少小时的数据，而是在模型训练与评测过程中不断调整数据补充策略。

如果模型表现不足，就需要回到数据中寻找问题：是场景覆盖不够，失败样本不够，标注质量不够，动作对齐不够，还是训练数据与机器人本体执行之间存在偏差。

以 Generalist AI 为例，其 GEN-0 公开信息显示，模型训练使用了超过 27 万小时真实世界操作数据，数据集每周增长约 1 万小时。

到 GEN-1 阶段，其公开披露的高保真物理交互数据规模已超过 50 万小时。

这说明，大规模真实数据正在成为具身智能基础模型的重要支撑，但比数据规模本身更值得关注的，是背后持续、稳定、可结构化的数据生产体系。

数据规模决定了模型训练的基础，而数据闭环决定了这些数据能否持续转化为模型能力。

只有让数据不断经历采集、训练、部署、反馈和回流，模型才能在真实环境中持续迭代。

目前，数据闭环主要有两种实现路径。

一类是以自动驾驶为代表的成熟数据引擎模式。

车辆在真实道路中发现长尾场景或异常情况，触发数据回传，再结合自动化标注、训练集调整和模型验证，在相对成熟的监督学习框架下实现模型性能持续提升。

另一类是具身智能正在探索的持续学习路径。

相比自动驾驶，具身智能面对的是可交互、可变化、带接触反馈的物理世界。

机器人不仅要识别环境，还要真正改变环境；不仅要判断「看见了什么」，还要知道「怎么做、做完是否成功、失败后如何调整」。

因此，具身智能的数据闭环更强调在真实物理环境中的在线数据获取、执行反馈与能力迭代。

通过 on-policy（同策略）数据和真实环境中的物理试跑，机器人可以在学习新任务的同时尽量保持已有能力，目标是构建一个能够长期演进的学习系统，而非一次性训练收敛的模型。

未来，具身智能真正需要构建的，不只是更大的数据集，而是一套能够持续学习、持续反馈、持续演进的数据闭环。

当数据、模型与机器人本体形成持续循环，机器人才能不断适应新的任务和场景，真正从「被编程执行」走向「在真实世界中自主学习」。