正文
即便Agility旗下的Digit机器人整天泡在亚马逊工厂里打工，拥有天然的丰富场景数据学习环境，它的首席技术官Pras Velagapudi依旧表示：“数据稀缺性和多变性是机器人从环境中成功学习的关键挑战。”
机器人需要高质量的数据，
否则可能会导致目标误判或任务失败，甚至做出不恰当的行为。比如，一个涂抹酱汁的机器人可能会把酱汁洒一地，一个医疗手术机器人可能会用手术刀伤到人类。
为了给机器人采集到高质量数据，根据机器人是否与真实世界接触，通常会从现实世界中采集真实数据，采集方式有两种：
1. 直接接触数据（真机数据）
：机器人用自己的传感器与物理世界直接交互。比如波士顿动力的液压Atlas在实验室“跑酷”，Figure02机器人在美国斯帕坦堡宝马车厂打工。
2. 间接接触数据（人工控制数据）
：通过人类操作让机器人与物理世界接触并记录，比如斯坦福的炒菜机器人Aloha就是人类控制机械臂进行操控的。
对于机器人而言，最理想的数据采集方式是通过机器人本体直接触达物理世界，这种方式能让机器人准确理解真实的环境，也就是真机数据。
首先，必须要让机器人部署在实际环境中，但大多数人形机器人受限于运动技术水平，只能待在受限的实验室环境。
这就很难通过规模化集中化方式让机器人高效完成数据采集。就像父母们既希望孩子拥有丰富的知识面，却又将孩子关在家中闭门不出，在受限的环境里，他们无法理解外面的世界有多大。
于是，必须花费大量时间去搭建各种场景，让机器人做“题海战术”。
其次，机器人学习新技能的效率十分低下。
比如，机器人学会了拿苹果，转而去学习取盘子，又要重新经过大量学习。
于是，研究人员试图寻求间接的办法，使用人力作为辅助，帮助机器人提高学习效率，也就是远程遥控，人走到哪里，机器人也可以跟着学到哪里，但这个方式的成本依旧高昂。
2024年年初爆火的炒菜机器人Aloha，采用了一个有趣的方案收集数据，基本思路是设置两个机器人手臂，让它们互相镜像，人类可以推动一个手臂，另一个手臂则执行任务，比如拿起一个积木。通过反复演示（比如50次），机器人可以学习如何完成特定任务。
尽管Aloha使用了低成本的手臂，但每个也要大约5000美元，为了完成这项训练，至少需要4个机械臂大约2万美金，而这实际上已经是比较低的成本了，通常工业手臂可能价值数十万美元。
智元机器人姜青松曾在2024年8月份智元机器人发布会上算了一笔账，智元机器人计划建立的采样厂包含100台采样机器，对应150位工人，目标是希望每个工人每天采集1000条数据，按照0.4元/条的成本计算，150位工人则意味着采样厂日均成本高达6万元。
人形机器人变得更智能，需要在更短的时间里获得更多的高质量数据。
人形机器人数据卡点
