正文
我们在研发具身机器人时也面临关键问题：究竟需要采集哪些数据？虽然现有模型的数据标准看似完备，但其实际任务能力仍需验证。
目前有两个核心疑问：是否需要更高层次的抽象模型？现有数据模态（如视觉、触觉等）是否足够？
尤其值得注意的是，当前硬件在触觉数据采集上存在明显局限，通常只能获取基础力反馈。更根本的挑战在于：由于技术路线尚未定型，我们面临数据采集的"迭代风险"，即投入大量资源获取的数据，很可能被后续模型升级所淘汰。
王鹤：
具身智能发展的关键瓶颈在于数据，主要分为真实数据和仿真合成数据两类。真实数据包括无动作标签的被动观测数据（如互联网视频）和机器人遥操作采集的交互数据。
虽然互联网视频数据量庞大，但训练价值有限，因为模型需要先具备基础运动能力才能有效模仿学习。
因此，银河通用主张优先使用大量合成数据进行预训练，之后再用真实机器人数据精调。
在人形机器人尚未达到自动驾驶百万量级规模的现阶段，合成数据是最具价值的数据资产。
采用"99%合成数据+1%真实数据"的混合训练范式
，能高效推进技术发展，在最后关键环节利用真实数据完成应用落地，是目前最行之有效的策略。
图注：星动纪元创始人、清华大学助理教授陈建宇
陈建宇：
在多个模型中，视觉最重要，我为其赋予 80 分的权重。
视觉信息获取方便，可来自互联网或仿真生成。其次是触觉。若要实现精细操作，必须依赖触觉数据；最后是声音。声音不仅可用于语音识别转文字，还能辅助操作过程。例如倒水时，流水声有助于控制动作。然而，目前大多数 AI 模型不具有这些反馈能力。
卢策吾：
关于方法论和技术路线，目前已有诸多争议，但现阶段无需纠结优劣。不同类型的数据各有信息价值，关键在于合理分配和搭配使用。这就像配方优化，随着技术发展，自会趋于平衡。
常见的数据来源包括：
互联网数据
规模大，但缺乏操作细节，多为动作表象，虽不完美，仍能提供识别线索。
仿真数据
同样丰富，但在处理复杂接触和数据管理上存在挑战，尤其当识别容错率低时，使用成本高。
真机数据
在缺乏力反馈时噪声大，加入反馈系统又提升成本。新兴的“伴随式操作”则通过人类替身方式，降低了采集难度与成本。
03
三问算法：跨本体是实现泛化的最后一步
李亚洲：
自深度学习时代以来，数据始终是人工智能的重要组成部分，而核心算法同样不可或缺。
请问：在具身机器人研究中，如何定义其泛化问题？当任务规模与复杂度不断提升时，如何实现跨本体、跨场景、跨任务的泛化能力，迈向更高水平的通用性？
图注：宇树科技的春晚机器人，现场扭秧歌
王仲远：
泛化能力是具身智能的核心挑战。尽管网络上机器人演示精彩纷呈，真正能现场稳定运行的团队并不多，我们是其中之一。另外，我观察到现在一个2岁的小朋友通过刷短视频自学，再通过尝试和练习掌握，自主
学会了拆糖果、用牙签串蓝莓。
这正体现了“预训练 + 后训练”的学习范式。
我们希望未来机器人也能像人一样自主学习、积累技能，拓展更多实际应用。
王鹤：
我非常认同王仲远院长关于人类学习的观察。一个2岁小朋友通过观看拆糖果的视频并获得“糖果奖励”，展现出类似多模态大模型+强化学习的能力。而具身智能领域对此仍处在早期探索阶段。
在讨论任务通用性、能力泛化和跨本体迁移时，我们应意识到：人类其实也不具备真正的跨本体能力。
例如，长期卧床会导致肌肉萎缩，需要康复训练才能恢复功能，这只是生理状态的变化，已说明跨本体对任何智能体都是极大挑战。因此，应先在单一本体上实现泛化，再拓展技能，最后再考虑跨本体迁移。
从产业角度看，应优先聚焦具备生产价值的基础任务，如抓取、放置、移动等。这些动作虽简单，却是工厂、零售等场景的基本组成，支持大量真实应用。
图注：银河通用机器人在操作拿取杯子和水
只要结合大模型和少量数据，让机器人在基础任务上实现较强泛化，就能显著提升生产力。
