具身数据越攒越多，能用上的没几个

有家具身数据厂商向模型公司交付了几万小时数据，对方反过来问：能不能顺手把模型也帮我们训了？不是玩笑，是采购方自己心里没底——这批数据喂进去，不知道能长出什么。

一、发生了什么

雷锋网 10 月 30 日与机器人基础模型公司行元智能创始人杨世琦的访谈，把具身数据的尴尬摊开了讲。年初不少公司喊出要采百万级数据，大半年过去，数字确实攒到了，模型能力却没看到对应提升。核心原因在中间那段加工链路：筛选没有细粒度标准，人类动作转成机器人动作的重定向门槛高，数据质量至今没有公认的评测办法。参照大语言模型的经验，训练里混进一批脏数据带来的降智几乎是永久性的。

原始数据变成训练数据要过五道工序：筛掉模糊和异常样本、补任务与动作阶段标注、把动作映射到目标机器人的空间、验证轨迹能否执行、再按部署表现回流调整。行元推出的跨本体数据引擎 Chorus 按这套逻辑设计：不限采集设备来源，把跨本体作为前提，对第一视角视频做帧级动作标注、三维重建、动作重定向的完整还原，并按操作丰富度、标注质量、三维可恢复性、可迁移性和视角稳定性五个维度给数据打分。官方口径的数字是：可用数据转化率提到 85%，适配 16 种机器人本体，每小时有效轨迹处理成本降到 15 元——均来自厂商自述，效果以实际部署为准。

二、跟你有什么关系

具身创业公司：先算清「采集的钱有多少花在了可用数据上」，再谈扩产线，否则买回来的只是硬盘占用。访谈里那个细节值得贴在会议室：数据规模、可用规模、能带来训练收益的规模，是三个常常被混为一谈的数字。

数据供应商：客户开始追问转化率和评分标准，只交小时数不交质量的卖法撑不久了。

模型工程师：脏数据的教训在具身上只会更疼，进训练集前的评分关卡值得早建。

三、怎么用

1. 给自己的数据定价前先抽样验证：拿一批数据训一小步，看下游任务指标动不动，动，数据才有价值。
2. 选数据路线时按需求倒推——要规模上限选人类第一视角视频加 UMI，要即战力选真机遥操作，两条路的管理成本完全不同。
3. 把部署端设为数据源：机器人上岗后每次接管的纠正记录都回流训练，这笔数据最便宜也最贴真实分布。

四、三个别信的说法

数据小时数决定一切。 数据规模、可用规模、能产生训练收益的规模是三个数，行业讨论最爱只报第一个，差距可能是一个数量级。

仿真数据可以随便扩。 仿真确实便宜，但底层物理引擎多年没大更新，摩擦、形变、接触位置不准，装配拧转这类富接触任务上失真明显。

开源工具拼一拼就是管线。 拼起来的流程缺少针对自家模型和本体的系统设计，真正要紧的是训练结果来反向校准每个环节，这一步开源件给不了。

五、一句话结论

具身智能的下一段差距，不在谁采得多，而在谁把采回来的东西真正变成了能力。

信息来源

• 雷锋网：具身的数据管线到底应该怎么做

功能与价格以官方公告为准。本文写于 2026 年 10 月 31 日。