波峰对话｜昆仑万维方汉：具身模型的拐点，看谁先跑到百万、千万小时

研究员｜冯皓钦

三个多月前的中关村论坛上，昆仑万维集中发布了 Matrix、SkyReels 和 Mureka 三条模型产品线的新版本。今年 WAIC 期间，昆仑万维除了再次更新模型矩阵，还发布了一款面向物理世界的 Riemann-1.0 机器人模型，把模型的输出对象扩展到了机器人动作。

昆仑万维董事长方汉告诉第四波，具身智能模型接下来真正的能力分化，不在于谁能做出更多的 Demo，而在于谁能率先把训练数据采集到百万小时、千万小时，甚至亿小时级别。

昆仑万维董事长兼CEO 方汉

01 EGO数据，让机器人训练走向百万小时

过去几年，文本大模型和视频大模型已经反复证明，模型能力会随着数据、算力和参数规模的扩大持续提升。具身智能目前之所以还没有出现明显的能力分化，并不是 Scaling 规律在机器人领域失效，而是行业手里的有效数据仍然太少。多数企业只有数十万小时数据，远没有达到能够充分释放 Scaling 红利的量级。

方汉把 2026 年称为“世界模型元年”。在他看来，所谓“元年”并不是世界模型的概念突然变热，也不是机器人馆里出现了更多产品，而是行业开始证明：具身智能有了一种有可能规模化扩张的预训练数据来源—— EGO 第一视角视频。

此前，机器人数据主要依赖真机遥操作、UMI 设备或者带有传感器的数据采集手套。这些方式能够获得动作轨迹、手部姿态、触觉反馈等高质量信息，但采集设备贵、人员要求高、场景覆盖有限，很难迅速扩展到百万小时。方汉提到，UMI 数据采集设备去年均价约为 15 万元，今年已经出现 1.6 万至 1.7 万元的产品，未来还可能继续下降到四五千元。双目摄像头、运动传感器、采集帽和胸前摄像头等设备也在加速出现，机器人数据采集正在经历一轮明显的成本下降。

但即使设备继续降价，完全依赖专门组织的遥操作和真机采集，成本仍然很高。EGO 数据的优势恰恰在于，它不要求采集者专门操纵机器人，也不一定需要佩戴复杂的手套或 VR 设备。普通人在快递配送、工厂作业、整理房间、烹饪和家务劳动时，只要佩戴轻量化摄像设备，就可以持续记录人类在真实环境中的操作过程。

方汉给出了一个更具体的设想：当 EGO 数据的额外采集成本下降到每小时 10 元，快递员、工人等劳动者就可以在正常工作的同时完成数据采集。与专门雇人进行遥操作相比，这种模式不仅成本更低，还能够覆盖家庭、商场、仓库、工厂、户外等大量场景。对于需要在开放环境中工作的机器人而言，场景多样性本身就是泛化能力的重要来源。

EGO 数据过去并不是没有人看到，而是行业普遍认为它太“脏”。普通第一视角视频只有二维画面，看不到精确的关节状态、手指姿态和动作轨迹，也缺少触觉、深度及机器人控制信号。人在视频中抓起一个杯子，模型只能看到手和杯子的像素变化，却无法直接知道手指用了多大力度、杯子位于多远的位置，以及整个动作应该如何映射到机械臂上。

方汉介绍，昆仑万维试图通过专门的数据清洗和重建模型补齐这些信息，包括从二维视频中反推深度关系，重建手部运动的前后位置，并利用 3D 重建技术还原手部模型和抓取动作等方法。经过清洗后，原本只有平面画面的 EGO 视频，可以转化为包含更多空间和动作信息的训练语料。未来随着双目摄像头、深度信息、鱼眼视角和运动传感器逐渐集成到采集设备中，EGO 数据本身的质量也会继续提高。

Riemann-1.0 验证了这条路线。方汉称，模型目前使用的输入数据只有 20 多万小时，尚未真正进入大规模 Scaling 阶段，但实验已经证明，经过清洗的异构 EGO 数据能够提升模型能力。在 RoboCasa365 评测中，模型成功率由 50%多提高到 62%，提升约 8 个百分点。其意义并不只是刷新一项成绩，而是验证了低成本、来源复杂的真人视频，也可以成为具身模型的有效预训练数据。

02 3D仿真再便宜，也替代不了真人数据

这也是为什么视频模型团队也在进入具身智能。

相比主要依赖真机和遥操作数据的机器人团队，视频模型厂商已经积累了处理几十亿级视频 Clip 的经验，熟悉视频清洗、自动标注、空间重建和大规模训练。当具身智能开始需要海量真实世界数据时，这些能力可以直接迁移过来。

不过，视频模型团队能够迁移的，并不是单纯生成画面的能力，而是从复杂视频中提取有效信息的能力。普通视频模型只需要让画面看起来连贯、自然，具身模型却要判断动作发生之后，物体会产生怎样的真实反馈。对视频而言可以忽略的小误差，落到机器人执行中就可能直接导致任务失败。

所以，这就让真实视频与游戏、仿真数据之间出现了明显区别。

游戏和3D仿真数据的优势是成本低、生成快，也可以批量构造不同场景和失败案例。但方汉认为，数据便宜并不代表数据足够真实。游戏引擎对材质、摩擦力、形变和受力反馈的模拟通常并不完整，角色还可能飞行、悬空或完成现实中不存在的动作。

例如，真人抓握塑料杯时，杯体可能发生形变；但在游戏环境中，如果不专门制设计，塑料杯只是一个不会变化的刚体。如果机器人长期学习这类数据，就可能形成与真实物理世界不一致的判断。

方汉提到，昆仑万维自身拥有大量游戏模型数据，但不会因此直接用这些数据训练现实世界的具身模型。游戏世界追求的是画面效果和可玩性，具身模型需要学习的则是动作发生后，真实物体究竟会怎样变化。

当然，仿真数据并非没有价值。它仍然可以用于补充危险场景、长尾案例和难以反复采集的任务，但更适合作为真实数据的补充，而不是主要来源。

因此，视频模型团队进入具身智能，真正的优势并不是拥有更多虚拟视频，而是能够把海量真人视频清洗、重建并转化为训练语料。

仿真数据可以帮助机器人练习，但真实世界数据，才决定机器人最终能不能离开仿真环境。

(文中内容和观点仅供参考，不构成投资建议。投资有风险，入市需谨慎。)

编辑｜符永康