![]()
新智元报道
![]()
就在几天前,Fortune独家爆料:OpenAI解散了独立的机器人团队。
消息一出,AI圈都在刷屏。很多人的第一反应是:奥特曼都不玩机器人了?
![]()
但仔细一看,这哪是「放弃」,分明是「升维」——
这件事的核心逻辑是,通用大模型已经能直接操控机器人,不再需要单独的「特种部队」了。
英伟达的一项研究里,Astra在仿真操作基准上拿到74.8%的成功率,专用机器人模型最好成绩是51.0%。
而Anthropic更狠,Fable 5.2在RoboDojo上自测成绩64.9%,是Astra的两倍多。
![]()
国内具身圈的第一反应是:降维打击来了。
不过,先不用恐慌。我们把能找到的数字算了一遍,结论其实恰恰相反——
大模型厂商下场,不是来砸场子的。它们是给具身智能的牌桌加了几把椅子,新来的几位还带着最大的算力和最厚的钱包。
具身的「GPT时刻」会因此提前!
不过,这些大佬刚坐上牌桌,就撞上了一堵和六年前一模一样的墙——数据。
一样的是,做物理世界的AI依然被数据卡脖子;不一样的是,这一次市场上已经「长出」了专门生产数据的基础设施公司。
这场仗的打法,完全不同了。
是「降维打击」,还是「牌桌扩容」?
大模型怎么一下子这么会操控机器人了?
说白了,大模型是在用「写代码」的方式控制机器人。
要说强的地方,那真是非常强。比如听懂任务、拆解步骤、规划先后,这些过去被具身公司当成壁垒的「上半身」能力,通用模型现在直接开箱即用。
但它们弱的地方,也很明显。AA-Robotics公布过一组数字:Astra平均完成一个任务要30分钟,花掉16美元。
![]()
好家伙,这要是在工厂里用这个速度和成本拧一颗螺丝,厂长会先把机器人拧下来。
为什么会这样?
因为云端大模型反应太慢了!机器人关节的控制频率是每秒上百次到上千次,云端大模型想一步要好几秒。
碰到那种要快、要准、要靠手上力道反馈的活儿,有头部机器人团队实测过,通用大模型的成功率接近于零。
![]()
按卡内基梅隆大学石冠亚的说法,反应慢、离不开网络,是云端大模型的两个短板,所以机器人身上还得配小而专的模型。
所以更准确的图景是分层——大模型管「想」,负责长程推理和规划;往下是一个个训练出来的动作技能,被它当工具调用;最底下是毫秒级的电机控制。
大模型厂商,已经率先攻破了最上面一层。想往下走,缺的恰恰是他们手里没有的东西:动作数据。
所以真正的变化是,做具身基座模型的公司,名单变长了。
以前,这张桌上坐的是Physical Intelligence、Figure、Generalist这些「原生具身玩家」。
现在OpenAI已经入局了,奥特曼表示,2027年就要拿出自研人形机器人的演示。Anthropic和谷歌的模型,也已经在榜上。
同时,国内也在加码。
今年8月,DeepSeek出资约1.41亿元参与宇树科技IPO战略配售;字节此前已将Seed Robotics纳入多模态交互与世界模型体系。蚂蚁旗下灵波、小米和京东,也分别推出了具身模型。
全球算下来,近百家公司在练具身模型。
不同的是,新来的这几位和老玩家有个本质区别:模型奔着万亿参数去,预算按百亿美元算,算力集群是现成的。
具身智能的数据之战,已经到了深水区
大语言模型这几年,从不缺数据。
互联网攒了三十年的文字都可以直接用,主流大模型的预训练语料约100万亿token,大家拼的是算力和算法。
而具身智能,则正好是反过来的。物理世界没有「互联网」,人怎么抓、怎么拧、用多大劲儿,这些操作过程从来没被系统地记录过。
2024年底,全球最大的真机数据集才3000小时左右;2025年下半年,Generalist用约30万小时训出了GEN-0;今年,Dyna、智元等头部玩家的训练集超过了百万小时。
两年涨了几百倍,听着很猛。但是,跟语言模型的100亿小时一比,还差了三四个数量级。
数据喂进去有没有用?效果当然是——立竿见影!
Dyna Robotics 8月公布的结果是,预训练数据从1000小时加到100万小时,模型在14项机器人任务上的平均得分从20%涨到53%。
![]()
行业估算,训一个万亿参数的具身基座至少要1亿小时,到2030年全球大约有20个这样的基座在练,总需求数十亿小时。
风投机构Stellaris的口径也差不多:未来两三年,Frontier Lab需要1亿到10亿小时第一视角数据,对应15亿到500亿美元支出。
然而麻烦的是,这些数据不是「拍」出来的。
今年4月,Build AI开源了约100万小时的工厂第一视角视频,免费商用。按理说数据荒该缓一缓,结果,头部厂商照样满世界抢货。
这是因为,机器人要学的是三维空间里每一毫「秒手在哪、方向朝哪、怎么动」的轨迹。
从2D视频到3D轨迹,要做多路相机的毫秒级对齐、毫米级的手部姿态重建,还要换算成不同机器人的关节动作。
具身数据是造出来的。
而且,模型厂商自己采也不现实。
OpenAI旧金山的实验室有大约100名数据采集员,满打满算一年20万工时,按数采厂8小时出1到4小时有效数据的普遍水平,一年有效产出只有几万到十万小时,离千万小时差两个数量级。
所以,就算钱再多,也得向外买。
行业内的现实就是,模型公司对数据质量、颗粒度、稀缺场景的要求,只会越来越高。
数据平台的空间比Scale AI更大,门槛也更高
每一轮AI浪潮,都会跑出大的数据公司。
自动驾驶那一轮,跑出来了Scale AI。他们2024年F轮融了10亿美元,估值138亿美元,去年Meta花143亿美元入股后升到290亿美元。
大语言模型这一轮,则跑出了Surge AI和Mercor。前者没融过资,2024年收入就过了10亿美元,后者年化收入超过20亿美元。
![]()
在国内,成立不到一年的评测数据公司UniPat,被曝阿里拟领投3亿美元,估值25亿美元。
具身这一轮,我们的判断是:会跑出体量更大的数据平台。理由有三个。
首先,具身智能的数据壁垒更高。
前两轮的原始语料要么是互联网上现成的,要么是车队自己跑出来的,数据公司卖的是标注和专家工时;具身连预训练语料本身都得花钱从零生产。
其次,具身数据获取更难、更加稀缺、投入优先级更高。
自动驾驶是车先上路,司机每天都在产生数据;但机器人没有好模型就进不了场景,进不了场景就没有数据,只能先有数据,才有模型,再有应用。这就让数据公司从配套服务变成了前置基建。
最后,数据范式会变化,但需求持续存在,这不是一锤子买卖。基座预训练只是第一单,每落地一个场景,就要补真机数据做后训练。部署之后还有回流、补采、再训练。等模型把应用打开,垂直小模型、集成商、方案商还会接着买。
估算一下,这个量级简直惊人!
按眼下的行情,第一视角数据每小时一两百元,千万小时就是10到20亿元,而IDC预计,2026年中国整个AI基础数据服务市场是78亿元。一家头部客户的一张订单,就相当于这个市场的八分之一到四分之一。
但是这笔钱不好挣,因为买家买的并不是「小时数」。
行业里流传着这样一个「大冤种」案例:某家公司上半年买了100万小时数据,结果拿回来一验,当场傻眼——能用的只有一两成!
表面上看,标价只有100元一小时,但算上报废的,折下来真实成本达到了500到1000元。
这简直完美诠释了,什么叫「越便宜越坑人」。
这些数据中,可能的坑可太多了。
比如场景太假,在数采厂的格子间里对着桌子叠衣服;还有画面太差,掉帧、过曝、手老是出画。另外还有处理太粗糙,几路相机没对齐到毫秒,轨迹误差好几厘米。
显然,具身智能数据正从低质数据的销售、转卖,进入到客户真正要求精度、场景。
本质上,这也会淘汰掉没有技术能力的公司。
而因为数据已经变得极度稀缺,那些头部买家,看的主要就是下面这三件事。
首先,品类全不全。
业内的共识是,百万小时级的人类第一视角数据打底,几万小时真机数据做动作适配,再加少量现场数据落地。只会一种的供应商,只能参与其中一段。
第二,是能否提供稳定的交付能力。
客户需求端的数据标准是比较统一的,大多数公司送样后质量不达标,或者交付能力跟不上,就吃不下大单。
这种情况下,能稳定供应交付的数据公司,就更容易产生黏性。谁能证明自己吞得下大单还不掉链子,大厂就跟谁死死绑定,别人想挖墙脚都挖不走。
第三,就是能不能闭环。
模型团队发现某个能力有缺口,供应商得能按指定任务补采,还得证明补完真的有用。
都说自己服务头部客户,差别在哪
现在国内做具身数据的公司越来越多。
但仔细看就会发现,赛道远没有看上去那么拥挤。
这是为什么?原因在于,门槛其实非常高。
做具身数据需要同时具备三种能力:硬件制造(设备要自研、能量产、一致性过关)、算法处理(从原始视频里把三维轨迹算出来,精度够用)、以及场景运营(能进得去工厂、商超、医院这些真实环境,并建设一个采集生态网络)。
这三种能力,其实分属不同基因。这就是为什么看上去做数据的公司越来越多了,但数据却变得极度稀缺。
因为真正能端到端交付,让头部客户验收签单的公司,其实屈指可数。
从公开信息看,觅蜂科技是目前少数把这三件事同时做到规模化的公司。觅蜂被认为是「最懂模型和场景需求」的物理AI数据基础设施平台,一站式提供真机、仿真和无本体三类训练数据。
它的路径和多数数据公司不一样。行业里的常见做法是,先拿到一批设备或场景资源,采一批数据,然后去找客户。
觅蜂则是反其道而行之:先从海内外头部模型客户的需求出发——需要什么精度、什么场景配比、什么格式,再倒推硬件和管线应该怎么设计。
![]()
后厨
![]()
宠物洗护
这一反转,后面的差距就拉开了。
采集端的核心问题,是能否保持大规模部署后的一致性。
做数据采集,一台设备跑得好不稀奇。难的是2万台设备分散在几十个城市、几千名采集员手里,每一台出来的精度、时序、格式都对得上。
行业里常见的情况是:一百台设备发下去,二三十台会出毛病,大量工时都耗在修设备、调参数上。
二觅蜂的做法是,把采集设备按消费级硬件标准做量产——毫米级记录精度、无线化、轻量化、电池快换、零部件快拆。
这些看起来不起眼的设计,解决的却是最致命的工业级问题:设备能不能在分布式场景里稳定运行,坏了能不能马上换,每一台出来的数据能不能跟其他台对齐。
凭着这套打法,他们4月发布,6月量产,8月底就让搞出了两万套。这个速度,业内里找不出第二家。
设备铺得够广之后,产能就上来了。
百万小时的无本体数据,他们三个月就完成,日均能产出过万小时。
![]()
百万小时数据
要知道,Scale AI披露的口径是每天采集1000多小时,2025年全年交付15万小时,跟觅峰的数据,直接差了一个量级。
而且,数据管线的核心问题不是能不能处理,而是有效率。
前面说过,行业里100万小时采回来能用的常常只有一两成。觅蜂的有效率却达到了90%以上。
![]()
觅峰的百万小时构成
他们凭的就是死磕细节,在每一个环节拉开差距。在设备端,手部空间定位精度到毫米级,多路传感器信号对齐到亚毫秒。
而质检过程分为三层:采集端实时拦截六成明显问题;云端用视觉语言模型自动做语义判断;最后人工抽检,偏差控制在1%以内。
其中,轨迹重建是这条管线里最吃算法功力的环节。
觅蜂自研的HandPose算法做到了亚厘米级精度,在遮挡、交互、快速运动等真实场景下,重建误差较业界次优方案大幅降低。这个精度在行业里,目前已处于第一梯队。
而且,整条管线日吞吐上万小时,从原始数据到可训练资产的转化是自动化跑的,不是人工一条条处理。这一步的效率直接决定了:同样的时间,能给客户交多少可用数据。
![]()
美甲
闭环能力,则是最容易被忽视、但壁垒最高的一层。
多数供应商的服务终点是「质检合格,交付签收」。但数据交出去之后,模型训练效果怎么样,哪些数据有用、哪些是噪声、缺口在哪,供应商往往不知道,也没有能力去验证。
为此,觅蜂自研了端到端模型,自己做真机部署,用来检验数据有效性、研究配比和补采策略。在部分场景的测试里,每跑一轮数据闭环,任务成功率就能提高5到10个百分点。
![]()
第一视角运动重建框架MEgoVista
这样,当客户的模型团队发现某个能力有缺口,觅蜂能按指定任务定向补采,并且证明补完确实有用。这不再是单纯的数据买卖,而是一种联合迭代的关系。
从公开信息看,觅蜂目前合作了数十家客户,涵盖大模型平台、具身与世界模型公司、机器人本体厂商。
腾讯Robotics X、蚂蚁灵波公开使用了它的数据,智元GO3基座模型的训练数据里也有它的一份。
在海外,它已经是多家头部科技公司的核心供应商。
![]()
模具维修
当然,未来要从百万小时跨越到一亿小时的数据量,靠数采厂线性复制肯定不够了。
觅蜂押的是众包路线——9月发布的觅蜂派,能让普通人戴着设备边干活边采数据,目前注册用户20多万,覆盖50多个城市,酒店、商超、医院、工厂等50多家场景方加入了它的数据联盟。
![]()
接下来,最值得观察的,就是众包能不能在保持90%以上有效率的前提下,把规模再翻一个数量级。
大模型下场,是具身行业的好消息
回到开头的问题:大模型下场,是不是对具身的「降维打击」?
但分析下来,其实结论恰恰相反:这对具身行业是好消息!
以后,牌桌大了,钱变多了,整个行业的进度也被拉快了。
本来,行业内预测,具身智能的GPT-3时刻会在2030年前后到来。
但这几个月榜单的更新速度,证明这个时刻会更早!而每多一个带着万亿参数大模型的玩家入场,市场对数据的缺口就会再大一轮。
因为,模型跑得越快,对数据的需求就会越多。
OpenAI两次解散机器人团队,第一次是因为没有数据;这一次是模型准备好了,但最缺的还是数据。
不同的是,这一次,已经有人把生产数据当成一门正经生意在做了。
编辑:所罗门 Aeneas
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.