每經(jīng)記者｜王郁彪    每經(jīng)編輯｜許紹航    

5月的宿遷室外氣溫雖不算太高，但面積不大的制衣廠廠房內(nèi)還是有些熱。工人們正趕著新一批的貨，她們中有幾個(gè)人頭戴相同的黑色設(shè)備，這是用來采集訓(xùn)練具身智能模型數(shù)據(jù)的儀器。經(jīng)過上傳、清洗、質(zhì)檢、標(biāo)注等流程后，合格的數(shù)據(jù)會(huì)輸入具身智能模型，讓模型更加理解真實(shí)的物理世界。

圖：工人頭戴數(shù)據(jù)采集設(shè)備工作，來源：每經(jīng)記者 王郁彪 攝

今年年初，京東曾宣布，將發(fā)動(dòng)內(nèi)部超10萬名各類職業(yè)員工，以及外部最多50萬各行業(yè)人員，同時(shí)在宿遷發(fā)動(dòng)超10萬市民，參與具身智能數(shù)據(jù)采集工作。希望在兩年內(nèi)積累超1000萬小時(shí)人類真實(shí)場景視頻數(shù)據(jù)。5月20日，京東宣布全國首個(gè)具身智能數(shù)據(jù)采集社區(qū)已在宿遷運(yùn)行。 

對(duì)制衣廠的工人們來說，目前數(shù)據(jù)采集的工作相對(duì)輕松，還能獲得一定的收入。在宿遷，數(shù)采工作的主力軍還有寶媽等居家群體。其一日的任務(wù)量是完成6個(gè)小時(shí)數(shù)據(jù)的采集，他們將日常做家務(wù)的動(dòng)作記錄下來，整體每月收入在3000元到3500元不等。

機(jī)器人真正想要走向產(chǎn)業(yè)化，用于負(fù)責(zé)感知、決策和執(zhí)行的“大腦”能力的突破是關(guān)鍵，這已是行業(yè)共識(shí)。然而“大腦”的訓(xùn)練需要燒掉海量數(shù)據(jù)燃料。為了具身智能數(shù)據(jù)大廈的落成，有人已經(jīng)開始在造“磚”了。

具身智能數(shù)采“進(jìn)”社區(qū) 采集人員月收入3000元到3500元

具身數(shù)據(jù)采集社區(qū)位于宿遷市湖濱新區(qū)。從今年4月數(shù)據(jù)采集社區(qū)試運(yùn)行以來，有不少社區(qū)居民報(bào)名參與?！睹咳战?jīng)濟(jì)新聞》記者了解到，采集員經(jīng)過專業(yè)技術(shù)人員培訓(xùn)后，在日常家務(wù)過程中就能完成數(shù)據(jù)采集工作。

正常進(jìn)行擦桌子、疊衣服、整理收納、地面清潔等勞動(dòng)時(shí)，他們只需頭戴京東自研的JoyEgoCam采集終端即可獲取上肢軌跡、力度分布、人與家居環(huán)境的交互關(guān)系等關(guān)鍵參數(shù)。

通過可穿戴設(shè)備，普通人也可以在工廠、物流、零售、醫(yī)療以及家庭等環(huán)境中完成數(shù)據(jù)采集，從而降低數(shù)據(jù)采集門檻，拓展采集場景。這也是當(dāng)下行業(yè)共同的解決方案。

一位居家采集人員告訴每經(jīng)記者，數(shù)采機(jī)會(huì)配備內(nèi)存卡，內(nèi)存卡儲(chǔ)滿數(shù)據(jù)需要6個(gè)小時(shí)的采集工作。月收入在3000元到3500元，多勞多得。除數(shù)采人員外，衍生出來的還有數(shù)據(jù)標(biāo)注師、模型訓(xùn)練師等。

采集回來的數(shù)據(jù)需要經(jīng)過上傳、清洗、質(zhì)檢、標(biāo)注、訓(xùn)練、驗(yàn)證等流程，最終成為“數(shù)據(jù)燃料”，輸入到具身智能模型中。

每經(jīng)記者注意到，除社區(qū)外，京東具身智能數(shù)據(jù)采集中心內(nèi)，還設(shè)有零售商超、物流倉儲(chǔ)等場景的數(shù)據(jù)采集區(qū)域，相對(duì)居家等場景，產(chǎn)線上的數(shù)據(jù)采集工作需要一定的專業(yè)度，需要操作更復(fù)雜的設(shè)備，更全面的記錄視覺、觸覺、空間軌跡等全維度數(shù)據(jù)。

圖：京東機(jī)器人數(shù)據(jù)采集中心，來源：每經(jīng)記者 王郁彪 攝

京東具身智能數(shù)據(jù)采集負(fù)責(zé)人告訴每經(jīng)記者，這些數(shù)據(jù)采集完成后，經(jīng)過完整的數(shù)據(jù)清洗，形成可用的數(shù)據(jù)集，用來做模型預(yù)訓(xùn)練。相關(guān)模型借助這些數(shù)據(jù)完成學(xué)習(xí)后，初步具備執(zhí)行各類任務(wù)的泛化能力。最后再把模型搭載到機(jī)器人本體后，機(jī)器人依靠模型推理能力，去執(zhí)行各類不同任務(wù)。

多場景數(shù)據(jù)采集目的在于提高模型的泛化能力

除社區(qū)居家場景外，每經(jīng)記者還實(shí)地探訪了宿遷的康養(yǎng)中心、果園等。在養(yǎng)老院，采集員記錄協(xié)助老人起身、喂藥、康復(fù)訓(xùn)練等照護(hù)動(dòng)作，為服務(wù)機(jī)器人提供人類照護(hù)行為樣本。

果園內(nèi)，每經(jīng)記者了解到，其采集內(nèi)容覆蓋果蔬采摘的手眼協(xié)調(diào)軌跡、農(nóng)具握持與操作的力學(xué)數(shù)據(jù)、田間不規(guī)則地形下的行走與避障動(dòng)作等，以適應(yīng)農(nóng)業(yè)作業(yè)的復(fù)雜環(huán)境等特征。

制衣廠的采集員則在縫紉、裁剪、質(zhì)檢等工位作業(yè)，記錄手部精細(xì)操作、多工位流轉(zhuǎn)等數(shù)據(jù)，為工業(yè)柔性操作模型提供小樣本、高精度、可復(fù)用的訓(xùn)練素材。

那么，具身智能模型的訓(xùn)練究竟需要什么樣的數(shù)據(jù)？

具身智能公司帕西尼數(shù)采負(fù)責(zé)人對(duì)每經(jīng)記者表示，數(shù)據(jù)收集需要多場景數(shù)據(jù)的支撐。多場景的數(shù)據(jù)收集、植入訓(xùn)練的是模型的泛化能力。就是當(dāng)你告訴機(jī)器人去做任務(wù)A、B、C的時(shí)候，它通過對(duì)A、B、C數(shù)據(jù)的學(xué)習(xí)，哪怕它之前沒有做過D任務(wù)，但是經(jīng)過模擬訓(xùn)練之后，D任務(wù)也能做。

“我們之前拿到了京東的視覺EGO數(shù)據(jù)集（EGO數(shù)據(jù)集是指多個(gè)以?第一人稱視角?為核心的視頻數(shù)據(jù)集集合）之后，配合我們（機(jī)器人）觸覺的數(shù)據(jù)收集，對(duì)人類的日常工作模塊進(jìn)行了補(bǔ)齊?！彼硎?。

此外，對(duì)于具身智能數(shù)據(jù)采集，他認(rèn)為最重要的有兩點(diǎn)，一是需要覆蓋到人類的感知層面，二是在數(shù)據(jù)收集時(shí)維持人類原本的意圖?！拔覀?cè)谑占臅r(shí)候不以收集為目標(biāo)，而是記錄人類以當(dāng)前意圖去完成這個(gè)任務(wù)時(shí)，他做出的所有動(dòng)作。雖然我們看到的數(shù)據(jù)是動(dòng)作，但實(shí)際上更深層次，需要訓(xùn)練模型理解做這個(gè)任務(wù)時(shí)人類的行為和意圖。”他進(jìn)一步表示。

2年1000萬小時(shí)能解具身智能“數(shù)據(jù)饑渴”嗎？

覓蜂科技董事長兼CEO（首席執(zhí)行官）、智元機(jī)器人合伙人姚卯青此前公開表示，訓(xùn)練類似ChatGPT-5級(jí)別的系統(tǒng)所需語料達(dá)百億小時(shí)量級(jí)，而具身智能可用數(shù)據(jù)僅在50萬小時(shí)量級(jí)，規(guī)模差距懸殊，還存在標(biāo)準(zhǔn)缺失、質(zhì)量不一、供需錯(cuò)配等問題。

圖：機(jī)器人訓(xùn)練場景，來源：每經(jīng)記者 王郁彪 攝

與大語言模型相比，具身智能的數(shù)據(jù)積累無疑還處于早期階段。每經(jīng)記者此前也從京東方面了解到，其認(rèn)為具身智能要達(dá)到真正可用，至少需要1000萬小時(shí)級(jí)別的真實(shí)場景交互數(shù)據(jù)。然而，當(dāng)前行業(yè)數(shù)據(jù)規(guī)模僅約100萬小時(shí)，數(shù)據(jù)缺口高達(dá)10倍。 

融資規(guī)模不斷被刷新，量產(chǎn)步伐全面提速，市場規(guī)模水漲船高，一年比一年熱鬧的具身智能賽道，卻深陷“數(shù)據(jù)荒漠”困境，這背后必然有很多不可控因素。如今，京東、智元等已經(jīng)開始做具身智能數(shù)據(jù)的采集工作。數(shù)據(jù)采集完成后，這些數(shù)據(jù)如何真正融入機(jī)器人的“大腦”？

京東具身智能相關(guān)負(fù)責(zé)人告訴《每日經(jīng)濟(jì)新聞》記者，底層硬件設(shè)備完成物理世界真實(shí)數(shù)據(jù)采集后，需要被送至“工具層”，可以理解為用一個(gè)“工具箱”進(jìn)行數(shù)據(jù)處理、模型訓(xùn)練以及仿真評(píng)測等。

“再往上就是模型層，也就是所謂的‘大腦’，包含VLA模型（視覺—語言—?jiǎng)幼髂Ｐ停?、VLN模型（視覺—語言導(dǎo)航）、世界模型等核心能力。最頂層就是應(yīng)用層，就是這些技術(shù)最終落地的場景，比如家政服務(wù)、物流配送、醫(yī)療輔助、零售服務(wù)、工業(yè)制造等?！痹撠?fù)責(zé)人透露。

機(jī)器人如何在物流、家庭、工業(yè)等現(xiàn)實(shí)場景中真正“落地生根”并發(fā)揮作用？這仍是一個(gè)需要無數(shù)機(jī)器人整機(jī)企業(yè)、具身智能數(shù)據(jù)公司反復(fù)探索并傾注全部心血去解答的課題與過程。這場關(guān)于具身智能基礎(chǔ)設(shè)施的競賽沒有終點(diǎn)，誰先打通道路、積累足夠的數(shù)據(jù)“燃料”，誰就更有可能在機(jī)器人“大腦”時(shí)代的賽跑中，搶占未來十年的主動(dòng)權(quán)。

封面圖片來源：每經(jīng)記者 王郁彪 攝