会说、会想，不等于会干活

过去几年，大模型的发展让机器在理解语言、生成内容、编写代码等任务上取得了明显进展。一个重要原因是，互联网积累了大量文本和图像等数字信息，为模型训练提供了丰富素材。

但具身智能面对的是另一个世界。

所谓具身智能，简单来说，就是让人工智能拥有能够与现实环境交互的身体，并通过感知、决策和动作执行完成任务。它既涉及机器人的本体、运动控制，也涉及模型如何理解环境、判断下一步行动。

语言模型可以从文字中学习“杯子放在桌上”是什么意思，机器人却还需要真正学会：杯子在哪里，机械手应该从什么角度靠近，接触时施加多大力度，移动过程中如何保持稳定。

尤其是在真实环境中，物体的材质、形状、摆放位置都可能变化。同样是拿起一个杯子，放在空旷桌面上和挤在一堆餐具之间，需要处理的情况并不相同。

知道一件事怎么做，和能够在变化的环境里把它稳定做好，是两种不同的能力。

这也是具身智能训练的难点之一。

机器人不仅需要理解任务，还要把任务转化为一连串具体动作，并根据实际反馈不断调整。对于这一过程，单纯依靠文字说明远远不够。

它需要学习真实世界中的动作数据：手臂如何移动，机械手如何抓取，物体受到多大作用力，动作执行后产生了什么结果。

问题随之而来：人类每天都在拿东西、走路、做家务，但这些动作并没有被系统地记录成可以直接用于机器人训练的数据。

要让机器人学会干活，就得想办法把这些经验采集下来。

人类的日常动作，正在变成机器的教材

采集数据，听起来像是给机器人拍一段视频。实际操作中，关键并不只是“记录下来”，而是要让数据真正服务于模型训练。

不同采集方式，在成本、精度和可用性之间，需要做出不同取舍。

第一种：给人戴上摄像设备，记录真实工作过程

一种相对直接的办法，是让人佩戴带有摄像头的设备，在正常工作过程中记录第一视角下的操作。

例如，在工厂里，工人本来就要完成裁剪、织布、搬运等工作。通过设备记录操作过程，就有机会把原本只存在于人的经验中的工序，转化为可以分析和使用的数据。

这种方式的优势是贴近真实场景，不必为了采集数据而完全停下原有工作，也比较容易扩大采集规模。

但它也有明显局限。

人的手和机器人的机械手并不一样。视频里看得见手抓住了杯子，却未必能完整表达抓取时的力度、接触状态和动作细节。摄像头拍到的画面，也不一定能直接转化为机器人可以执行的动作指令。

因此，这类数据往往还需要经过筛选、处理和适配，才能更好地用于模型训练。

第二种：不用人的手，直接拿机器人的夹爪做示范

如果采集的数据最终要教会机器人使用机械手，那么，能不能从一开始就用机械手来完成操作？

一种思路是让人拿着机器人的夹爪，直接去夹杯子、拿物品，再记录整个过程。

相比只记录人手的动作，这种方式更贴近机器人实际执行任务时的操作形态，可以减少部分数据转换和后处理工作。

它体现出具身数据采集中的一个现实考量：数据并不是越多越好，能否被模型有效利用，同样重要。

如果采集成本太高，数据规模难以扩大；如果采集方式过于简单，数据质量又可能不足。如何在经济性、数据质量和采集效率之间取得平衡，是数据采集方案设计时必须考虑的问题。

第三种：用动作捕捉，记录更精细的运动轨迹

还有一种方式，是通过多台摄像设备或动作捕捉系统，记录人体在特定空间内的运动。

走路、下蹲、起身、伸手、擦拭……这些动作可以被拆解成更精细的运动轨迹，为机器人学习人体动作提供参考。

与普通视频相比，动作捕捉能够提供更结构化的运动信息，但通常也需要更专门的设备、场地和采集流程。

它适用于对动作精度有更高要求的训练任务，不过并非所有场景都必须采用成本更高的方案。

第四种：直接操控机器人，让它完成任务

如果希望采集到的数据更接近机器人最终的执行方式，还可以由人直接远程操控机器人。

操作者通过控制设备，让机器人完成拿取、搬运等动作，同时记录机器人的运动轨迹及相关反馈信息。

这种方式的优势在于，采集对象本身就是机器人，数据与真实执行过程联系更紧密。但它也受到机器人设备、操控效率和场景成本等因素的限制。

几种方式并没有简单的优劣之分。面对不同任务，需要选择不同的数据采集路径，有时也需要组合使用。

从记录人的日常操作，到使用机器人夹爪，再到动作捕捉和远程操控，背后的方向是一致的：尽可能把人类的操作经验，转化为机器人能够学习和复用的信息。

机器人训练场，开始模拟真实世界

如果说单次数据采集是在记录一个动作，那么更大规模的训练场景，则是在为机器人搭建一个可以反复练习的世界。

走进一些具身智能数据采集场地，看到的可能不是传统意义上的实验室，而是由不同生活和工作场景组成的空间。

这里有类似家庭的家具和生活用品，也有办公室、超市货架等设施；面向特定任务的训练空间，还可以模拟养老院、医院或制造业的操作环境。

这些场景并不是为了展示机器人有多先进，而是为了让它有机会接触真实工作中可能遇到的各种情况。

以超市货架为例，货物不会永远整齐地摆放在固定位置。不同商品的大小、形状、材质各不相同，物品之间还可能相互遮挡。机器人要学会从货架上拿起一件商品，就必须面对这些变化。

家庭场景同样如此。

桌面上可能摆着不同形状的餐具，物品的位置会发生变化，家具之间的空间也会限制机器人的行动。一个在空旷实验室里完成得很好的动作，到了真实家庭中，未必还能顺利执行。

因此，训练场景需要尽可能接近机器人未来要服务的环境。场景越贴近实际任务，越有机会帮助机器人学习应对现实中的复杂情况。

但模拟环境也有边界。

真实世界总会出现难以预先设计的变化。物体可能滑落，动作可能失败，环境也可能与训练时不同。这些情况需要通过真实环境中的采集和测试不断补充。

因此，机器人训练既需要模拟场景，也需要真实世界的数据。前者可以帮助系统反复练习、覆盖特定任务，后者则能让训练更贴近实际的物理规律和复杂变化。

真正有价值的训练体系，不只是把场景搭出来，还要让机器人在这些场景中积累足够丰富、能够用于改进模型的数据。

这门生意，难在成本与规模

数据采集正在成为具身智能产业链中值得关注的一环，但它并不是简单地租一间厂房、摆上几台机器人就能完成的生意。

首先是场景成本。

要模拟家庭、办公室、超市或工厂，需要准备相应的家具、货架、工具和物品，还要考虑场地维护、设备运行以及任务设计。不同场景的建设和运营成本也会有明显差异。

其次是采集效率。

如果每采集一条数据都需要复杂的人工操作，数据规模就很难快速扩大；但如果一味追求速度，忽略数据质量，后续训练效果又可能受到影响。

再次是数据能否被复用。

不同机器人在机械结构、控制方式和模型架构上存在差异。一些基础动作和通用场景的数据可能具有共享价值，但并不意味着所有数据都能直接用于不同机器人的训练。数据的格式、质量、任务要求以及使用权限，都可能影响其复用范围。

这也解释了为什么一些数据采集场地会探索共享模式：让不同团队共同使用部分场地和通用设施，有机会分摊固定投入。但具体能否降低成本、形成稳定的商业模式，仍取决于场地利用率、客户需求和数据交付能力。

在中国，机器人本体制造、运动控制和制造业应用场景具有一定产业基础，数据采集也有机会与工厂、物流等真实作业环境结合。

相较于完全搭建模拟场景，在已有的生产环境中采集数据，可以利用现成的工作流程和操作任务；而对于一些难以直接进入的环境，专门建设训练场则能够提供更可控的采集条件。

两条路径并不冲突。未来的数据供给，可能来自真实生产过程、专门建设的采集场地，以及其他面向特定任务的数据采集方式。

不过，数据采集设施本身也有投入门槛。场地、设备、人员和运营都需要持续投入，需求能否稳定增长、数据能否形成有效交付，决定了这类业务能否持续运转。

因此，不能仅凭一个训练场的规模，或某个阶段的建设热度，就判断其商业价值。更值得观察的是，它究竟解决了什么训练问题，数据是否具有足够的质量和复用价值，以及客户是否愿意持续为这些数据付费。

从数据到应用，闭环还需要时间

具身智能数据的价值，最终要回到机器人能否把任务完成得更好。

理想情况下，这会形成一个循环：

机器人在真实场景中执行任务，产生新的操作数据；数据经过处理后用于模型训练；模型能力提升后，机器人能够处理更多任务，也有机会在新的场景中积累更多数据。

随着机器人进入更多工作环境，数据来源可能进一步丰富；而数据质量和训练效果的改善，又可能帮助机器人拓展应用范围。

但这个循环并不会自动形成。

一方面，机器人需要达到一定的可靠性和成本水平，才能进入足够多的实际场景；另一方面，数据采集、模型训练和机器人部署之间，也需要建立有效的协作机制。

如果机器人还不能稳定完成任务，真实环境中的数据积累就会受到限制；如果采集到的数据无法有效提升模型能力，数据投入也很难转化为实际应用价值。

这意味着，具身智能的发展不只取决于机器人本体和模型进步，还取决于数据供给、训练效率、场景适配和商业落地能否相互推动。

回到最初的问题：机器人什么时候才能真正走进家庭？

对于家庭场景而言，机器人不仅要会拿东西、做家务，还必须具备更高的安全性和可靠性。面对老人、儿童、宠物，以及复杂多变的居家环境，动作失误可能带来实际风险。隐私保护、设备成本和长期使用体验，也都是绕不开的问题。

因此，从能够完成演示动作，到能够在真实家庭中长期、稳定地承担任务，中间还有相当长的路要走。

与其只关注机器人能跑多快、跳多高，不如进一步观察：它能不能在不同环境里重复完成同一项任务？遇到意外时能不能调整？训练成本是否可控？进入真实场景后，能不能持续积累有效数据？

这些问题，或许更接近具身智能走向应用的关键。

机器人能否真正改变生产和生活，不仅取决于它拥有什么样的身体和大脑，也取决于它能从真实世界中学到多少、学得多快，以及最终能把学到的能力转化成多少实际价值。

在机器人正式“上岗”之前，教会它们如何工作，已经是一项需要长期投入的工作。

风险提示：
投资有风险。基金的过往业绩并不预示其未来表现。基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。相关数据仅供参考，不构成投资建议。投资人请详阅基金合同等法律文件，了解产品风险收益特征，根据自身资产状况、风险承受能力审慎决策，独立承担投资风险。
重要提醒：
本文版权为好买财富所有，未经许可任何机构和个人不得以任何形式转载和发表。