机器人，吃不了“粗粮”

机器人大脑发育所需的数据，就藏在普通人的生活里。

近日，觅蜂科技启用数据采集众包平台，希望佩戴数采设备的千千万万普通人能够把制作月饼、侍弄花草、快递分拣等日常行为数据汇聚起来，用于训练机器人的大脑。

机器人所需数据量急剧增长，国内已经有众多数据采集平台。但数据质量比数量更加重要，这考验数据采集平台：那些重复、低质数据，不但无益于人工智能，反倒像是给机器人投毒。

数据依赖度大了

9月23日，觅蜂科技发布全球首个全品类物理AI数据众包服务平台“觅蜂派”。

“物理AI最好的老师，是每一个认真生活的人。”觅蜂科技董事长兼 CEO 姚卯青在现场表示。这一平台希望将分散在日常生活和千行百业中的真实操作经验，转化为机器人可以学习、训练和复用的数据。

觅蜂派面向社会开放物理AI数据采集任务，用户佩戴数采设备后可以在零售、仓储、制造等真实场景中完成Ego数据的采集。

所谓Ego数据，是指以第一人称视角所获取的行为数据，它与仿真数据（虚拟环境中生成的数据）、遥操机器人采集的数据等在精度、数量等方面均有所区别。

据姚卯青介绍，Ego数据可用于大模型、世界模型早期预训练阶段，提升基础模型泛化能力。“它的特点是少量时候发现不了有多大帮助，到比较大规模之后，才能逐步激活一些涌现能力。小模型，小数据量做单一场景应该不是它最适用的场景。”

每种不同的数据，都有它的阶段性价值，也有它们各自的问题。

“Ego数据有助于覆盖更多真实场景和任务，但其训练价值需要结合采集方式和具体用途判断。例如‘头环+裸手’采集的数据，如果重建精度误差过大，这部分轨迹作为精细操作训练信号的价值很大一部分就打折了。”蚂蚁灵波CEO朱兴在外滩大会上接受记者采访时表示。

在朱兴看来，判断数据价值要看训练阶段，仿真数据更多用于中后期训练，尤其是在提升特定任务成功率的时候更有价值。

今年七月份，蚂蚁灵波一口气发布了六款模型。蚂蚁灵波所需的训练数据，很大比例由外部供应商采集，但采集什么数据、覆盖哪些场景和任务，由蚂蚁灵波根据模型训练需求来定义。

“现在数据很重要，未来更重要。”朱兴说，一些采集难度比较高的数据，蚂蚁灵波还要先试采，形成比较好的标准作业流程，然后再推给供应商上量。

迫切需要数据的还有魔芯科技。

“世界模型训练最需要的是反映真实物理世界、体现物理规律的数据。比如车在路上是怎么开的，人在路上是怎么走的，泥石流形成的时候水是怎么冲击的，等等。”魔芯科技相关负责人对第一财经记者说。

魔芯科技在7月发布基于华为NPU构建的世界模型MoWorld，模型参数约为140亿。魔芯科技用到的数据，需求量也大，数据质量的要求也高，所以数据标注这类环节的工程量非常大。

“比如拍一段视频，需要一帧一帧标注里面的物体运动速度、物体质量、质地、摩擦力等指标。所以数据生产的成本比较高。”郭力说。

目前对真实世界数据有迫切需求的公司有三大类。一类是具身智能公司，它们有本体也有算法，希望做自己的基座模型；一类是新创的世界模型公司，它们不做本体，但会用到比较多的数据做预训练；还有一类是大模型厂商，已经消耗完互联网数据，进一步提升模型能力则必须采纳真实世界的数据。

姚卯青观察到，具身智能对于数据依赖越来越大。去年上半年，很少有公司提几十万小时的数据需求，到了去年年底就有客户提出20万小时的需求，而今年已经不少公司提出100万小时数据需求了。“我们接触到的用户，有些在提千万小时的数据需求。”

吃不了“粗粮”

“数据量固然重要，但不能只谈量，更要谈质量和分布。”朱兴表示。分布尤其重要，它是模型厂商最核心的技巧，产业常将训练模型比作“炼丹”，“炼丹背后就是数据的配方。”

不管哪类数据源、数据采集方式，往往都存在大量的场景重复。这类过度重复的数据意义不大。以自动驾驶为例，车企采集到的数据，往往只是增加了存储成本，真能提升智能的关键数据已经很难得了。姚卯青认为，现在机器人叠衣服的数据也已经泛滥了。

具身智能发展的早期，数据稀缺的情况下，厂商们将一切可得的数据投喂给模型。但朱兴的观察是，具身智能吃不了“粗粮”。一些具身模型的训练数据量比另外一个模型大3倍、5倍，但在一些场景任务上效果更差，原因就在于数据分布的极度不均衡。

蚂蚁灵波自去年年初就不大量购买成品数据了，转而按模型训练需求定制采集。该公司对于数据的重视，从数据供应商生产初期就开始了，而不是等着数据摆上货架再行购买。

“我们跟所有的供应商合作，数据交付一般都不是做批量交付，而是流式交付。作为模型厂商，我要把数据管线做得更高效，对数据认知更深，这是核心壁垒，离开这个东西谈模型没有意义。”朱兴说。

他认为，目前数采工厂众多，而数据高度重复，产业未来会更加分化。一类数采工厂将主要提供基础数据采集服务，另一类则具备更强的数据管线能力，能够与模型公司形成持续、高效的协同。

姚卯青同样觉得，数采行业必然出现整合。

现在机器人训练对数据的要求，几乎没有初创团队能够拿得出来。

“你给一千小时数据订单，初创公司一个月都不一定能交得出来。但是头部客户都是一周要交5万、10万小时的数据量，没有足够资源支撑很难做到这一点。”姚卯青说。

数采行业拼的是质量、运营能力，而且还是重资金投入的行业。采集设备、人员、数据处理、海量存储等都需要投入。比如觅蜂科技应对1000万小时的数据采集需求，需要大几亿的固定资产投入。

数采行业日益发展，行业分工就不可避免。姚卯青认为，数采企业不会都掌控整个链条，而是一些公司提供数据采集能力，一些公司做运营工作，还有一些公司做数据的处理加工、分发。

真实世界数据的质和量的问题，不只是魔芯科技和蚂蚁灵波的难题，而是所有物理AI训练中都会遇到的问题。不过，这可能成为中国企业的竞争优势。

“中国获得真实世界数据的成本，比美国获得数据的成本要低。人力比较便宜，推进工程项目的质量更高，做数采和标注反而是中国企业的优势了。”一家企业的负责人表示。