大語言模型可以靠堆數(shù)據(jù)跑通Scaling Law，但機器人面對的是動態(tài)、多模態(tài)、強時序關(guān)聯(lián)的物理世界，雜亂的數(shù)據(jù)堆在一起，訓(xùn)不出可靠的模型。從混沌到秩序的工業(yè)化路徑，質(zhì)量比數(shù)量更重要。

機器人進工廠、進場景，真正的挑戰(zhàn)不在模型本身，而在數(shù)據(jù)。徐良威指出，具身智能的數(shù)據(jù)不是時間、空間、任務(wù)意圖緊密耦合的多模態(tài)資產(chǎn)。智域基石提出了五層數(shù)據(jù)編譯管線模型，每一層都有明確的質(zhì)量指標(biāo)，唯有構(gòu)建數(shù)據(jù)底座生態(tài)，讓本體方、模型方、產(chǎn)業(yè)方各司其職，高質(zhì)量物理世界的數(shù)據(jù)才能真正流通起來，支撐具身智能的規(guī)模化落地。

以下為演講內(nèi)容，經(jīng)36氪整理編輯：

徐良威丨智域基石CTO

大家好，我是智域基石的聯(lián)合創(chuàng)始人兼CTO，今天我跟大家分享的是從具身智能的數(shù)據(jù)供給革命與技能結(jié)構(gòu)化實踐，標(biāo)題是從混沌到秩序。為什么是從混沌到秩序？具身智能的到來讓大家發(fā)現(xiàn)原先在大語言模型、自動駕駛或者在所有過去AI的數(shù)據(jù)實踐在具身智能里不夠用了，今天主要講一下智域基石在上面做了什么樣的工作，主要討論兩個話題，第一個事情我們在具身智能的數(shù)據(jù)上怎么去做標(biāo)準(zhǔn)化的工業(yè)化實踐。第二個如何把數(shù)據(jù)和模型本體、產(chǎn)業(yè)、場景結(jié)合起來，變成一個生態(tài)，而不是單純數(shù)據(jù)的事情。

我們直接到機器人的落地，2026年我們可以看到一部分的機器人已經(jīng)從小樣逐漸往產(chǎn)業(yè)里跑了，原先我們考慮到的是怎么把實驗室里的算法用視頻或者現(xiàn)場展示的方式展現(xiàn)出來，這個事情已經(jīng)遠遠不一樣了，我們把機器人從實驗室里搬到真實的場景里，原先只要考慮讓機器人動起來、完成指定任務(wù)就可以了。現(xiàn)在我們要考慮的事情是如何讓機器人面對不確定的、動態(tài)的、多模態(tài)整個場景數(shù)據(jù)輸入，還能夠進行持續(xù)穩(wěn)定和物理世界的交互，這時候我們就要考慮我們怎么產(chǎn)生穩(wěn)定化供給。

原先有一句話說的很對，模型決定機器人的能力上限，模型決定了機器人能干什么，很難決定機器人在最差的環(huán)境下能做到什么程度，因為很多事情即使是人在新的場景里都不一定能夠處理的好，這個時候就需要我們考慮怎么把真實場景里的數(shù)據(jù)，這個數(shù)據(jù)可能分為本體數(shù)據(jù)，機器人感知到的環(huán)境數(shù)據(jù)，甚至是機器人的任務(wù)，機器人的日志，這些信息都要能夠送到機器人訓(xùn)練的整個閉環(huán)里，這時候才能夠把原先在小樣級別變成真正在產(chǎn)業(yè)里能夠落地的事情。

原先大家做語言模型時，大家說Scaling Law，希望有越來越多的數(shù)據(jù)才能讓模型變的越來越好，本身這個事情是沒有問題的，具身智能不像原先是結(jié)構(gòu)化的數(shù)據(jù)，我們在多模態(tài)跟持續(xù)強相關(guān)的數(shù)據(jù)領(lǐng)域里發(fā)現(xiàn)，我們?nèi)绻麊渭兌褦?shù)據(jù)，把大量原先混雜在互聯(lián)網(wǎng)的數(shù)據(jù)跟機器人操作相關(guān)的數(shù)據(jù)，不管什么樣的仿真數(shù)據(jù)，把這些數(shù)據(jù)全部堆在一起，能不能讓模型訓(xùn)練出來？有這個可能性，目前的結(jié)論，我們還很難說把一些雜亂的、毫無規(guī)則的數(shù)據(jù)堆在一起就能夠訓(xùn)練出更好的模型，我們不僅考慮數(shù)量，還要考慮質(zhì)量。這個質(zhì)量一方面體現(xiàn)在采集，另一方面體現(xiàn)在數(shù)據(jù)的采集、質(zhì)檢、預(yù)標(biāo)注、人態(tài)環(huán)路的閉環(huán)再到數(shù)據(jù)后處理，再到導(dǎo)出，最后進到模型訓(xùn)練，完成模型到數(shù)據(jù)的閉環(huán)體現(xiàn)在整個環(huán)節(jié)里，每個環(huán)節(jié)都需要質(zhì)量，如果某一環(huán)節(jié)出了差錯，不是說這個模型訓(xùn)練不出來，而是真正的模型落到本體再進入場景，如果這個場景出問題，怎么回溯到我這個數(shù)據(jù)或者在原先的閉環(huán)里哪一部分出了問題，這是我們對于數(shù)據(jù)的要求，數(shù)量很重要，但我們要考慮質(zhì)量，還要考慮質(zhì)量在每一個環(huán)節(jié)里的重要性。

路線有很多，大家經(jīng)常講的VLA，以模仿學(xué)習(xí)為主，以視覺輸入、語言指令再加上機器人的動作，一個機器人看到什么樣的場景，我得到了指令，下一步輸出什么樣的動作，是一個軌跡層面的數(shù)據(jù)，以軌跡為主。另外一條路線，大家經(jīng)常提起的世界模型，在world model中加一個action，最終要作用在物理世界里的，這里考慮的是我看到一個場景，我施加了一個動作，物理世界變成什么樣，這時候考慮的是因果關(guān)系，這里面雖然VLA和world model有模型上的差異，需要的都是同一種底層資產(chǎn)，在真實世界里的結(jié)構(gòu)化高質(zhì)量數(shù)據(jù)，我定義了合理的或者適用于最終模型任務(wù)，通過一定手段把物理里的信息數(shù)字化，再經(jīng)過結(jié)構(gòu)化的過程，把它變成可以輸入到模型里的東西，這時候原始數(shù)據(jù)是一樣的，中間流程稍微有一些不一樣，基于同一套數(shù)據(jù)底座。

數(shù)據(jù)底座是一整套把真實的場景、真實的任務(wù)、真實的成功/失敗、真實的和整個環(huán)境交互全部都記錄下來，從而能夠輸入到模型里，讓模型能夠在真實的世界里獲得閉環(huán)。這一套數(shù)據(jù)輸入有可能是機器人本體，大家看到很多數(shù)據(jù)采集工廠、數(shù)據(jù)實訓(xùn)廠，通過讓人操控機器人獲得和機器人有關(guān)的數(shù)據(jù)，直接作用于機器人不管是預(yù)訓(xùn)練、后訓(xùn)練，現(xiàn)在還有一些比較前沿的，讓人帶著第一人稱視角記錄人的數(shù)字化勞動，讓人本身的勞動數(shù)字化到虛擬世界里，再去訓(xùn)練不管是VLA還是世界模型，讓機器人學(xué)會人類技能，本質(zhì)上都是把人類或者是機器人這樣的一個本體和環(huán)境的交互，把物理的概念變成一套數(shù)字化的概念，智域基石就做了一套數(shù)據(jù)底座，不管前端是什么樣的數(shù)據(jù)流入，我們都可以通過數(shù)據(jù)編譯管線處理成模型可以使用的數(shù)據(jù)，最終完成數(shù)據(jù)本體，再回到場景再回到數(shù)據(jù)的閉環(huán)。

一個任務(wù)怎么把原始數(shù)據(jù)記錄變成模型可以使用的數(shù)據(jù)，第一個流程，先定義好任務(wù)，先要采一個什么樣的數(shù)據(jù)，先要知道機器人看到了什么，它做出什么樣的動作甚至它聽到了什么，還要關(guān)注前因后果，我之前的場景是什么樣的，我在看到這個場景以后我做出什么樣的決策，我又做出什么樣的動作，如果我發(fā)生這個動作，我接下來的思考是什么，這個世界真實又會怎么變，一方面記錄在真實世界里發(fā)生的所有傳感器的記錄，另外從任務(wù)記錄，不是單純從傳感器得到的，是事前規(guī)劃或者是事后推演，我通過把現(xiàn)場記錄、任務(wù)整理搞起來，后面我們把它變成機器人、具身智能需要的一套數(shù)據(jù)資產(chǎn)，中間涉及到怎么采集、提取其中的關(guān)鍵因素，最后怎么把它沉淀到資產(chǎn)，也會涉及到成功/失敗的處理，涉及到失敗以后機器人怎么重試，重試策略是什么，重試之后導(dǎo)致的結(jié)果是什么，這都是從原始數(shù)據(jù)變成訓(xùn)練樣本重要的步驟之一。

這是智域基石提出的五層數(shù)據(jù)編譯管線模型，我們考慮到原始數(shù)據(jù)不是把數(shù)據(jù)采完了，把它存到硬盤里可以直接被輸入到模型里訓(xùn)練，我們考慮到的是中間有非常多道流程，每一道流程都是有關(guān)鍵指標(biāo)的。只有把每一步做好，才不是簡單的數(shù)據(jù)存檔，而是真正能夠成為數(shù)據(jù)資產(chǎn)的東西，這一套數(shù)據(jù)資產(chǎn)下面可以進入到場景、模型，可以和本體結(jié)合，被真正的用起來。

第一個流程數(shù)據(jù)質(zhì)檢，首先是數(shù)據(jù)采集，采集后才能把真實物理環(huán)境里的模型信號變成數(shù)字信號，以數(shù)字化的形式存下來，raw data，是雜亂的、沒有規(guī)則的、非結(jié)構(gòu)化的數(shù)據(jù)，我并不知道好不好，也不知道能不能進入后面的處理流程里，第一步做數(shù)據(jù)質(zhì)檢，先看一看數(shù)據(jù)是否滿足基本的數(shù)據(jù)處理要求。

數(shù)據(jù)滿足后，進入數(shù)據(jù)處理管線里，下一步是數(shù)據(jù)對齊，機器人或者具身智能數(shù)據(jù)不是單純的畫面或者是簡單的視頻，其實是多模態(tài)和時序緊密結(jié)合的數(shù)據(jù)，完成空間、時間的對齊，完成時間、空間的結(jié)構(gòu)化，不是單純雜亂的數(shù)據(jù)，至少是被數(shù)據(jù)處理的算法和機器能夠理解的數(shù)據(jù)，每處理一幀數(shù)據(jù)都可以完成橫向、縱向的索引。完成以后，到了數(shù)據(jù)變成模型可用數(shù)據(jù)層次，從結(jié)構(gòu)化數(shù)據(jù)里再提取出真正的語義或者因果關(guān)系部分，我們要知道數(shù)據(jù)在整個空間里怎么和環(huán)境交互的，跟意圖對齊是什么樣的，因果，比如之前發(fā)生了什么，場景是什么，之后又是什么，這是第三個步驟，到這個地方為止，這個數(shù)據(jù)已經(jīng)能被模型用起來了，距離真正的模型泛化還很遠。這時候我們要考慮我們要做好大規(guī)模數(shù)據(jù)處理，大規(guī)模數(shù)據(jù)在以前很多行業(yè)都有，現(xiàn)在所有行業(yè)都在講大數(shù)據(jù)概念，但是在具身智能里不一樣，因為是時間、空間、整個任務(wù)意圖都緊密相連的一類數(shù)據(jù)。我們要考慮在上億小時甚至是上千億小時大規(guī)模數(shù)據(jù)下，我們怎么快速檢索出來被某類模型需要找到的數(shù)據(jù)，這也是非常難的工作。

在前面四個步驟過去后就變的相對簡單了，把數(shù)據(jù)處理好、對齊好，提取的所有內(nèi)容，再找初模型需要的數(shù)據(jù)，最后給客戶使用，這是最后一個環(huán)節(jié)交付。

在技術(shù)層面上完成了數(shù)據(jù)到訓(xùn)練之前的閉環(huán)，數(shù)據(jù)最終閉環(huán)遠沒有結(jié)束，必須要被模型公司用起來，而且模型公司后面的模型還要搭載在本體上，不僅完成小樣，還要在產(chǎn)業(yè)落地，需要讓數(shù)據(jù)出發(fā)經(jīng)過模型部署到本體再落實到產(chǎn)業(yè)，最終再從產(chǎn)業(yè)獲得反饋，回到數(shù)據(jù)這一方，這時候才是真正讓數(shù)據(jù)流通起來，讓智能不僅是單點而是讓整個體系里把它部署起來，作為數(shù)據(jù)方是非常核心的作用，它要對接本體、對接模型，也可以對接產(chǎn)業(yè)。

在現(xiàn)在很多數(shù)據(jù)行業(yè)里，大家還是以項目制的形式做這個事情，模型沒有收斂，本體百花齊放，產(chǎn)業(yè)也是在逐步進入到整個具身智能行業(yè)中來，智域基石做的數(shù)據(jù)，我們不僅是做一個數(shù)據(jù)項目，把體系都搭建起來，通過和本體、模型、產(chǎn)業(yè)對接，我們把一個項目制交付的能力變成可以被整個具身智能領(lǐng)域作用起來的一套數(shù)據(jù)基礎(chǔ)措施，這時候不僅是能夠交付一套數(shù)據(jù)，而是我能夠支撐整個具身智能的發(fā)展，以后所有的產(chǎn)業(yè)、本體、模型都可以從數(shù)據(jù)方獲得他想要獲得的東西。

我們希望能夠劃分新的數(shù)據(jù)分工，讓本體公司做數(shù)據(jù)，讓模型公司做數(shù)據(jù)，或者讓產(chǎn)業(yè)方做數(shù)據(jù)，都不能夠支撐整個產(chǎn)業(yè)發(fā)展的，只有把這么一套生態(tài)構(gòu)建起來，才能夠讓高質(zhì)量物理世界的數(shù)據(jù)進入整個生態(tài)里，讓具身智能行業(yè)發(fā)展起來。

我的分享就到這里，謝謝。