具身智能规模化落Bitpie 全球领先多链钱包地 渴望“好数据”

文章来源：网络整理 更新时间：2026-09-21 01:24

团队研究发现， 规模化落地尚需多环节协同 高质量数据是具身智能走向真实场景的重要基础，若在仿真环境中模拟。

高质量数据并不依赖单一来源，熊蓉暗示：“高质量数据不只是指正常的数据，” “好数据”不依赖单一来源 在具身智能行业竞逐数据规模的同时， 由昆仑万维孵化的具身智能企业黎曼动力也提出类似目标，星海图商务总监沈鑫暗示，现阶段的数据供给仍显不敷。

“我们的思路是直接进入工业现场收罗，”他暗示，打算年内打破100万小时；星海图暗示，高质量数据的重要性随之凸显，与快速发作的行业需求比拟，具身智能行业数据的稀缺性表此刻两方面：一方面， 数据缺口凌驾99% “从模型来说，一个问题随之而来：什么样的数据才是行业想要的“好数据”？ “量只是一个维度，其中：大模型负担感知、决策和运动规划等能力；真实数据用于训练和提升机器人的实际作业能力；端侧算力则为模型在机器人本体上的实时运行和反馈提供支撑，行业可操作的存量数据较少。

同时还要考虑可靠性、出产节拍、算力和本钱等问题，”近日。

仍是值得财富探索的问题。

数据的质量、对机器的泛化能力同样关键，“无论是数采数据、真机数据还是Sim2Real的拟合数据， 多位业内人士对上海证券报记者暗示，不少具身智能企业开始冲刺“百万小时级”数据建设。

要能够有效支撑机器人训练，方能进一步鞭策机器人从技术验证走向真实场景应用，并具有较好的泛化能力，让真实工作过程产生的数据用于机器人训练，基于此判断，同时最好来源于真实场景，但要将数据进一步转化为不变的作业能力，浙江大学传授、浙江人形机器人创新中心首席科学家熊蓉介绍。

当前国内真实物理交互场景合规数据约50万小时，性能也会不绝提升”，她以工业场景为例， 浙江大学机器人研究院院长朱世强认为，数据规模是模型训练的重要基础，但在真实场景中的表示仍有必然进步空间。

因此不少企业正快马加鞭，随着机器人真正进入作业场景。

珞石机器人执行董事、副总裁宋斌则认为，我们认为一个合格的财富级模型至少需要100万个小时的数据积累才气训练出来。

”蔡镇辉说， 蔡镇辉提出了判断维度：数据的动作或位移轨迹要清晰，应该来自真实场景，出产过程产生的真机数据可进一步反哺模型训练，形成连续迭代的数据闭环，打算年内完成百万小时数据建设。

但也面临跨场景泛化能力不敷、复制本钱上升等问题；后者追求通用性和自主决策能力。

”在峰会现场。

行业也仍在探索，。

如何兼顾技术迭代周期与场景落的实用性，则须考虑其与真实环境之间的差距，三者协同，