11月27日，未来机域举办了"等待具身智能数据的ChatGPT时刻"第二场主题直播。
本次研讨会采用“嘉宾分享+圆桌讨论”的形式，上海刻行时空科技有限公司CEO黄阳明与北京具身智能科技有限公司CEO吴清华作为主讲嘉宾，就“高质量的具身智能数据生产”这一行业关键议题展开深度对话，共同探讨了当前行业面临的数据采集、标注与处理等核心挑战，并对具身智能发展的未来路径作出展望。

数据质量：成本与质量的平衡之路

具身智能行业正在经历从单一机型数据采集向异构多机器人数采的转变。黄阳明在分享中指出：“从谷歌的RT-X系列到Physical Intelligence，越来越多的研究证明，当异构数据量足够大、分布足够广时，机器人模型同样能实现类似大模型的scaling law。”
但是，与大预言模型不同，具身智能机器人面临数据采集的更高成本挑战。对此，黄阳明提出了“三阶段采集策略”，从初期的主动采集开始，逐步过渡到中期的辅助采集，最终实现真实场景的被动采集。
他详细阐释道：“首先是主动采集阶段，通过人工操控机器人或机械臂进行定向数据采集；第二阶段是辅助采集，机器人已能自主执行大部分动作，但在即将失败时由人工介入辅助完成，实现一人同时监管十台甚至百台机器人；最后，当机器人在多个领域实现应用后，我们将采用被动采集方式，获取分布更广、多样性更强的真实场景数据。”
这种渐进式的方式能够有效平衡数据质量与采集成本之间的矛盾。
与此同时，在花费时间精力采集完数据后，如何衡量数据的质量也是行业面临的挑战。

吴清华从系统设计角度强调了数据完整性的重要性：“一个优秀的数据采集方案必须从任务目标出发，反向推导所需的感知信息、动作指令与环境反馈，形成完整的交互回路。”
“我们通过多传感器融合技术，同步记录视觉、力觉、声音等多模态信息，确保数据能够真实还原任务环境的复杂性。”吴清华补充道。
他补充道：“我们通过多传感器融合技术，同步记录视觉、力觉、声音等多模态信息，确保数据能够真实还原任务环境的复杂性。”
此外，吴清华还提出了独特见解：“失败数据同样具有重要价值。从失败到修复的完整过程，是机器人学习应对不确定性的关键环节。”

标准之争：技术领先者将主导行业规范

当前，具身智能数据领域面临多重挑战：多个数据集难以整合，数据格式不统一，质量参差不齐，严重制约了数据的流通与复用。
面对这一困局，黄阳明提出了务实的解决方案：建立多维度数据指标，让企业根据自身需求选择合适的数据集，“我们可以借鉴房地产市场的评估方法。没有人会仅凭面积大小就决定购买房屋，而是会综合考虑地段、房龄、配套设施等多个指标。同样，数据质量评估也需要建立这样的多维度指标体系。”
当然，最重要的是需要制定统一的标准。吴清华认为，需要政府端去联合各家企业，共同制定统一标准。“现在行业都是各玩各的，不同公司采用不同标准，导致数据难以互通。”

不过，两位嘉宾都一致认为，标准的制定应该由技术领先的企业主导，而非单纯依靠行政力量。黄阳明表示：“最终还是技术主导这个标准，要看谁的效果好，那大家都会往这方面去靠，而不是制定一个强制规定让大家遵守，否则就像Type-C接口，外形统一了，但内部协议仍然五花八门。”

未来展望：谨慎乐观的发展预期

对于具身智能的"ChatGPT时刻"，两位专家给出了分阶段的预测。
黄阳明分析认为：“垂直领域的机器人将在1-2年内实现规模化落地，从十万级别到百万级别的跃迁可能很快实现，但从百万到千万级的跨越可能需要3-5年。至于每个家庭都拥有机器人的时代，或许还要10年时间。”
吴清华则从产业链角度提出了更为审慎的看法：“除了技术成熟度外，机器人的成本优化与产业链配套同样关键。要让机器人像手机一样普及，可能需要15年左右的产业培育期，让整个产业链和政策环境逐步消化和适应。"

在技术路径上，两位专家均认同"云边端协同"将成为主流方案。针对观众提出的"通过云端大脑调度十种作业机器人是否可行"的问题，吴清华表示：“从技术角度完全可行，我们已经实现多机协同调度，只要不是手术级的高实时场景，云端调度在响应速度上完全可以满足。"
黄阳明则补充建议：“云端负责态势感知与任务规划，边缘端负责实时控制，这样才能兼顾全局智能与本地响应速度。"
随着数据采集成本的持续下降、技术标准的逐步完善，以及多模态融合技术的不断突破，具身智能将朝着更高效、更实用的方向稳步迈进。在这个进程中，高质量的数据生产将继续扮演关键角色，推动整个行业向着智能化、通用化的目标不断前进。

下期预告

12月4日（周四）晚8点，我们将继续进行第三场直播《等待具身智能数据的ChatGPT时刻之破局》，欢迎收看！