一段坐在会议室里聊天的第一视角视频，完全来自真实世界。它看起来很“真实”，但拿去训练机器人，可能没什么用——镜头里没有发生有效的动作，环境状态也没有改变，模型自然学不到任务是怎么完成的。

这让我意识到，具身智能的数据瓶颈，和大模型时代不太一样。互联网上有大量现成的文字，但物理世界的数据不会自动变成一个干净的数据集。机器人要看见物体、理解状态变化、做出动作，还要承担动作带来的后果。真正难的问题，不只是数据够不够多，而是缺什么、怎么造、怎么验证，以及这些数据能不能回到真实部署里产生价值。

这期我邀请了群核科技北美负责人 Anthony，聊聊机器人基座模型背后的数据生态。他长期与北美的机器人实验室和 AI 团队讨论空间智能、仿真数据与模型训练，也在一线看到不同技术路线对数据需求的变化。

我们从机器人为什么没有自己的“ImageNet 时刻”聊起，聊到 YouTube 视频、第一视角数据、遥操作和 3D 合成数据分别能教会模型什么；也聊到为什么视频生成得再逼真，暂时仍很难稳定提供尺寸、碰撞和关节结构等明确的物理信息。再往后，问题又从技术绕回了商业：机器人没有产生价值，就很难进入真实场景；进不了真实场景，又拿不到下一轮训练需要的数据。

有一点想提前说一下：这期中英文夹杂会比平时多一些，很多行业里的说法本来就是英文在先，硬翻成中文反而绕，所以我们选择保留了不少原话的表达方式，想把当时的思考过程尽量原样留下来。如果听着有点跳，也欢迎多包涵。

听完这期，我更确定的一点是：机器人缺的不是一座更大的数据仓库，而是一套能找到缺口、补上缺口，再把结果带回真实世界验证的方法。

嘉宾介绍

Anthony (ManCee) Zhao：Manycore Tech（群核科技）北美增长与合作负责人，负责在北美的战略合作与生态拓展，专注于空间智能（Spatial Intelligence）、世界模型（World Models）、机器人 AI 与合成数据等方向。目前主要与全球领先的 AI 公司、机器人企业及研究机构合作，推动高质量 3D 空间数据在 Physical AI 和 Embodied AI 中的应用。中美双语背景，毕业于 UC Berkeley。

主播介绍

Leo：硅谷大厂高级机器学习工程师，GenAI、LLM 发烧友

时间轴

• 00:18 嘉宾介绍：Anthony 负责群核科技北美业务，并与机器人及前沿 AI 实验室开展合作

• 04:54 机器人能力栈：本体、模型与训练模型的数据，缺一块都很难走向日常使用

• 06:22 没有“ImageNet 时刻”：通用策略很难由少数任务一次定义，基座模型仍需结合行业数据持续迭代

• 08:26 物理数据为什么难：机器人不只要看见世界，还要理解互动、状态变化和动作后果

• 10:44 预训练数据混合：第三人称视频、第一视角视频、仿真轨迹与遥操作数据分别扮演什么角色

• 13:20 视频的推理边界：看见两次碰撞，不代表模型能理解重量增加后物体可能直接碎裂

• 17:59 遥操作的含金量：采集成本高、数据量小，却仍是落地任务微调中最直接的动作与视觉配对数据

• 19:13 3D 合成数据的价值：明确记录尺寸、距离和结构，同时面对“样板房太干净”、真实生活杂物不足的问题

• 22:57 生成数据的鸡生蛋问题：未来可能由模型生成大部分训练数据，但模型得先靠足够好的数据获得这种能力

• 26:19 真实视频与 3D 互补：碰撞这类稀缺场景可以靠仿真补上，仿真的物理精度不够时再靠真实视频往回校准——两边互相打补丁，不是谁替代谁

• 29:22 部署与数据飞轮：机器人不好用就难以进入产线，无法部署又拿不到继续训练的数据

• 32:09 数据不是一次性交付：客户通常要用 Demo 和训练结果反复验证，合作会随技术路径持续调整

• 35:30 Eval 怎么做：围绕具体任务搭建仿真场景，在真实机器人测试前先排除明显失败的策略

• 39:50 数据创业公司的判断标准：技术之外，先回答自己的价值主张、竞品差异和数据优势是什么

• 43:16 接下来的数据路线：嘉宾判断未来 3-6 个月，会有更多团队重新识别第一视角数据的缺口；再往后，世界模型这块会尝试把真实视频、3D 数据和游戏数据结合起来，去补齐通用物理理解的能力

以上就是本期的全部内容了，欢迎您的收听，我们下期再见～

PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai，带你一起看 AI。