五角大楼密件曝光
「自动化」是具身数据行业的第一竞争力。? ? 作者丨高景辉? ? 编纂丨马晓宁? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?2026年的具身智能赛路，热烈非凡。各家机械人厂商都在秀Demo、拼算力，试图用海量数据教会机械人叠衣服、冲咖啡。但一个狼狈的现实是：我们似乎从未真正教会机械人"看懂"这个世界。绝大无数机械人仍在仿照人类作为的表层轨迹，却不理解为什么拧不开瓶盖时要先擦擦手。这种认知缺失，像极了自动驾驶早期依赖高精地图的逆境——能应酬固定场景，却处置不了充斥不确定性的真实生涯。而故障具身智能真正进入生涯的瓶颈，是数据。没有足够好用的数据，机械人就无法进建和训练，从而无法理解真实的世界。因而，在行业集体陷入"做模型"的巨大叙事时，简智机械人选择去啃一根更幼多、也更苦的骨头：具身数据基建。"行衣凤不缺做模型的公司，缺的是数据，出格是从人类第一视角启程、蕴含思虑与触觉反馈的关环数据。"在简智机械人联创朱雁鸣看来，单纯靠仿照进建在物理AI里跑不通。若是给机械人喂的是不足因果链的"表演数据"，训练出的模型往往只是机械的复读机，一旦遭逢长程工作或意表滋扰，就会瞬间崩溃。简智所做的，是一套关于"人"的全维度数据产品。他们自研重新、得手、到全身的高精度数据获取产品，深刻家庭和商超做多包，去捉拿人类不经意的力反馈、多模态感知，甚至并反向分析出其行为背后的思想链。在具身智能的底层逻辑里，数据不仅是燃料，更是构建认知的"第一性道理"。当大无数玩家热衷于"造车"时，简智为什么笃定要去建"电池厂"？未来具身智能的主题壁垒，到底在算法还是在于那套关乎人类行为的"说明书"？答案，远比我们设想的更硬核。01每一条技术路线，都有一个"CTO"雷峰网：先从简智的缔造起头吧，其时缔造公司的初心是什么？朱雁鸣：我们最初对具身智能行业有一种昏黄的周到。智驾自身也是一种具身智能，但更广义的具身智能能够做人类能做的所有事件，是对出产力的底层刷新。所以我们在具身赛路中深刻钻研的时辰，比力想去创造一些差距化的价值，这也是我们选择细分方向时辰的一条准则。我们在2025年7月成立时，更多在复盘整个具身智能产业中有哪些空缺、不及，所以不想盲目追热点。我们细想下来行衣凤不缺做模型的公司，缺的是数据基建，出格是无本体或其他范式下的数据。其时行业还没有大规模崇尚 UMI 或 EGO 概想，更多在通度日动节造急剧出demo，或是用 VLA 的方式训练模型。但我们相信，scale up和数据驱动是智能通往终局的关键蹊径。而对于物理AI他所必要的数据也与之前分歧，文本的世界是结构化的，但3377体育生涯场景每时每刻都在变动，长短结构化的世界，在此之上具身必要的是逐步代替人的能力。我们必要的是从 Human Data（人类行为数据）动手，构建一套从行动到思虑再到反馈的关环数据产品和平台。雷峰网：简智主题团队来自智驾领域，这一布景带来了什么优势？朱雁鸣：重要是认知层面的优势。泛 AI 领域里，真正实现落地的物理 AI 产品就是自动驾驶，其他 AI 落地大多停顿在对话、图像天生层面。自动驾驶是真切实路上跑、服务于人，且在技术上实现了端到端、数据飞轮架构落地，这让我们对数据的 infra 有了深刻认知。第一，模型算法迭代所需的数据，肯定是伴随迭代的人类真实数据。今天具身领域，最必要被突破的方向是的预训练，让模型具备通识、泛化且跨本体的长工作执行能力，并低成本做宽泛的落地。在这个过程中，除了量大之表，更多是让数据"坐标系"与"人理解世界"对齐，这样能力更好的从行为到认知形成关环。并且在这个过程中，好多corner case极度有价值，好比人在操作时辰收到滋扰失败，又怎么去添补的过程，这些是贸易化的必备能力，而这些数据必须通过长功夫的真实世界堆集，而非报答枚举。第二，是对数据关环链路与贸易关环链路结合的思虑。做自动驾驶时，数据成本极度低，由于每一台上路行驶的量产车，都在持续出产数据。但具身智能齐全分歧，它的数据无法天然获取，视频只是最单一的大局，要给模型做持久进建训练，触觉模态、人类思虑链路等信息，无法单纯通过装置摄像头获取。这给了我们底层思虑：要构建可行的数据链路，必须往更深处发力。智驾的数据出产基于已有的车辆，而具身数据的主题基础，是若何占有能让人类在天然生涯中出产全维度数据的设备。第三，是长链路、高并发数据处置的经验。做自动驾驶时，每天回流的数据级别靠近几百 T，大规模数据和行为必要长链路的洗濯流程。这给3377体育主题经验是，数据交付除了做好硬件，更沉要的是应对长链条、大规模交付的能力，这必要在最起头就对硬件、数据链条、数据加工处置方式做齐全的结构化设计。雷峰网：简智此刻团队或许有几多人？研发占比几多？朱雁鸣：规模在140人左右，研发人怨丶比超过85%。雷峰网：具身数据是一个交叉领域，对此简智在组织上有什么调整？朱雁鸣：具身智能必要专业领域人才，更必要领域融合后的综合性创新，数据业务也是如此。所以我们结合各技术领域优势，每个领域预研出一条主线，这条线下的每幼我都是CTO。例如在数采设备上，涉及摄像头、触觉、IMU、磁编码器等，我们有类似CTO的角色做垂线预研，横向则由技术委员会组成，从出产加工到模态再到自动化链条，通过模型驱动拼出齐全规划。成熟行衣凤，一幼我很难全栈把所有事件规划明显，当下的具身数据领域，更必要每个领域都有创新，实现 1+1＞2 的成效。雷峰网：简智此刻招人通常会招哪些人？朱雁鸣：我们第一优先级是模型方向的人才，但我们要的模型人才，不是做具身作为输出模型的人才，而是做 data 仿真模型的人才。主题工作是将采集到的人类行为数据，通过模型加工还原成靠近人类整体感触的数据体式，这件事难度很高。我们界说的 human data，主题身分蕴含人的第一视角图像、全身关节活动、手上的触觉，以及每个作为中的力反馈，这些维度能够齐全描述人类绝大无数行为。好比拿起一杯水，蕴含看到水、接触水、拿起时胳膊感触到的力反馈、拧开瓶盖的全流程。这里的主题难点是，每个模态由分歧硬件网络，各硬件有分歧的特点、频率，以及硬件自身个性导致的信息残破，若何把它们还原成统一功夫轴、统一时空坐标系下的齐全数据。单纯靠人为、粗糙的功夫对齐，城市影响数据质量和精度。因而我们尝试用数据基础大模型（data foundation model）解决这个问题：把多模态输入注入模型，像训练自动驾驶端到端模型一样，通过真值系统评测输出与真实世界的匹配度，再凭据 gap 反向优化模型能力。我们是行业内第一家不用大模型做具身作为模型，而是用模型解决数据问题的企业。第二类主题人才，是底层硬件能力有关的人才，蕴含光学、嵌入式软件、PCB 板设计，以及自研触觉规划有关的底层研发人才。我们但愿通过底层道理性创新，提升采集过程中的模态精度。上层数据和模型只能做交叉验证、基于已采集信息提升精度，而数据的底层对错，必要硬件质量来保障，这其中有好多萦绕人类感触的底层道理创新必要做。雷峰网：你们罕见采工厂吗？必要专人治理吗？朱雁鸣：我们选取多包模式，数据来自真实家庭和真实场景，没有效数采工厂方式，这是我们和其他企业不一样的处所，也是我们以为面向终局，大规模、高效采集真实数据的最终蹊径。02人的行为就是真值，人能做出来的作为，机械人就应该能实现雷峰网：具身数据赛路有细分方向，有的只卖数据，有的也卖设备，简智属于哪种？朱雁鸣：我们性质上是一家数据解决规划公司，但会凭据分歧场景提供分歧规划。好多面向 C 端的模型公司，落地场景偏生涯化，这类数据能够公开获取，好比家庭机械人必要的各类家庭场景数据，我们能够通过多包实现，直接给这类客户提供数据规划。另一类客户的场景是封关、自有场景，好比工厂产线、封关尝试室，这类数据无法公开获取，数据所有权性质上在场景利用方手里。针对这类客户，我们会提供硬件设备规划和最高效的本地化部署关环，让他们在自有场景中实现数据采集和出产。雷峰网：有人以为设备是具身数据公司的主题壁垒，卖了设备别人就不买数据了，你们怎么看？朱雁鸣：首先，数据和设备都很沉要。设备是基建中的最底层，它决定了数据的模态数量、底层模态质量，设备的便捷性、成本，也决定了数据采集的规 ；芰，但我不以为设备就是全数。数据最终是服务于模型的，模型必要的不是单纯的视频，也不是多模态数据的单一打包，绝大无数主题工作，都产生在采集后的数据加工处置环节。此刻绝大无数模型公司，哪怕是做预训练，都极端钻营数据质量，数据质量会从底层影响模型的成效、精度、以及对因果关系的认知。好比若是产生在餐馆，人会思考是不是避让其他人的移动、绕开一些饭菜，若是只有作为表层的标注也是不够的，背后都有齐全的因果驱动，我们必要给模型提供串联好全模态、浓密的COT过程，能力给模型提供有效的参考，让它更容易进建。另一个主题原因是规 ；。大批量设备采集的大批量数据，若何急剧、高效、低成本地转化成可训练的 Token，才是主题难题，出产 100 台设备和 100 万台设备，是齐全分歧的难度。雷峰网：刚刚提到家庭多包，具体是一种怎么的合作方式？朱雁鸣：我们在多包模式上的运作很像 C 端公司。我们自己做了一款 APP，把设备给到每个家庭，用户通过 APP 相识采集工作，用3377体育设备实现正常的家务作为即可，不必要对用户的操作做额表的教育和约束，用户的天然操作对模型来说反而更有价值，模型必要进建多样化的人类行为，能力补充场景盲点，因而行为上传后我们通过云端来鉴别、标注。另表3377体育设备在人机工程上也有显著优势，极度轻便，使用效能和人类正常干活的效能根基一致。用户实现操作后，通过 APP 上传采集的数据，我们基于数据回收情况给用户结算，整个流程天然且高效。雷峰网：有没有工业或贸易场景的多包？朱雁鸣：有的。目前50%是家庭，30%是商超和工厂，10%是物流，剩下的10%是医疗、尝试室等分拆档景。雷峰网：场景方会有隐衷顾虑吗？朱雁鸣：这个问题我们有美满的解决规划。首先，所罕见据的隐衷处置，都有一套尺度化流程，蕴含地址、人脸、对方知识产权有关的信息，城市在数据售卖前实现脱敏处置，这是数据公司的基础使命。第二，我们和每一个场景方、采集方合作时，城市在合作和谈和用度注明里，明确标注双方的权势归属，我们获取的不是用户的幼我信息，而是其在场景下的行为和操作数据，自身不会涉及过多幼我隐衷数据。雷峰网：多包没有尺度化流程，数据质量会不会参差不齐，给后期处置带来压力？朱雁鸣：由于我们崇尚人的行为其实都是"真值"，终于无论什么情况，人都是能够克服难题实现工作。因而关键在于真值上传后，是否有一套自动化的方式实现数据鉴别与处置。3377体育自动化鉴别，主题是把人的行为和作为做对齐，进行详细化的标注、分类，而非判定人的行为对错 ；褂兄始旎方，主题是对人的操作行为做分类，而非抛弃数据。我们会分辨高速高效实现的作为、有滋扰场景下实现的作为、失败后实现纠错的作为，同时对数据做颗粒度极细的原子化处置，以适配模型分歧训练阶段的需要。雷峰网：你们的海表收入占比挺高的，你们在出海过程中有遇到哪些故障？朱雁鸣：海表模型公司对数据的要求极度高，目前海表模型公司在模型训练上的进展整体快于国内，他们对触觉模态、训练数据的体量规模、多样性的要求极度严格，同时要求3377体育迭代速度能匹配他们模型的进展。雷峰网：随着数据量增长，存储和算力会有压力吗？朱雁鸣：注定会有，但这件事我们很早就有预判，由于数据飞轮的沉要成分就是"数据流转效能"，对此我们从源头做了三层解决规划：第一，端侧的数据压缩与质检。3377体育每一台设备，在采集端就具备数据质检能力，能凭据人的行为、场景的特殊情况，自动抛弃无效数据，预防无效数据占用传输链路和存储空间。第二，行业当先的无损压缩能力。我们在压缩比例和对训练成效的影响上，做到了行业综