本次分享主题
Building Generalist Robot Policies —— from Data to Deployment
在具身智能这个赛道，几乎每家公司都在讲数据、讲模型、讲落地。但把这三件事真正串成一条闭环链路、并且愿意把每一环的取舍讲清楚的，并不多。
在探月计划 Physical AI 系列活动的这场直播分享中，千寻智能（Spirit AI）预训练负责人郭俊良，用四十分钟把千寻的全栈系统拆开讲了一遍——从底层的数据金字塔，到中间的采集设备与数据平台，再到今年发表在 RSS、IROS 上的四篇研究工作。分享结束后的问答环节，反而更硬：预训练到底需要多少数据、uDAS 采的数据能不能直接部署、触觉现在值不值得投入，这些问题都被直接问到了台前。
郭俊良 · 千寻智能（Spirit AI）预训练负责人
本文你会读到
· 千寻智能的数据金字塔是怎么分层的，为什么不是一味堆遥操作数据；
· uDAS 用 1/20 的成本拿到 95% 的数据有效性，这个平衡点是怎么算的；
· 四个真实瓶颈对应的四篇研究，以及它们各自把指标推到了哪里；
· 预训练还需要多少数据、触觉现在该不该投——问答环节的六个直接回答。
先看全景：一个 Physical AI 系统由哪几块组成
郭俊良的开场没有从模型讲起，而是从「中间层的基建」讲起——平台建设和 AI Infra。这个顺序本身就是一种表态。
在千寻的架构里，整个端到端的 Physical AI 系统被拆成三大块：
DATA：互联网视频、Ego-Centric 数据、自研可穿戴设备 uDAS 采集的数据、以及遥操作数据，共四类来源；
MODEL：千寻的 Spirit Omni Model，是一个原生多模态模型，由 VLA 与 World Model 结合而来，输入是指令、视觉状态与本体状态，输出是文本、Motion Token 和 Action Chunks；
AGENT：负责调度与交互，把人给出的模糊指令翻译成模型能理解的形式，最终完成各个落地任务。
而托住这三块的，是下面两条横向的基建：Platform Infrastructure 与 AI Infrastructure。
基建的价值，是帮算法人员高效地收集数据、看数据质量、训模型、做 eval，拿到反馈再进下一轮迭代。具身智能可能还没到收敛的阶段，这种领域里，迭代的速度和效率是非常关键的。
数据金字塔：为什么不是一味地堆遥操
千寻的数据被分成三个层级，每一层解决的问题都不一样。
底层：互联网视频，用来建立通用的视觉与认知
规模大约 30 万小时。郭俊良特别强调，这些数据不是拿来就能用的——网上抓来的视频本身比较嘈杂，需要配一整套数据处理算子，才能让它真正发挥作用。而衡量它的标准也不是 benchmark 分数：
我们会对这些 video data 做非常详细的 curation，最终去保证它的 data effectiveness——用这些数据 train 出来的 model 最终是要有效果的，而不只是在一些 offline benchmark 上拿到比较好的分数。
中层：uDAS，可穿戴数采设备记录人在真实空间中的操作
这是千寻最有辨识度的一块。全国各地的数采员戴着自研设备，记录他们每天的真实生活——收拾床铺、清洗水槽、打包箱子。它和互联网视频最大的区别在于：它真实记录了人与物理世界中各种物体、在各种环境下交互的过程，模型能从中学到「怎么抓取」「怎么和不同物体交互和操作」这类知识。
这套设备已经迭代了两年、七代，目前采集的真实数据超过 20 万小时，并且每分每秒都还在涨。
顶层：遥操作数据，用来适配机器人本体
对应到训练 recipe 上，这三层是一一对应的：大规模数据上先做 pretrain，得到一个具备通用能力、掌握物理世界基本常识的 foundation model——这一层不追求在某个细分任务上做到极致；中间层用高质量的、针对目标任务的数据做训练；最后在端侧部署时，用 RL 的方法持续优化模型，同时把端侧数据回流回来。
uDAS 的真正价值：在质量和效率之间找那个平衡点
为什么要专门做一套可穿戴设备，而不是把钱全砸在遥操作上？郭俊良给出的答案是一张对比图和两个数字。
他把主流的几种数据来源放在同一组雷达图上对比：遥操作、全身动捕、可穿戴、Ego-centric、真人视频、Sim2Real。评价维度包括数据质量、采集效率、成本可控性、数据多样性、算法实现难度。
uDAS 的优势首先在于它是数据质量和采集效率之间较为完美的一个平衡点。它的 data quality 没有遥操作那么高，但用它采的数据可以直接部署在模型上做推理，也能完成相同的任务——而且速度比遥操作快很多。
两个关键数字：uDAS 的数据有效性达到遥操作的 95%，而数据成本只有遥操作的 1/20。这就是千寻选择把它作为「中间层」的全部理由。
被低估的那一环：T+1 的数据链路
底层和中层积累了大量数据之后，真正的难点变成了清洗、标注与对齐。千寻在这上面搭了一条完整的 data clean 和 annotation 管线，目标是把数据的时效压到 T+1。
你前一天在北京、山东、江苏，或者在中国任何一个城市采的数据，当天晚上传到平台上，经过自动化的 pipeline 处理，第二天算法同学上班就能用上这些数据来训练、来分析。
这条 pipeline 的两个核心作用，一个是把整体链路的效率拉高，另一个是保障数据质量——因为是在真实世界里做交互，需要从非常多的维度把数据处理得足够精细。
平台侧也是一整套闭环：数据采集上传、中间处理、数据打标、模型训练、Checkpoint 管理、下发测试任务，测试结果再回流到平台。多路相机可以实时查看，每一段标注都能直接修改；同时还会用仿真做 replay，验证采集到的数据确实是可用、可复现的——尤其是 uDAS 这类人穿戴设备采到的数据，必须能在仿真里被 replay 出来。
所有这些最终指向同一件事——数据飞轮：uDAS、遥操作、HRPI 三路数据汇入 Data Center，训出模型部署到机器人上，机器人在真实场景中做大量 online rollout，rollout 再回流，用于进一步的训练和 RL 微调。
研究怎么选题：从真实世界的瓶颈倒推
分享的后半程转向了研究。郭俊良先讲了千寻做研究的方法论，这段话对做具身研究的人可能比具体的论文更有参考价值：
我们是去解决 real world 的瓶颈，而不是拍一个科研的 idea 然后就开始做。具身智能有非常多没有 close 的问题，最重要的是选择做什么、不做什么——有很多东西，你把比较重要的那些做了之后，那些不重要的也就不存在了。
按这个思路，千寻筛出了四个真实存在的瓶颈，并对应产出了四篇工作，正好覆盖 Data、Training、Inference 三个环节。
瓶颈一：本体差异太大 —— Cross-Embodiment Alignment（RSS Workshop）
现在机器人数据集的分布是极度 diverse 的：每家都有自己的本体，每家的类 UMI 设备也不一样，Ego-centric 数据同样五花八门。怎么把这些异构数据混在一起训，是个很实际的问题。
千寻做了一次系统性的研究：拿双臂的 Moz-1 数据，与单臂 Franka 的开源数据集混合训练。他们把对齐拆成了四块——Frame Alignment（参考系与坐标轴方向统一）、State Alignment（双臂与单臂的操作空间不同，需要 mask 掉 Cartesian state 以抵消工作空间差异）、Arm-configuration Alignment（单臂与双臂的臂位配置对齐）、Visual Alignment（三个相机与两个相机、不同视角之间怎么对齐）。
如果什么对齐都不加，直接把两个数据集混一起训，transfer 效果会很差。加上对齐之后：
· Moz-1 → Franka 动作迁移成功率：36.7% → 76.7%（超过 2 倍提升）
· Franka → Moz-1 动作迁移成功率：30.0% → 85.0%（接近 3 倍提升）
· 物体迁移（Moz 数据集中的 object 在 Franka 上被识别并完成相同操作）：68.0% → 96.7%
这篇工作也解释了 Spirit v1.6 为什么能在 RoboArena 上取得较好的成绩。他们的结论可以概括成一句话：解锁迁移的是数据语义，而不只是模型的 head。
瓶颈二：语言指令不够清晰 —— Point-VLA（IROS 2026）
郭俊良举了一个很生活化的例子：你家里买了一个机器人，你指挥它干活的时候，不会说「走到茶几边，把左边第二个水杯给我拿过来」，你只会朝那边指一下，说「把我刚才放的那瓶水给我」。桌上有一堆水，它并不知道该拿哪一个。
有意思的是，他们发现语言描述得越详细，效果反而越差——「左边第二个」「从上往下数第三个」这类过于细节的描述，模型往往并不能很好地理解，很难据此得到精细的操作结果。
千寻的方案是把视觉信息和文本结合起来：在图片上对要操作的物体做一个非常显式的标注（visually grounded instruction），把 grounding 信息一起 provide 给模型。
郭俊良提到，他今年在 MAC 展会上看到不少公司在做 pick and place 时，明显走的是类似的思路：先把要操作的东西 grounding 出来，再交给模型执行。
瓶颈三：模型对本体状态过拟合 —— State-free Policy（在投）
现在的机器人模型，不管是 VLA 还是 action model，基本都会把机器人的本体状态作为 condition 送进去。但千寻发现，state 是一个非常强的信号，强到会带来副作用。
我们发现在一些场景下，你只要加它，就会带来一个比较差的结果。特别是对单任务的 fine-tune，state 不管是以文本形式加进去、还是作为 condition 加到 DiT 上，都会带来比较严重的 overfit。
他们设计了泛化测试场景：做 pick and place 任务，在测试时改变桌子的高度、改变物品的摆放位置。理论上模型应该能适应——因为 observation 里能很明显地看到桌子被升高了、东西摆到了别的地方。但翻看之前的 paper 会发现 overfit 非常严重，尤其是 VLA 之前的那些 imitation learning 方式。
郭俊良还给了一个非常直观的判据：如果你看到一个现场 demo，机器人抓空了却还在继续做接下来的动作，那就是过拟合到 state 上的典型表现。
千寻的解法分两步：先保证机器人整体的 observation 是足够的——比如在夹爪下方补一个摄像头，这样抓着水瓶往架子上放的时候视野不会被遮挡；在 RGB 空间完备的基础上，把 state 直接扔掉。结果是高度泛化和水平泛化两个维度上的表现都非常好。这个结论在他们自己的模型、π0.5 以及一些其他开源模型上，在不同机器人本体和仿真环境里都做了验证。
瓶颈四：推理延迟导致动作不连贯 —— Legato（RSS 2026）
模型部署之后预测的是 action chunk，而每个 chunk 都有边界，推理又存在 delay。如果只是简单地把 chunk 拼在一起，就会出现 mode switching——比如要去抓一瓶水，一会儿左手伸出去、一会儿右手伸出去；在场景切换、subtask 切换的时候尤其明显。表现出来就是：犹豫 → 突然纠正 → 完成时间变长。
千寻提出的方法叫 Legato：在训练的时候就把 delay 考虑进去，让模型在训练阶段就对延迟有感知，从而把 chunk 的连续性变成 flow-based VLA 策略自身的一种学到的属性。
· 倒水任务完成时间：95.07s → 75.73s
· NSPARC 平滑度：2.85 → 1.65
· Chunk-overlap RMSE：7.64 → 5.14
· 在超过 5 个真实世界操作任务上做了真机实验验证，更快、更平滑、更一致，且不牺牲任务得分。
现场问答：被追问到台前的六个问题
这场分享的问答环节，问题密度和质量都很高——提问者中有黑客松的总冠军、联合发起人，也有正在做本体的创业者。以下按主题整理。
|关于预训练：100 万小时，是具身智能的 GPT-3 时刻
黑客松联合发起人张振尧问：预训练的数据需求，和一年前是一样的吗？
郭俊良的回答是，一年前他们大概认为，要达到目标任务的准确率，100 万小时基本就能到所谓的 GPT-3 时刻、或者说 GPT-2 时刻。但 scaling law 的验证是去年年底才开始做的，从今年验证下来的情况看，量级可能还要更多一些，同时对数据质量的研究也需要更深入。
要么是 100 万小时非常高质量的数据去做预训练，最终达到我们的目标；要么可能需要更多的数据做预训练，中间再用非常高质量的数据去做 continue train。预测会更多一些。
|关于部署：uDAS 训出来的模型，能不能直接上机？
黑客松总冠军谢俊在直播间提问。郭俊良说这是一个 trade-off：
如果你把素材规范、动作空间、任务类型都规定得比较严格，那它是可以直接 zero-shot work 的，不需要再 fine-tune。但如果是在开放世界采集，就必须做这个取舍。
更值得关注的指标是 transfer 效率：用 1 万小时和 10 万小时分别训出预训练模型，再在极少量真机遥操数据上做后训练，然后测准确率。目标是让最终需要的真机遥操数据越来越少、训练时间越来越短。
我们目前迭代里的第二阶段，只需要一些非常少量的、小时级的遥操数据。
|关于 Agent 层：现阶段它到底在做什么？
同样来自谢俊的追问。郭俊良给了两个具体职能：
一是交互端。在外部展会上看到的Moz1、Moz2 机器人，搭载的就是千寻的 agent，负责一开始的交互，包括情感陪伴、对话、配合动作等。
二是指令翻译。当你给出一个比较模糊的指令时，agent 会先做一些指令层面的处理，把它变成 VLA 可知的形式，再传达给机器人的模型。
他也直言，这一块在一年前还没有非常明确、非常 systematic 的方案，是这一年才逐步清晰起来的。
|关于 Ego 数据：训 VLM 还是训 VLA？
黑客松仿真物理引擎团队的冯晨曦提问：Ego 数据的预训练有没有做特殊处理，比如手动剔除人的特征？以及——大部分人用 Ego 数据是去训 VLM，他觉得意义不大；但要训 VLA，action 的输出又不太能直接指导机器人，这块比较迷茫。
郭俊良的回答分两层。处理形式上，千寻目前 Ego 数据的处理跟 UMI 差不多，两者的主要区别在于有没有夹爪，此外还有一些定位上的差异；最终喂给模型的形式是 vision + language instruct，action 则是一个 6-DoF 位姿，再从手部位姿 retarget 成夹爪的 action。
至于路线选择，他认为 VLM 的 pretrain 对最终的 VLA 是有提升的，但这个提升是间接的。关键还是：
如果你要按 VLA 去 train，就得保证这个 ego data 的 action 足够准，动作空间也得是一个合法的空间——这里面需要做的 data curation 和 alignment 的工作非常多。
他补充说，Ego 这一块其实是一个端到端的系统性工程：从设备精度、采什么样的数据、负载规范、怎么采，一直到后端的预处理和 target 设计，每一环都很关键。千寻之后会把这部分工作写成一份比较详细的 report。
|关于本体：关节阻抗对模型收敛有帮助吗？
做具身智能本体方向的陈峥键提问：现在主流人形机器人大多加入了关节力传感器，完成任务时开关节阻抗或笛卡尔阻抗，对模型收敛会不会有帮助？
郭俊良的回答很明确：肯定有帮助，但这是一个更端到端的问题——你必须从遥操采集数据的时候就把阻抗打开。开了之后遥操会更丝滑，数据质量随之上来；数据质量上来了，最后训出来的模型在机器人上的表现也会更丝滑。
它 definitely 是有帮助的，但是你需要从一开始就开，遥操数据的时候就得开。
|关于触觉：重要，但传感器还没收敛
这是现场和直播间都问到的问题。郭俊良的态度是：值得做，但目前千寻还处在预研阶段——整个学术界其实也在预研阶段。
他先抛出了争议本身：有人认为既然已经有 RGB 信息，触觉就不需要了；也有人认为两者是 complementary 的关系。而「什么样的触觉是好的」，本身就是一个 open problem。
他给出的第一判据不在算法而在硬件：要定义触觉是好的，首先传感器得是好的——它得能长稳运行，并且长时间运行后仍然精确。而目前真正稳定的触觉传感器可能还没有收敛，他们之前尝试过的一些传感器，或多或少都会随着运行时间变长而发生漂移。
我觉得触觉是非常重要的一个模态，我们之后可能也会把它作为一个非常关键的点做一些比较深入的研究。但这块从硬件上来说，还有一些发展的空间。
从底层数据基建到前沿研究突破，从模型迭代到真机部署——通用机器人的路径，已经比一年前清晰了很多。剩下的，是把每一环都做扎实的耐心。
本文整理自探月计划 Physical AI 系列直播分享
更多精彩内容
