成本压至1/10！告别人海采数，具身数据Token工厂要如何跑通？- 大数跨境

智东西

2026-11-02

导读：大模型吃光互联网后，机器人的物理Token从哪来？

大模型吃光互联网后，机器人的物理Token从哪来？

作者 | 王涵

编辑 | 漠影

过去几年，AI的两次规模化发展均依赖于充足的数据供给：大语言模型依托互联网海量文本代码，自动驾驶依靠量产车的影子模式收集真实路况数据。

然而，具身智能领域缺乏此类天然数据池。过去两年，行业主要依靠真机遥操作和第一视角（EGO）设备采集，累计有效数据仅数百万小时，难以满足大模型训练需求。

10月30日，空间智能公司影溯（InSpatio）在杭州落地全国首个具身仿真数采中心。该中心预计单月生产100万小时仿真训练数据，综合成本仅为传统真机遥操作的1/10。这一突破背后的逻辑，在于解决了具身数据采集的效率与质量瓶颈。

具身数据供给的双重困境

合格的具身Token需同时包含三维空间观测、真实物理接触反馈和可执行动作序列。目前行业主要存在两条数据获取路径，但均面临效率瓶颈。

真机遥操作是获取机器人动作数据的主要方式，但有效采集时间短，设备调试与复位耗时久，扩大规模需增加大量硬件与人力。采用EGO穿戴设备采集虽降低了本体投入，但环境调整极不灵活：测试不同光照或遮挡需人工重新布景；商超、车间等真实场地不允许随意改造；高危、私密场所更存在严格的准入限制。

仿真平台虽能减少真机依赖，但场景建模效率低下。人工搭建一个可交互房间需数天甚至数周。尽管GPT-6 Astra等模型尝试自动生成三维场景，但仍需多轮参数调整与渲染，生成一个场景耗时数小时且成本高，易带有CG感。

此外，缺乏真实空间测量约束生成的场景，在几何结构、空间尺度和物理关系上存在误差，导致“Real2Sim Gap”，增加了仿真到现实的迁移难度。

影溯借鉴AI算力中心思路，通过自研Topos空间智能底座，将现实空间转化为可交互数字场景，建立了三道全自动工业产线。

针对进场难问题，影溯采用多源轻量输入与原生3D生成技术。便携式设备15分钟即可完成上百平方米空间采集；受限场所则可通过视频照片或原生3D生成构建环境。

原始数据进入Topos引擎后，系统自动执行三步处理：

1. 物体拆解：识别并剥离水杯、抽屉等可操作物体，解决粘连问题；

2. 盲区补全：利用生成模型补全相机未拍摄到的背面、底部及空洞，形成闭合模型；

3. 物理标定：赋予物体碰撞边界、质量、摩擦系数及关节属性，使其可直接用于物理仿真。

经此处理，现实场景可在几小时内转化为可运行的数字场景，支持反复复用与环境参数调整。

数字母本入库后，环境调整可在云端完成。系统引入少量真实示范动作作为种子，启动多个仿真通道并行规划执行。底层物理引擎实时计算力学结果并筛除失败尝试，批量生成包含深度、位姿、接触力等信息的具身Token。数据产量由此取决于数字场景复用度与云端并行算力规模。

为避免数据同质化，影溯设定严格去重标准，按空间几何、物理交互、任务闭环评测分级供给数据。同时，数据生产与模型评测形成闭环：当模型在特定场景（如透明物体、强反光台面）表现不佳时，系统可定向生成相似复杂环境数据进行补充训练与回归验证，无需重返现场。

语言模型的Scaling Law建立在互联网文本数字化的基础上。具身智能要进入真实物理世界，必须解决物理空间连续、无序且不可直接训练的难题。

影溯通过将物理空间作为原材料，利用三维重建、生成模型与并行仿真构建“具身Token工厂”，实现了百万小时级物理交互数据的工业化排产。这为具身智能的大规模训练提供了稳定的数据基础，推动行业从线性积累向规模化扩张转变。

【声明】内容源于网络

智东西

各类跨境出海行业相关资讯

内容 11932

粉丝 0

智东西各类跨境出海行业相关资讯

总阅读298.5k

粉丝0

内容11.9k