在機(jī)器人產(chǎn)業(yè)蓬勃發(fā)展的浪潮下，具身智能已然成為驅(qū)動產(chǎn)業(yè)變革的核心賽道，而高質(zhì)量數(shù)據(jù)的缺失與不足，正是制約其發(fā)展的關(guān)鍵瓶頸。

在此背景下，諾亦騰機(jī)器人（Noitom Robotics）作為目前中國唯一一家明確以“數(shù)據(jù)”為交付界面的公司，憑借著其在動作捕捉技術(shù)上的積累為機(jī)器人數(shù)據(jù)提供關(guān)鍵支撐。

作為諾亦騰機(jī)器人（Noitom Robotics）創(chuàng)始人的戴若犁博士在2025年12月13日雷峰網(wǎng)舉辦的第八屆GAIR全球人工智能與機(jī)器人大會現(xiàn)場上，做了題為《用動作捕捉技術(shù)構(gòu)建具身智能數(shù)據(jù)工廠》的分享。

他指出，人形機(jī)器人所代表的具身智能，正在成為一個天花板足夠高、且對高質(zhì)量數(shù)據(jù)有強(qiáng)烈需求的新賽道。由于遙操作的一些現(xiàn)實痛點，行業(yè)開始將視角逐步拓展至以人為中心（human-centric）的數(shù)據(jù)路徑，嘗試構(gòu)建不與單一機(jī)器人本體強(qiáng)綁定的數(shù)據(jù)體系。

以下為他的演講內(nèi)容，雷峰網(wǎng)(公眾號：雷峰網(wǎng))做了不改變原意的編輯：

大家好，今天早晨我是從北京坐飛機(jī)趕過來，早晨出門的時候是北京今年的第一場雪，大概零下七八度，而深圳非常溫暖，也讓我非常開心。今天我想跟大家來聊一聊，具身智能數(shù)據(jù)的一些認(rèn)知。

我的公司叫諾亦騰機(jī)器人（Noitom Robotics），可能是服務(wù)全球具身智能公司，本體公司、大廠最多的一家數(shù)據(jù)公司。我們服務(wù)了六七十家不同的機(jī)器人公司、模型公司，并且關(guān)于具身智能數(shù)據(jù)的全鏈路Pipeline都做過，包括遙操作、Human-centric數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注、預(yù)訓(xùn)練、后處理。所以在這個行業(yè)里，我們有第一手的經(jīng)驗或教訓(xùn)，今天可以跟大家來分享一下。

首先我先介紹一下，我12年創(chuàng)辦的第一家公司叫諾亦騰（Noitom Ltd.），諾亦騰是做動作捕捉和動作追蹤技術(shù)的，甚至Noitom的名字由來都是把動作Motion這個詞反過來拼寫，所以我們一直在研究人和空間物體的Motion。但在過去的十年里，我們一直都在尋找一個天花板足夠高、且對人的數(shù)字化行為、高精度的物體位姿和高質(zhì)量的數(shù)據(jù)是有剛需的領(lǐng)域。

我們服務(wù)了好萊塢影視、體育運動分析、醫(yī)療健康等各種不同的行業(yè)，這些行業(yè)大概都是幾千萬一年的收入，比較小但都很穩(wěn)定。所以諾亦騰的市占率做到了全球第一名，每年小幾個億的營收。

但在23年底，諾亦騰24年全年機(jī)器人的營收相比過去任何一年漲了5、6倍。今年還沒有過完，所以還沒統(tǒng)計第四季度的收入，但比去年已經(jīng)又漲了6倍，所以兩年加一塊已經(jīng)有將近四十倍的增長了。

我們看到了一個機(jī)會，雖然這個機(jī)會我們是被動進(jìn)入的。其實我的博士學(xué)位就是Robotics，準(zhǔn)確來說我是第一批做控制算法、非線性控制下的抓取振動抑制（grasping vibration damping）這方面科研的，但后面一直都在做感知，直到機(jī)器人把我又拖回了原來熟悉的科研。

最后復(fù)盤時發(fā)現(xiàn)，從23年的9月底開始，這個密集的需求，其實是建立在兩件事情被驗證的基礎(chǔ)上。第一件事情是大家信了一件事情：如果只做單一構(gòu)型，那么人形是一個最好的Solution。

第二是，不管是VLA還是其他架構(gòu)的模型里面，都有人階段性地驗證了具身智能的Scaling Law。這說明把數(shù)據(jù)量提高，或者按模型的規(guī)模體量所需要的算力投進(jìn)去，是能得到一些泛化的能力和靈巧性的。

這兩件事情都被證明之后，出現(xiàn)了一個很有意思的事情。上圖藍(lán)色和橙色區(qū)域的企業(yè)（人形機(jī)器人本體和模型）都開始問我們要三種東西：設(shè)備、項目和數(shù)據(jù)，他們會直接問我們能不能賣數(shù)據(jù)，各種數(shù)據(jù)都可以，無論是單模態(tài)、低精度還是高質(zhì)量的數(shù)據(jù)都要的。而且他們對于數(shù)采的設(shè)備、服務(wù)和對數(shù)據(jù)的渴求，在過去的兩年中完全沒有看到任何減速的跡象，不停地往上走。

幾周之前，美國有幾個工作，告訴了大家用多大體量的數(shù)據(jù)。比如說Generalist的GEN-0用了27萬小時的真實世界操作軌跡，這個數(shù)字給了整個行業(yè)巨大的信心。

Scaling Law不需要自己驗證，有人驗證就行。大家原本不知道：數(shù)據(jù)堆到什么體量ROI不會掉下來；或者堆到什么體量能有顯著的泛化能力提升。但現(xiàn)在有人告訴你，你可以放心大膽堆到30萬小時，這就像有一條路擺在前面一樣。

于是，來找我們詢價和問26年的產(chǎn)能的客戶，一下子從原先討論的千小時、萬小時到了十萬小時為單位起。大家需求的胃口已經(jīng)被打到那個數(shù)量級了。

很多人包括投資人跟我聊，你們是不是對標(biāo)的Scale AI？其實不是的。Scale AI誕生于多模態(tài)模型和自動駕駛這兩個行業(yè)，跟機(jī)器人行業(yè)的數(shù)據(jù)需求是有著本質(zhì)的區(qū)別的。其中最大的區(qū)別就在于，這兩個行業(yè)所服務(wù)的甲方獲取數(shù)據(jù)的能力比乙方強(qiáng)，比如自動駕駛的甲方可以用自己的車隊獲取數(shù)據(jù)。

如果當(dāng)甲方獲取生數(shù)據(jù)的能力強(qiáng)于或平權(quán)于乙方時，那么數(shù)據(jù)生意的毛利天花板就不夠可觀。這件事可以在美國做，因為美國可以全球眾包，這樣就可以在美國40%或50%毛利的天花板下面努力的卷，但很難突破50%。但和美國用本地勞動力置換海外的勞動力不同，中國是本地置換本地的勞動力。所以中國的天花板是20%，苦一點的10%以下的生意也有人做。

美國有三家數(shù)據(jù)生意做得比較好的公司，分別是Scale AI、Mercor和Surge AI。我認(rèn)為做得最好的一家不是Scale AI，而是Surge AI。因為它的毛利很多時候能做到60%，這是非常杰出的一個能力。Surge AI的主要能力是AI Infra（基礎(chǔ)設(shè)施），把工具鏈做得特別好。Scale AI最厲害的能力是對benchmark和data validation數(shù)據(jù)的利用，以及它的訓(xùn)練模型的優(yōu)化能力其實強(qiáng)于他的甲方，somehow強(qiáng)于Anthropic。而Mercor其實是一家AI人力招聘公司，所以它最厲害的是篩人、找人、卷人，把人激勵好，把人的數(shù)據(jù)給回流，最后快速的輪轉(zhuǎn)，全球都可以合規(guī)。

所以這三家其實是天縱英才，甲方拿著數(shù)據(jù)來找你拉框框，還可以做到40%或50%的毛利，每年做幾十億美金的生意，這是很杰出的。中國做得比較好的有曼孚和海天瑞聲。

整體來說，當(dāng)乙方?jīng)]有顯著優(yōu)于甲方的數(shù)據(jù)獲取能力的時候，這個數(shù)據(jù)生意其實就是一個勞動力置換和外包，在中國卷的天花板就是15%到20%的毛利。

硬件銷售也是一個苦生意。我做了十幾年to B的硬件銷售，已經(jīng)看過天花板了。所以在這個行業(yè)里，我覺得知道該怎么做機(jī)器人數(shù)據(jù)這個生意遠(yuǎn)重要于其他，就是你的business model應(yīng)該是什么，這件事情非常非常的重要。

很多人來找我們，買我們的設(shè)備，做遙操作，請我們做retargeting，然后去采集數(shù)據(jù)。也有人做whole body的teleoperation，包括工具的使用、雙手的協(xié)同。更加復(fù)雜的可能是做雙向的數(shù)據(jù)互傳，比如人到機(jī)器人的motion的互傳，機(jī)器人到人的視覺的互傳，甚至一些感官的替代，比如力反饋。

但這個世界上沒有真正力反饋的Solution，我從大概14、15年開始做XR領(lǐng)域的力反饋，應(yīng)該是中國第一批，但后來在這個領(lǐng)域中的玩家通通放棄了。這是一個比人形機(jī)器人還難的賽道，為了解決一個A命題而去挑戰(zhàn)一個更難的B命題這是不對的。所以行業(yè)內(nèi)普遍的做法都會做感官轉(zhuǎn)移，比如把力和觸覺轉(zhuǎn)換成視覺和聽覺，或者其他更加易得的感官，然后再去完成復(fù)雜的任務(wù)。

這是西湖機(jī)器人的全身遙操作（whole-body teleoperation），做得特別好，強(qiáng)于很多公司和高校所做的全身遙操作，穿的是我們的設(shè)備，我們也貢獻(xiàn)了一些力量。

這是宇樹的全身控制（whole-body control），也做的很不錯，是遙操作里面比較杰出的工作。

遙操作絕對是非常好的獲取數(shù)據(jù)的方式，因為獲取的數(shù)據(jù)是真機(jī)數(shù)據(jù)，里面包含著寶貴的真機(jī)特性。但是遙操作有三大結(jié)構(gòu)性挑戰(zhàn)（“原罪”）：

成本效率：昂貴而緩慢，成功率很低。

能力局限性：比如靈巧性高的手內(nèi)的操作（in-hand manipulation）、高精度依賴力觸覺的雙手協(xié)同、非視覺引導(dǎo)操作（vision non-guided manipulation）無法執(zhí)行，只有pick and place最成熟。

以及跨本體泛化能力等問題。

大家可以看這張流程圖，這是我們典型的服務(wù)遙操作的客戶，就是典型的工作流，也是我們賺錢的流程。這里有一個特別重要的步驟叫retargeting mapping，這是指把一個人的數(shù)字化形象和行為翻譯成一個機(jī)器人的數(shù)字化形象和行為，然后讓機(jī)器人的運維系統(tǒng)去跟。

但是mapping同時也使得模態(tài)丟失、損失，維度降低。所以retargeting mapping結(jié)束之后，你從機(jī)器人身上采到的數(shù)據(jù)已經(jīng)極大的降維了，已經(jīng)極大的comply到機(jī)器人的構(gòu)型和它的傳感器上了。所以它有極差的跨本體能力，從宇樹的G1上采的數(shù)據(jù)到同家公司另一個型號上就學(xué)不了。

這件事情讓很多的客戶以及我自己都很恐慌，24年7月份，全球包括我的團(tuán)隊在內(nèi)的五個組都開始探索“如何讓數(shù)據(jù)能夠跨本體”。到了24年年底，很多個組跳出了遙操作的工作，追尋新的方向。

但這并不是說遙操作的數(shù)據(jù)不重要，這是我必須要強(qiáng)調(diào)的。遙操作的數(shù)據(jù)很重要，它的第一性是真機(jī)特性，可以去表征。但是需要的體量不高，因為它不能跨本體，沒有靈巧性，很昂貴。所以如果獲得足夠去表征真機(jī)特性的數(shù)據(jù)，就應(yīng)該停。

于是行業(yè)開始將視角逐步拓展至以人為中心（Human-centric）的數(shù)據(jù)路徑 ，跳出遙操作的范疇，不再和本體綁定，直接進(jìn)行操作。把機(jī)器人身上可能有的全量甚至是Over kill的Sensor 穿在你身上，視覺傳感器力觸覺傳感器，甚至于連溫度感知、聲音感知、深度視覺、旁觀視覺、旁觀的深度視覺都集合在某一個形態(tài)的設(shè)備里頭，來嘗試捕捉一個人直接在打螺絲時候的全量的模態(tài)維度，以超高的精度，遠(yuǎn)超于機(jī)器人感知的精度去獲取信息。

剛才說的有五個組，其中有兩個組用的就是這個流程：先把數(shù)據(jù)從人身上捕捉，然后做一個粗的Retargeting，這個數(shù)據(jù)就變得跟機(jī)器人很像了，然后再做一個很細(xì)的Retargeting，但是是在仿真環(huán)境里的強(qiáng)化學(xué)習(xí)，這個強(qiáng)化學(xué)習(xí)可以保證任務(wù)真的能完成。這個流程其實在24年12月份的時候已經(jīng)被好幾個組所驗證走通了。

但是這種超高精度的數(shù)據(jù)獲取非常昂貴，諾亦騰機(jī)器人（Noitom Robotics）在國內(nèi)的一個城市和海外的一個城市各建設(shè)了一個數(shù)據(jù)工廠，我的數(shù)據(jù)工廠是不采集遙操作數(shù)據(jù)的。它應(yīng)該是一個甲方行為，不應(yīng)該是個乙方行為。在數(shù)據(jù)工廠我們采了大量的數(shù)據(jù)，服務(wù)業(yè)內(nèi)很多的伙伴。

以人為中心的數(shù)據(jù)采集，我們分成了工廠采（In-the-factory）和野采（In-the-wild）。無論是ITF還是ITW，數(shù)據(jù)獲取的方式有很多，但你需要不斷驗證。

我是怎么判斷這么多不同的數(shù)據(jù)獲取的方式的？非常重要的一件事情就是：要知道每一層數(shù)據(jù)的第一性是什么？真機(jī)遙操數(shù)據(jù)的第一性，在于真，這是其他三層都沒有的。所以，你可以通過遙操作的數(shù)據(jù)學(xué)習(xí)pick and place，這其實同時是在學(xué)它的真機(jī)特性，而真機(jī)特性更重要，因為pick and place的技能策略、泛化性其它數(shù)據(jù)里面有。

Human-centric是中間的這兩層，第二層是超高精度，超全模態(tài)，從工廠里采集的數(shù)據(jù)。第三層是野采(In-the-wild)的數(shù)據(jù)，這兩層的第一性也是不同的：第二層的第一性是多維度或者全維度，多模態(tài)、高精度，要做到的是跨本體。所以我們希望在模態(tài)、維度、精度等所有方面要能比機(jī)器人的維度和模態(tài)都全，都強(qiáng)，都高，這樣的話將來你映射的時候就是一個降采樣，不需要做一個升采樣。

比如機(jī)器人的視覺傳感器，是720P、雙目、50赫茲、卷簾快門，那你就要達(dá)到雙目、8K、120赫茲、全局快門。這樣將來降采樣還有的做，但要比他低的話，那就只能忍了，就得忍維度的損失，有模態(tài)的損失，everything。

第三層野采（In-the-wild）的第一性是視覺泛化性，要走到真實的環(huán)境中去追求視覺的泛化性。不要嘗試在任何數(shù)采工廠里面做遙操作，也不要嘗試去在工廠中搭建真實環(huán)境——你可以搭一個廁所，但主要的目的是為了避免數(shù)采員無實物表演，但你完全沒有必要去搭100個或更多的廁所，而是應(yīng)該in the wild。所以這一層的精度和維度就不太重要了，要舍棄一些東西。

通過這幾層數(shù)據(jù)，我們可以真正把生意做起來，給行業(yè)帶來價值。要想清楚每一層該做啥，不應(yīng)該做啥，要學(xué)會舍棄。不然就像Sergey Levine的那篇文章里所諷刺的：“如果你是麥當(dāng)勞里的勺叉，不僅在喝湯的時候會漏，還叉不起來雞塊?！奔纫忠慕Y(jié)果就是個勺叉，咱不當(dāng)勺叉，咱們當(dāng)一個好用的叉子就行。

今天跟大家匯報了我們做的生意，也講了我們對于數(shù)據(jù)的一些觀點，我最后跟大家總結(jié)一下，諾亦騰機(jī)器人（Noitom Robotics）不是一家設(shè)備公司。我們賣設(shè)備，就是交個朋友，毛利不重要，價格不重要。大家需要的話就來找我們買設(shè)備，還可以給你們做系統(tǒng)集成，主要是大家開心就好。

諾亦騰機(jī)器人也不是一家項目公司，因為我們是一個數(shù)據(jù)公司，有自己的數(shù)據(jù)集，但我們有設(shè)備，也能做項目，如果你的項目足夠大的話，也歡迎大家跟我們聯(lián)系，我姓戴，戴若犁，謝謝大家。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。