1. 首页 > 热点资讯 >

都说机器人缺数据，缺的到底是什么？

user795653 • • 热点资讯 •
世界模型，已经成为今年AI行业最热闹的赛道之一。AMD宣布以约82亿美元收购李飞飞创办的World Labs，谷歌发布新一代世界模型Genie 4，百度Apollo World世界模型亮相――巨头们接连出手，一场通往物理AI的竞赛就此开启。

飞象原创（高靖宇/文）世界模型，已经成为今年AI行业最热闹的赛道之一。AMD宣布以约82亿美元收购李飞飞创办的World Labs，谷歌发布新一代世界模型Genie 4，百度Apollo World世界模型亮相――巨头们接连出手，一场通往物理AI的竞赛就此开启。

为什么世界模型突然成了焦点？行业里一个普遍的共识是：语言模型可以描述世界，而世界模型则是让AI理解现实世界的运行规律。理解了规律，AI才有可能真正走出屏幕、作用于物理空间。

当机器人走进仓库，面对一件从未见过的商品，伸手去取，却常抓空、碰倒、卡住。它缺的不是力气，而是对世界的“预判”――物体多重、如何滑动、碰撞后怎样反应，这正是世界模型要教会它的。但要练成这种预判，得先给它喂饱真实世界数据，而数据的紧缺，正在阻碍具身智能快速、规模化地进入现实世界。

数据荒，荒的不是量

2026年7月，李飞飞在a16z播客上说了一段后来被反复引用的话：机器人面临一个极其困难的问题，就是非常缺乏数据，无论是训练数据还是评估数据都严重不足。大语言模型只需要理解语义，但机器人必须理解物理世界“这些信息不是看到就能获取的，必须通过真实世界的物理交互才能采集。”

这句话点破了数据荒的本质。互联网上的文字、图片、视频管够，但那是“世界长什么样”的数据；机器人要的是“从这个角度、用这个力度捏下去会发生什么”的物理后果数据。前者免费，取之不尽，后者要在真实物理世界里一小时一小时地采。

真值数据采集的另一层困境是不通用。李飞飞提到，不同型号的机器人、不同的工作场景、不同的光照和物体条件，采集到的数据几乎不能互相迁移――一台机器人在A工厂学会的抓取，换到B工厂的产线上就要重新训练。

仅把大模型塞进机器人，产生不了真正的具身智能。

大模型需要怎么“投喂”？

面对这道难题，李飞飞给出的解法是Real-to-Sim-to-Real：在真实世界采集数据，构建高保真仿真环境，在仿真中大规模训练策略，再把模型部署回真实世界。

她创办的World Labs在2026年动作频频：收购仿真厂商SceniX，9月发布多模态世界模型Atlas，重心明显落在“Sim”这一环――用生成式模型批量造数据。

这当然是对的。但链条的第一环Real――用什么眼睛去真实世界里采――在行业叙事里被严重低估。喂进仿真的真实数据，如果本身是脏的、有视差的、有时差的、在玻璃和金属表面是空洞的，那么Sim-to-Real的鸿沟只会越填越宽。

为什么是现在这个节点暴露问题？因为VLA模型把视觉输入的瓶颈放大了。Google的RT-2、Physical Intelligence的π0，这些端到端模型把视觉、语言、动作焊在一起。模型越强，对输入端数据质量越敏感――稀疏的、有延迟的、有对齐误差的点云，会让再强的模型也只能在“失真世界”里做推理。

用“眼睛”还原真世界

如何让机器人“看得清”“看得准”？目前，主流厂商习惯用“组合拳”，远距离，交给激光雷达类传感器。以dToF为核心，配合CMOS与IMU，主打长距建图与定位导航。主流产品最远测距70米，稳定精度达厘米级，机器人靠它做全局避障；近距离，交给高精度深度相机。以散斑结构光或iToF与IMU一体化集成，专注机械臂末端的高精度操作。在8米范围内实现±5mm的稳定感知，机器人靠它“看”清细节。

这是工程上最成熟的组合拳，但从原理上绕不开三个死穴：

视差。多个传感器物理位置不同，看到的角度不同，后端融合必有对齐误差。

时差。深度相机约10Hz，激光雷达约15Hz，RGB相机20到30Hz。帧频、时间戳、空间定位都不一样；对高速运动物体，这个差就是失控的距离。

材质盲区。高反光金属、透明玻璃、亮面薄膜，光要么穿透要么镜面反射，传统算法拿到的点云是残缺的，甚至完全空白。

这三个问题不是算法不够好，是“先成像、后计算”这条路线自带的物理缺陷，装得越多，割裂越深，模型需要花大量成本去做对齐、做融合，行业需要找到更优解。

一颗传感器打开“智慧之眼”

今年8月，由中国工程物理研究院、清华大学共同创立的杭州时空张量机器人从真实世界出发，推出自研7D空间张量传感器“天眼・Tensopt”，用先计算、后成像的底层架构，从物理层面终结了多传感器的能力短板。

所谓7D，是把计算机视觉里全光函数的七个维度――XYZ三维坐标、RGB外观语义、时间戳――融进一枚传感器、一条光路，直接输出实时彩色点云。这意味着“天眼”仅依靠单颗传感器，就能在物理底层实现对多传感器的融合。落到硬指标上，“天眼”实现了对现有行业方案的全面领先：感知距离覆盖0.15m至30m，距离精度小于1%（达毫米级±3mm），点云输出密度高达3072万点/秒，是主流方案的3倍以上，三维成像帧频达25Hz（全分辨率），无运动畸变。

场景比参数更有说服力。机器人进厨房洗碗，玻璃杯、保鲜膜、不锈钢锅是传统视觉的盲区。天眼可直接测量空间光场的占用率，对透明玻璃、高反光金属实现无空洞重建；天眼以毫米级精度和稠密点云支撑机械臂“最后一毫米”的手眼协同；天眼可支持特种机器人在强光、眩光、逆光环境下稳定工作，源于“天眼”抗干扰能力达100K Lux，不受环境光变化干扰，机器人看到的不是“过曝的白片”，而是清晰的真实世界。

有了“天眼”，机器人也就摆脱了“看不清”“看不准”的尴尬，在真实场景中行走、抓取、交互将更加游刃有余。

结语：

世界模型的竞赛，最终要在真实世界里兑现。当巨头们在算力与参数上短兵相接，一个更底层的变量正在浮出水面――数据荒的解法，或许不在算法，而在传感器；物理AI的比拼，或许比的是谁先让机器“看懂”真实世界。这条路还很长，但方向已经清晰。

来源：飞象网
机器人 具身智能 世界模型 时空张量
免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。
user795653user795653

相关推荐