点击下方卡片，关注【Xbotics具身智能实验室】公众号

更多具身干货，欢迎加入（戳我）

👉具身智能学习资料汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-Guide

👉具身智能求职/实习信息汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-AI-Job

你想要的这里都有~~

过去一年，圈子里最热闹的是模型。OpenVLA、π0、GR00T，每隔一段时间就有人放出新结果，大家追着问成功率、泛化能力、真机视频。

但跟一线做训练的朋友聊久了，会发现一个更朴素的问题卡在所有人喉咙里：

模型再强，数据从哪里来？

任务怎么批量生成？环境怎么系统变化？双臂协作怎么评？厨房、桌面、柔性物体这些真实世界的麻烦，怎么被放进训练和评测体系？

这才是具身智能现在真正开始卷 Infra 的原因。

如果说 VLA 是机器人的大脑，那数据生成和任务评测 Infra 就是机器人训练的健身房。没有足够丰富的训练场，再聪明的大脑也只能在几个精心布置的 demo 里转圈。一旦换物体、换光照、换桌面高度、换任务顺序，系统马上露馅。

这篇文章选三个同类型项目：RoboTwin 2.0、RoboCasa365 和 MimicGen 系列。它们不是模型，它们在回答同一个问题：机器人学习到底怎么规模化？

为什么机器人数据比图文数据难太多？

先讲一个很基础的对比。

大语言模型成功，很大程度上靠互联网文本。视觉语言模型可以继续吃图文对、视频、网页。但机器人不一样。

机器人数据不是“图片加文字”。它是多相机图像、深度、关节角、末端位姿、夹爪状态、力觉触觉、动作序列、语言指令、时间戳，有时还要环境状态和成功标记。

更关键的是，机器人数据不能只看，必须能做。一张猫的图片不需要猫真的回应你。但一条机器人轨迹，必须对应一个可执行的动作过程。抓杯子就是抓杯子，插积木就是插积木。动作偏一点，任务失败；环境变一点，旧数据可能就废了。

所以机器人学习有一个天然死结：真实数据贵，仿真数据容易假，评测标准难统一。

RoboTwin 2.0、RoboCasa365 和 MimicGen 系列，正是在这个死结上发力。它们不追求“提出一个更大的模型”，而是把数据、任务、环境和评测变成可规模化生产的系统。

RoboTwin 2.0：双臂机器人的“标准化训练场”

先看 RoboTwin 2.0。这个项目最鲜明的标签是双臂操作。

今天很多 VLA demo 还是单臂机械臂：抓一个物体，移动到目标，放下。这类任务当然重要，但离真实的人形和双臂机器人还有一大段距离。人在做家务、装配、整理时，大量动作不是单手完成的。一只手固定，一只手操作；一只手递送，一只手接收；两只手同时拉、推、撑、拧。

双臂操作的难点在哪？在协调。单臂只需要管一个末端和物体的关系，双臂还要管两只手之间的时序、相对位置、角色分工和碰撞约束。一只手拿住盒子，另一只手放东西进去；一只手扶住容器，另一只手倒东西。关键不是“会抓”，而是“会配合”。

RoboTwin 2.0 的价值，就是把双臂操作做成一个可生成、可评测、可扩展的基础设施。它不是只给几个任务，而是围绕双臂 manipulation 搭了一个完整框架：物体库、任务生成、专家数据合成、domain randomization、统一评测协议。

里面很值得注意的一点，是它开始把 MLLM 放进任务生成流程。过去机器人任务要人工写代码、写脚本、写 reward、写专家策略。RoboTwin 2.0 试图让多模态语言模型自动生成任务级执行代码，再通过 simulation-in-the-loop 做修正。

这件事的含义很深。因为未来具身智能不可能靠人工一个个写任务。如果每个新任务都要工程师手动建模、写脚本、调参数，规模永远上不去。真正可扩展的路线，是让系统自己提出任务、生成数据、检查结果、纳入评测体系。机器人数据生成正在从“人工搭任务”走向“模型辅助造任务”。

还有一个很工程化的设计：domain randomization。它不是只随机换个物体，而是从杂乱程度、光照、背景、桌面高度、语言指令等多个维度去做环境扰动。

这点太现实了。机器人在实验室失败，很多时候不是完全不会任务，而是环境稍微变了：桌子高一点、灯暗一点、背景乱一点、指令换种说法、物体摆偏一点。人类觉得没区别，但对策略来说，这就是分布外。

所以 RoboTwin 2.0 代表的趋势是：机器人 benchmark 不能只问“会不会做这个任务”，还得问“环境变了之后还能不能做”。

对人形和双臂机器人来说，这类系统尤其重要。未来人形上肢训练，不可能只靠少量真机采集，也不可能只在固定桌面任务上刷分。双臂协作需要更大规模、更强随机性、更接近真实的训练和评测环境。RoboTwin 2.0 在尝试把双臂操作从“少数 demo”推进到“系统化训练场”。

RoboCasa365：家庭机器人需要的不是抓取，是日常生活

如果说 RoboTwin 2.0 更偏双臂操作，那 RoboCasa365 更偏家庭场景。这个方向很容易被低估。

很多人讲机器人操作喜欢从桌面抓取开始，因为任务清楚、物体有限、评测简单。但真正的家庭服务机器人不会只站在一张干净桌子前抓积木。家庭场景里有柜子、抽屉、冰箱、台面、水槽、微波炉、杯子、盘子、锅、瓶子、垃圾。任务也不是简单 pick-and-place，而是“从柜子里拿杯子”“放进微波炉”“整理台面”“准备咖啡”“清理餐具”这类长程、组合、多步骤操作。

这就是 RoboCasa365 的意义。 它把家庭厨房作为核心场景，扩展到 365 个日常任务和 2500 个厨房环境。这个规模的意义不是数字大，而是让家庭机器人有机会在更丰富的布局、风格、物体和任务组合里接受训练和评测。

家庭任务最大的难点是变化太多。不同家庭的厨房布局不一样，柜子位置不一样，电器不一样，摆放习惯不一样。机器人如果只在一个固定厨房里训练，很容易学到场景偏见。一换厨房，视觉先崩，路径再崩，任务顺序跟着崩。

RoboCasa365 的核心价值，就是把这种“家庭差异”系统性地放进仿真环境里。它不是做一个漂亮厨房，而是提供大量不同布局、风格、家具和物体组合的厨房场景，让模型不再只适应一个标准实验室。

这对 foundation model training 非常关键。过去很多机器人策略是任务专用的：训一个任务，评一个任务。但家庭机器人需要多任务能力和持续学习能力。RoboCasa365 这类 benchmark 把“日常任务”变成了可以系统训练和比较的集合。

它还让一个问题更清楚地暴露出来：家庭机器人离真正可用还差什么？

短任务不错、长程崩盘，说明缺任务规划。一个厨房成功、换布局失败，说明场景泛化不够。基础技能能完成、组合不起来，说明没有稳定的多步骤执行能力。物体轻微变化就失败，说明视觉和动作绑定不够鲁棒。

这些问题，只有在大规模、多场景、多任务的评测系统里才会被逼出来。从这个意义上说，RoboCasa365 不只是一个仿真环境，而是一个家庭机器人能力的“压力测试系统”。

MimicGen：少量示范，变成海量训练数据

第三个项目是 MimicGen 系列。它解决的是更核心的问题：机器人示范太贵了。

模仿学习需要 demonstration。问题是，高质量人类示范并不好采。要设备、要遥操作系统、要任务设计、要采集人员，还要保证轨迹质量。单臂已经不便宜，到了双臂、灵巧手、人形，成本只会更高。

MimicGen 的思路很直接：能不能从少量人类示范出发，自动合成更多？

原版 MimicGen 证明了一件事：少量人工示范不一定只能一条条拿来训练。它们可以被系统拆解、迁移、重组，生成大量新场景下的轨迹。项目中从约 200 条人类示范生成五万多条 demonstrations，覆盖多个任务、场景配置、物体实例和机器人本体。

这背后的思想很朴素，但很有力量：人类只提供“种子”，系统负责扩增。

过去要更多数据，就继续找人采。MimicGen 把人类示范变成可复用资产：一条示范不只是一个样本，而是一个可以迁移到新初始状态、新物体、新布局的动作模板。它特别适合长程、高精度但结构相对清楚的 manipulation 任务，比如装配、咖啡制作、多步骤操作。人类先给少量成功轨迹，系统再在不同场景里自动生成大量变体。

更重要的是，MimicGen 后面形成了一个系列。

DexMimicGen 把这个思路扩展到双臂灵巧操作。双臂加灵巧手的数据采集难度更高，因为控制自由度多、同步要求高、失败点多。它从少量源示范出发，生成双臂灵巧机器人的大规模 demonstrations。

SoftMimicGen 进一步推进到柔性物体操作。毛巾、绳子、纸巾、布料，这些物体形变复杂、状态难表示、仿真更难。过去合成数据更集中在刚体任务，因为刚体好模拟、好检测、好评估。SoftMimicGen 的出现说明，数据生成 Infra 正在进入更真实也更麻烦的操作场景。

从原版到 DexMimicGen 再到 SoftMimicGen，一条很清楚的演化线：先解决单臂刚体扩增，再解决双臂灵巧扩增，最后进入柔性物体和更复杂本体。

这条线非常值得关注。因为真实世界不是刚体积木世界。机器人未来要整理衣物、处理包装、拿软袋、操作线缆，就必须面对柔性物体、多接触和复杂形变。MimicGen 系列不取代真实数据，但能极大提高真实示范的利用率。

结语：Infra 不是在后台，是在定义前台能力

很多人一听 Infra，觉得是后台工程，不如模型和算法性感。但在具身智能里，Infra 往往直接决定模型的上限。

没有 RoboTwin 这样的双臂训练场，人形上肢很难系统学习协作操作。没有 RoboCasa365 这样的家庭场景 benchmark，家庭机器人很难知道自己离真实日常任务还有多远。没有 MimicGen 这样的数据生成系统，机器人示范数据的规模化会长期被成本卡住。

这些项目看起来是在做数据、任务、环境和 benchmark，实际上是在定义未来机器人模型可以学什么、比较什么、改进什么。

VLA 让机器人看到一条通向通用操作的路。但要把这条路走通，光有模型还不够。还需要足够大的训练场，足够真实的任务集，足够高效的数据生成系统。

具身智能的下一场竞争，可能不会发生在一个更大的模型名字里，而会发生在这些看似基础、却决定一切的训练基础设施里。

-END-

Ask Me Anything｜提问箱

❝

对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。

怎么问：在评论区留言，或私信公众号

我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。

提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。

一起把问题变成知识，推动社区进步 🚀