信息密度筑基物理智能：大晓环境式数采 2.0 让数据门槛一降到底 | WRC 2026

点击下方卡片，关注【Xbotics具身智能实验室】公众号

2026 世界机器人大会期间，大晓机器人带来了以人为中心的环境式数据采集方案 2.0：从采集套件到标注平台，再到跨本体的数据标准底座，一条完整的具身数据链路。

这条链路背后反映出行业关注重点的一次变化。过去两年，具身数据的竞争更多围绕数据规模展开；随着模型能力持续演进，行业开始进一步关注另一个问题——每一小时数据里，究竟包含多少真正影响任务学习与行动结果的有效信息。以人为中心的环境式数据采集方案 2.0，是大晓围绕这一问题开展的一次系统化工程实践。

这套方案要同时回答三件事：采得起、采得对、用得上。

而在这三个答案背后，有一条贯穿始终的线——门槛一直在往下降。场地的门槛、判断的门槛、路线的门槛、参与的门槛，前后降了四次。每降一次，能进入这条链路的人就多一批，具身数据的飞轮也就转得更快一点。

本文基于Xbotics在 WRC 期间对大晓机器人数据产品线系统架构负责人 Ethan 的专访整理。

具身智能没有可以直接继承的语料库。大语言模型有几十年互联网文本打底，机器人要学会拧开水龙头、把碗放进洗碗机、把散落的衣物收起来，这些示范得有人一遍一遍做给它看。而过去几年行业给出的采集方案，普遍卡在同一道门槛上：太慢，太贵，攒不起来。

遥操作真机、VR 遥操作、臂控臂的本体重定向等方案，在规模化采集时往往面临效率与成本约束。环境式采集希望通过更轻量的部署方式提升采集效率、降低单位数据成本，使大规模真实场景数据采集更具可持续性。

“我们关注的不只是能不能采到数据，更重要的是这套方式能否以可持续的成本规模化运行，让具身数据的飞轮真正转起来。”

对一个仍在积累期的行业来说，这个差别不只是省钱。数据规模、质量与覆盖度共同影响模型能力的上限；只有让高质量数据能够持续积累，数据飞轮才可能真正支撑模型走向落地。

这也是环采 2.0 在采集端的设计起点。ACE Ego Kit 采用分体、轻量化、无线设计的“头—手—胸”三位一体套件，用于捕捉人—物交互细节与全身运动信息，并通过 User-care 设计与磁吸换电方案降低长程任务中的佩戴与续航负担。采集体验本身，也是影响数据质量的重要因素。

其中最关键的一环是 ACE Sense Glove 采集手套——行业首个集成三维力触与动捕信息的采集手套。0.01N 的力触觉灵敏度，意味着指尖与柔性物体接触时最细微的力变化都能被记录；小于 2° 的关节角误差，保证手部动作还原的高保真；20 余种异构传感器的时间同步误差被严格控制在 1 毫秒内。模态密度、场景密度、时间密度三重保障，把带有物理世界因果律的高密度真实交互数据精准录入。

而环采并不等于“第一视角”。具身任务呈现出不同于自动驾驶的复杂性：场景、任务和交互对象更加多样，需要针对不同任务尺度设计采集方案。从任务视角看，可以关注机器人自身的运动与导航、房间尺度的长程任务，以及桌面尺度的精细操作。不同尺度的难点不同，采集方案也需要有所侧重。

规模化采集中的一个重要成本项，是采集场本身。把一个空间变成高精度采集环境，通常涉及标定、同步和多视角布设；这类配置在实验室中具有重要价值，但如果直接复制到大量真实场景，部署成本会迅速上升。

高精度采集场仍然具有重要的标定与验证价值，而环境式采集更关注如何降低真实场景数据获取对专用场地和复杂部署条件的依赖，使高质量数据采集能够扩展到更多真实环境。

这是第一次降门槛：采集高质量具身数据，不必完全依赖专门改造的采集空间。

账算得过来之后，是采得对。

大晓在环采 2.0 中提出“信息密度”这一具身数据价值判断框架：数据的价值不只在数量堆叠，更在于其中包含多少会影响行动结果的关键信息。

这一判断来自对具身任务的基本观察：机器人需要理解的不只是视觉表象，还包括与行动相关的物理状态和交互关系。能够影响控制与决策的关键信息越充分，模型对任务状态的理解就越完整，试错成本也有望随之降低。

从工程视角看，这可以被理解为一次高保真的信息压缩与重构：通过合适的数据采集策略，尽可能保留真实物理交互中与任务相关的信息，并让这些信息能够被模型有效学习和使用。

按照大晓提出的数据分级框架，L1–L2 更偏向基础感知与预训练数据，L3–L4 进一步覆盖任务和交互信息；L5 则引入力触觉、失败恢复、开放环境变化等更丰富的物理交互信息，目标是为模型的泛化、鲁棒性以及进一步的自迭代能力提供更充分的数据基础。

那么，有没有哪一类能力，是给再多 L3 数据也学不会的？

这个问题在采访中并没有停留在成功率上。在理想条件下，扩大数据覆盖能够缓解很多问题，但现实世界的数据不可能真正穷尽，长尾与边缘情形始终存在。要进一步提高系统的稳定性与鲁棒性，除了覆盖更多成功示范，还需要关注失败、恢复、风险等与行动结果密切相关的信息。

"你机器人不能打人，对吧？不能伤害人。"

因此，更丰富的反事实、失败恢复与风险相关数据，有助于提升系统在长尾场景下的安全性与鲁棒性。数据分级最终关注的，也不只是把单一指标再抬高几个点，而是让模型面对未充分见过的情况时拥有更完整的判断依据。

也正因如此，这套分级本身就在降低一道门槛。过去判断一批数据值不值得采、能撑到哪一层，多半依赖各家自己的经验；把它摆成 L1 到 L5 的五级，等于把这个判断变成一件可以摆到桌面上讨论的事。

更要紧的是，这把标尺是公开的。行业长期缺少一套共同的数据语言——同一批数据，在不同团队眼里可能是宝藏，也可能是噪声。把分级摆出来，等于把"什么算好数据"从各家的内部经验，变成一件可以对照、可以争论、也可以被检验的事。

这是第二次降门槛：判断一批数据的好坏，不必只靠个人经验。

采得起、采得对之后，是用得上。

人做示范时并不会附带一份机器人的动作指令，而模型训练需要动作。这个转换怎么完成，是人类数据这条路线上最常被追问的一环，也最容易演化成路线之争。

大晓更关注底层数据与接口的兼容性。

“我们更关注底层数据基础设施的通用性，希望它能够兼容不同的技术路线，而不是过早绑定某一种实现方式。”

从真人示范数据到机器人可学习的数据表示，目前行业仍存在重定向、动作映射、跨本体表征等多种技术路线。环采 2.0 更关注底层数据基础设施的通用性，希望采集的数据能够兼容不同本体、不同动作表示以及持续演进的模型架构，而不是过早绑定某一种技术路线。

在模型架构、动作表示和本体形态仍在快速演进的阶段，通用的数据接口能够降低下游技术路线变化带来的重复采集与适配成本，让同一批高质量数据获得更长的使用周期。

支撑这种通用性的，是环采 2.0 在数据标注与标准化方面的另外两块能力。

在标注环节，ACE Data Engine 面向手部、身体、交互目标和任务描述等信息进行结构化处理，将原始记录转化为模型可学习的数据。针对长程任务中的遮挡、快速运动等难点，平台引入 4D 手部动捕等技术，并结合质量控制机制提升标注的连续性与可靠性。

在使用环节，作为开源的具身数据标准底座，ACE Ego Matrix 围绕空间坐标、本体结构、动作时序与数据质量建立统一表达，目标是降低不同采集人员、不同本体和不同控制频率数据之间的适配成本，使真人示范数据与跨本体机器人数据能够在统一框架下组织和使用。

这条链路已经进行过初步验证。此前公开研究显示，在相应实验设置下，将第一视角具身场景数据用于 VLA 预训练后，下游任务成功率与训练收敛表现均获得改善。相关结果及具体实验条件以公开论文为准。

这是第三次降门槛：使用这批数据时，不必过早绑定某一种技术路线或某一种机器人本体。

前面三层解决的是这套方案如何成立，最后一层是如何进一步扩大真实场景数据的覆盖范围。

采集设备本身正在持续轻量化。第二代通过分体和无线设计进一步降低佩戴与运动负担。从行业长期演进看，采集设备还会继续向更轻量、更自然、更低负担的方向发展。

“长期来看，采集设备会越来越轻、越来越自然。只有降低参与门槛，真实世界的数据覆盖才有可能进一步扩大。”

这符合数据基础设施演进的一般规律：当采集工具更轻、更易用，参与数据生产的人群和场景才可能进一步扩大。对具身智能而言，让数据采集更自然地融入真实活动，有助于提升场景覆盖度与数据多样性。

最后一道门槛关于使用权。大晓选择向全行业开放家居类复杂任务、高精度标注的环境式采集数据集 ACE-Data-0，覆盖做饭、打扫、饮水、场景整理等长程任务与人与场景交互，并提供人体姿态、手部关节、手部触觉、文本描述、交互目标及轨迹等多维标注，覆盖 200 个任务类别。未来也将根据研发与社区使用情况持续推进数据开放。

支撑这一决定的，是对开放数据基础设施价值的判断：通过开放部分数据与标准，降低行业使用高质量具身数据的门槛，并与开发者、研究机构和产业伙伴共同完善数据标准、工具链与评测体系。开放的目标不是限定某一种技术路线，而是让更多参与者能够在共同的数据基础上开展研究和应用。

在产业层面，大晓已与漕河泾开发区达成战略签约、共建"具身智能产业创新平台"，把环境式数采能力从企业级工具链升维为区域级产业基础设施。

与之并行的还有一套行业"度量衡"。由多家机构与高校联合发起的具身物理智能统一评测基准平台 PHYSICAL IQ 物智，以统一协议贯通零售、工业、家居等真实场景，公平量化不同本体、不同世界模型的物理智能水平。数据要有标准，能力也要有标准——这两件事一起，才构成产业规模化的前提。

这是第四次降门槛：让高质量具身数据的生产与使用能够覆盖更广泛的参与者。

从“信息密度”的判断框架出发，到“采、标、用”全链路的工程化落地，再到数据集开放与产业平台共建，环境式数据采集方案 2.0 希望补上具身智能规模化发展所需要的一块重要数据基础设施。

采访结束时，谈到这条路要走多久：

"今天很繁荣，明天可能更繁荣，但繁荣不等于真正的突破。行业会经历喧嚣，也会经历沉淀，真正重要的是穿过这些周期，把技术和产品一点点做实。我相信具身智能真正创造价值的那一天一定会到来，我们要做的，就是坚定地走到那一天。"

数据基础设施的价值往往不会在一开始就完全显现，但它会持续影响模型能力的上限。当更高信息密度、更贴近真实物理交互的数据持续进入训练与验证闭环，物理 AI 从“理解”走向“执行”才会拥有更扎实的数据基础。

🚪大晓开发者社群，开门了！

我们的开悟世界模型，不复刻世界，只锚定动作。

如果你也关注 Physical AI / 世界模型，是时候，一起开悟了👇

-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 🚀